中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數(shù)學世界――探秘歷史名題
-
>
中醫(yī)基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫(yī)內科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
Python機器學習 版權信息
- ISBN：9787121411908
- 條形碼：9787121411908 ; 978-7-121-41190-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
Python機器學習 本書特色
本書以Python語言為基礎從理論和實踐兩個層面介紹了機器學習的各種方法。每章都有對應的實例供實踐參考。
Python機器學習 內容簡介
機器學習是人工智能的核心，也是數(shù)據(jù)科學的關鍵技術之一。本書以Python語言為基礎從理論和實踐兩個層面介紹了機器學習的各種方法。全書共10章，內容涉及機器學習的基本概念、模型評估與選擇、特征提取與降維、無監(jiān)督學習、關聯(lián)規(guī)則及推薦算法、各種啟發(fā)式學習算法、集成學習、強化學習及人工神經(jīng)網(wǎng)絡等。每章都有對應的實例供實踐參考。
Python機器學習 目錄
第1章 了解機器學習
1．1 機器學習的基本術語
1．1．1 大數(shù)據(jù)相關概念
1．1．2 機器學習的發(fā)展歷程概述
1．1．3 機器學習的應用現(xiàn)狀
1．2 機器學習的基本流程
1．3 機器學習的發(fā)展現(xiàn)狀
1．4 機器學習的環(huán)境搭建
1．4．1 Anaconda
1．4．2 PyCharm
1．4．3 漢諾塔案例
1．4．4 機器學習常用package的安裝與介紹
第2章 線性回歸
2．1 線性回歸與邏輯回歸
2．1．1 線性回歸模型
2．1．2 優(yōu)化方法
2．1．3 損失函數(shù)
2．1．4 損失函數(shù)的優(yōu)化
2．1．5 過擬合和欠擬合
2．1．6 利用正則化解決過擬合問題
2．1．7 邏輯回歸
2．1．8 邏輯回歸的損失函數(shù)
2．1．9 邏輯回歸實現(xiàn)多分類
2．1．10 邏輯回歸與線性回歸的比較
2．2 決策樹
2．2．1 決策樹的建立
2．2．2 剪枝
2．2．3 CART剪枝
2．3 貝葉斯分類器
2．3．1 貝葉斯*優(yōu)分類器
2．3．2 極大似然估計
2．3．3 樸素貝葉斯分類器
2．4 支持向量機
2．4．1 支持向量機的原理
2．4．2 線性可分支持向量機
2．4．3 非線性支持向量機和核函數(shù)
2．4．4 線性支持向量機與松弛變量
2．5 案例
2．5．1 線性回歸案例
2．5．2 邏輯回歸案例
2．5．3 決策樹分類案例
2．5．4 支持向量機分類案例
第3章 模型評估與選擇
3．1 經(jīng)驗誤差和過擬合
3．1．1 從統(tǒng)計學的角度介紹模型的概念
3．1．2 關于誤差的說法
3．1．3 統(tǒng)計學中的過擬合
3．1．4 機器學習中的過擬合與欠擬合
3．2 模型驗證策略
3．2．1 留出法
3．2．2 交叉驗證法
3．3 模型的性能度量
3．3．1 基本概念
3．3．2 性能度量
3．3．3 回歸性能度量指標
3．3．4 回歸問題的評估方法
第4章 特征提取與降維
4．1 特征提取方法——過濾法
4．1．1 過濾法的原理及特點
4．1．2 過濾法的基本類型
4．1．3 過濾法的具體方法
4．2 特征提取方法——封裝法
4．2．1 封裝法的思想
4．2．2 封裝法的代表方法
4．3 特征提取方法——嵌入法
4．3．1 嵌入法的思想
4．3．2 嵌入法的代表方法
4．4 K-近鄰學習
4．4．1 K-近鄰學習簡介
4．4．2 KNN模型
4．4．3 KNN模型舉例
4．4．4 KNN模型的特點
4．5 主成分分析
4．5．1 主成分分析的定義
4．5．2 主成分分析原理
4．6 K-近鄰學習案例
4．6．1 實驗步驟
4．6．2 實驗結果
4．7 主成分分析案例（PCA降維）
4．7．1 實驗步驟
4．7．2 實驗結果
4．7．3 PCA參數(shù)介紹
第5章 無監(jiān)督學習
5．1 K-means聚類模型原理
5．1．1 無監(jiān)督學習
5．1．2 聚類簡介
5．1．3 K-means聚類模型原理
5．2 基于層次的分群
5．2．1 層次聚類簡介
5．2．2 層次聚類的原理
5．3 基于密度的分群
