掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 人工智能開發(fā)叢書--Scikit-learn機器學(xué)習(xí)詳解(下)
作者：潘風(fēng)文
開本：
16開
頁數(shù)：
296
本類榜單：計算機/網(wǎng)絡(luò)銷量榜
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
人工智能開發(fā)叢書--Scikit-learn機器學(xué)習(xí)詳解(下) 版權(quán)信息
- ISBN：9787122388889
- 條形碼：9787122388889 ; 978-7-122-38888-9
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
人工智能開發(fā)叢書--Scikit-learn機器學(xué)習(xí)詳解(下) 本書特色
適讀人群 ：適合機器學(xué)習(xí)和數(shù)據(jù)挖掘?qū)I(yè)人員和人工智能愛好者閱讀，也可作為高等院校人工智能專業(yè)教材。學(xué)習(xí)機器學(xué)習(xí)和數(shù)據(jù)挖掘，就必須學(xué)習(xí)sckit-learn。本書對每種算法給出了具體的實例，由淺入深、循序漸進，敘述淺顯易懂，并配以大量的圖片和代碼，形象化地把技術(shù)內(nèi)容呈現(xiàn)給讀者，使讀者快速理解、掌握每個知識點，有效降低學(xué)習(xí)門檻。實為學(xué)習(xí)sckit-learn的非常合適的入門圖書。
人工智能開發(fā)叢書--Scikit-learn機器學(xué)習(xí)詳解(下) 內(nèi)容簡介
本書主要內(nèi)容包括普通*小二乘法回歸、嶺回歸、Lasso回歸、彈性網(wǎng)絡(luò)回歸、正交匹配追蹤回歸、貝葉斯回歸、廣義線性回歸、隨機梯度下降回歸、被動攻擊回歸、魯棒回歸、多項式回歸、支持向量機回歸、核嶺回歸、*近鄰回歸、高斯過程回歸、決策樹、神經(jīng)網(wǎng)絡(luò)模型、保序回歸、嶺分類、邏輯回歸分類、隨機梯度下降分類、感知機、被動攻擊分類、支持向量機分類、*近鄰分類、高斯過程分類、樸素貝葉斯模型、決策樹分類和神經(jīng)網(wǎng)絡(luò)分類、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)等。全書結(jié)合具體實例和圖