5．3．1 DBSCAN算法介紹
5．3．2 DBSCAN算法評價
5．4 聚類模型性能度量
5．4．1 聚類結果好壞的評估指標
5．4．2 距離度量
5．5 案例分析
5．5．1 二分K-means聚類案例
5．5．2 基于DBSCAN和AGNES算法的聚類
第6章 關聯(lián)規(guī)則及推薦算法
6．1 關聯(lián)規(guī)則
6．1．1 關聯(lián)規(guī)則簡介
6．1．2 關聯(lián)規(guī)則相關術語
6．1．3 關聯(lián)規(guī)則算法
6．2 Apriori算法簡介
6．3 基于內容的過濾和協(xié)同過濾
6．3．1 基于內容的過濾
6．3．2 基于協(xié)同過濾的推薦
6．3．3 基于用戶的協(xié)同過濾
6．3．4 推薦算法的條件
6．4 基于項目的協(xié)同過濾
6．4．1 協(xié)同過濾簡介
6．4．2 協(xié)同過濾算法的主要步驟
6．4．3 應用場景
6．4．4 基于人口統(tǒng)計學的推薦機制
6．5 案例分析
6．5．1 Apriori算法的實驗步驟
6．5．2 基于用戶的協(xié)同過濾算法的實驗步驟
6．5．3 基于項目的推薦算法的實驗步驟
第7章 啟發(fā)式學習
7．1 啟發(fā)式學習的介紹
7．1．1 搜索算法
7．1．2 預測建模算法
7．2 爬山算法
7．2．1 爬山算法的描述
7．2．2 爬山算法優(yōu)缺點的分析
7．3 遺傳算法
7．3．1 遺傳算法概述
7．3．2 遺傳算法的過程
7．3．3 遺傳算法實例
7．4 模擬退火
7．4．1 模擬退火算法簡介
7．4．2 模擬退火參數(shù)控制
7．4．3 模擬退火算法的步驟
7．5 粒子群算法
7．5．1 粒子群算法簡介
7．5．2 粒子群算法的流程
7．6 案例分析
7．6．1 粒子群算法案例
7．6．2 爬山算法案例
7．6．3 遺傳算法案例
7．6．4 退火算法案例
第8章 集成學習
8．1 集成學習的基本術語
8．1．1 集成學習的相關概念
8．1．2 集成學習的分類
8．2 Boosting算法
8．3 AdaBoost算法
8．4 Bagging算法
8．5 隨機森林
8．6 結合策略
8．7 集成學習案例
8．7．1 隨機森林案例
8．7．2 AdaBoost案例
第9章 強化學習
9．1 強化學習概述
9．1．1 強化學習的定義
9．1．2 強化學習的特點
9．2 K-搖臂賭博機模型
9．2．1 K-搖臂賭博機簡介
9．2．2 ?-貪心算法
9．2．3 Softmax算法
9．3 策略迭代原理
9．3．1 馬爾可夫決策過程
9．3．2 價值函數(shù)
9．3．3 策略迭代法
9．4 蒙特卡羅強化學習
9．4．1 蒙特卡羅方法的基本思想
9．4．2 強化學習中的蒙特卡羅方法
9．4．3 蒙特卡羅策略估計
……
第10章 人工神經(jīng)網(wǎng)絡
1．1 機器學習的基本術語
1．1．1 大數(shù)據(jù)相關概念
1．1．2 機器學習的發(fā)展歷程概述
1．1．3 機器學習的應用現(xiàn)狀
1．2 機器學習的基本流程
1．3 機器學習的發(fā)展現(xiàn)狀
1．4 機器學習的環(huán)境搭建
1．4．1 Anaconda
1．4．2 PyCharm
1．4．3 漢諾塔案例
1．4．4 機器學習常用package的安裝與介紹
第2章 線性回歸
2．1 線性回歸與邏輯回歸
2．1．1 線性回歸模型
2．1．2 優(yōu)化方法
2．1．3 損失函數(shù)
2．1．4 損失函數(shù)的優(yōu)化
2．1．5 過擬合和欠擬合
2．1．6 利用正則化解決過擬合問題
2．1．7 邏輯回歸
2．1．8 邏輯回歸的損失函數(shù)
2．1．9 邏輯回歸實現(xiàn)多分類
2．1．10 邏輯回歸與線性回歸的比較
2．2 決策樹
2．2．1 決策樹的建立
2．2．2 剪枝
2．2．3 CART剪枝
2．3 貝葉斯分類器
2．3．1 貝葉斯*優(yōu)分類器
2．3．2 極大似然估計
2．3．3 樸素貝葉斯分類器
2．4 支持向量機
2．4．1 支持向量機的原理
2．4．2 線性可分支持向量機
2．4．3 非線性支持向量機和核函數(shù)
2．4．4 線性支持向量機與松弛變量
2．5 案例
2．5．1 線性回歸案例
2．5．2 邏輯回歸案例
2．5．3 決策樹分類案例
2．5．4 支持向量機分類案例
第3章 模型評估與選擇
3．1 經(jīng)驗誤差和過擬合
3．1．1 從統(tǒng)計學的角度介紹模型的概念
3．1．2 關于誤差的說法
3．1．3 統(tǒng)計學中的過擬合
3．1．4 機器學習中的過擬合與欠擬合
3．2 模型驗證策略
3．2．1 留出法
3．2．2 交叉驗證法
3．3 模型的性能度量
3．3．1 基本概念
3．3．2 性能度量
3．3．3 回歸性能度量指標
3．3．4 回歸問題的評估方法
第4章 特征提取與降維
4．1 特征提取方法——過濾法
4．1．1 過濾法的原理及特點
4．1．2 過濾法的基本類型
4．1．3 過濾法的具體方法
4．2 特征提取方法——封裝法
4．2．1 封裝法的思想
4．2．2 封裝法的代表方法
4．3 特征提取方法——嵌入法
4．3．1 嵌入法的思想
4．3．2 嵌入法的代表方法
4．4 K-近鄰學習
4．4．1 K-近鄰學習簡介
4．4．2 KNN模型
4．4．3 KNN模型舉例
4．4．4 KNN模型的特點
4．5 主成分分析
4．5．1 主成分分析的定義
4．5．2 主成分分析原理
4．6 K-近鄰學習案例
4．6．1 實驗步驟
4．6．2 實驗結果
4．7 主成分分析案例（PCA降維）
4．7．1 實驗步驟
4．7．2 實驗結果
4．7．3 PCA參數(shù)介紹
第5章 無監(jiān)督學習
5．1 K-means聚類模型原理
5．1．1 無監(jiān)督學習
5．1．2 聚類簡介
5．1．3 K-means聚類模型原理
5．2 基于層次的分群
5．2．1 層次聚類簡介
5．2．2 層次聚類的原理
5．3 基于密度的分群
5．3．1 DBSCAN算法介紹
5．3．2 DBSCAN算法評價
5．4 聚類模型性能度量
5．4．1 聚類結果好壞的評估指標
5．4．2 距離度量
5．5 案例分析
5．5．1 二分K-means聚類案例
5．5．2 基于DBSCAN和AGNES算法的聚類
第6章 關聯(lián)規(guī)則及推薦算法
6．1 關聯(lián)規(guī)則
6．1．1 關聯(lián)規(guī)則簡介
6．1．2 關聯(lián)規(guī)則相關術語
6．1．3 關聯(lián)規(guī)則算法
6．2 Apriori算法簡介
6．3 基于內容的過濾和協(xié)同過濾
6．3．1 基于內容的過濾
6．3．2 基于協(xié)同過濾的推薦
6．3．3 基于用戶的協(xié)同過濾
6．3．4 推薦算法的條件
6．4 基于項目的協(xié)同過濾
6．4．1 協(xié)同過濾簡介
6．4．2 協(xié)同過濾算法的主要步驟
6．4．3 應用場景
6．4．4 基于人口統(tǒng)計學的推薦機制
6．5 案例分析
6．5．1 Apriori算法的實驗步驟
6．5．2 基于用戶的協(xié)同過濾算法的實驗步驟
6．5．3 基于項目的推薦算法的實驗步驟
第7章 啟發(fā)式學習
7．1 啟發(fā)式學習的介紹
7．1．1 搜索算法
7．1．2 預測建模算法
7．2 爬山算法
7．2．1 爬山算法的描述
7．2．2 爬山算法優(yōu)缺點的分析
7．3 遺傳算法
7．3．1 遺傳算法概述
7．3．2 遺傳算法的過程
7．3．3 遺傳算法實例
7．4 模擬退火
7．4．1 模擬退火算法簡介
7．4．2 模擬退火參數(shù)控制
7．4．3 模擬退火算法的步驟
7．5 粒子群算法
7．5．1 粒子群算法簡介
7．5．2 粒子群算法的流程
7．6 案例分析
7．6．1 粒子群算法案例
7．6．2 爬山算法案例
7．6．3 遺傳算法案例
7．6．4 退火算法案例
第8章 集成學習
8．1 集成學習的基本術語
8．1．1 集成學習的相關概念
8．1．2 集成學習的分類
8．2 Boosting算法
8．3 AdaBoost算法
8．4 Bagging算法
8．5 隨機森林
8．6 結合策略
8．7 集成學習案例
8．7．1 隨機森林案例
8．7．2 AdaBoost案例
第9章 強化學習
9．1 強化學習概述
9．1．1 強化學習的定義
9．1．2 強化學習的特點
9．2 K-搖臂賭博機模型
9．2．1 K-搖臂賭博機簡介
9．2．2 ?-貪心算法
9．2．3 Softmax算法
9．3 策略迭代原理
9．3．1 馬爾可夫決策過程
9．3．2 價值函數(shù)
9．3．3 策略迭代法
9．4 蒙特卡羅強化學習
9．4．1 蒙特卡羅方法的基本思想
9．4．2 強化學習中的蒙特卡羅方法
9．4．3 蒙特卡羅策略估計
……
第10章 人工神經(jīng)網(wǎng)絡
展開全部
書友推薦
- >
我從未如此眷戀人間
- >
苦雨齋序跋文-周作人自編集
- >
李白與唐代文化
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
推拿
- >
龍榆生：詞曲概論/大家小書
- >
巴金－再思錄
- >
我與地壇
本類暢銷
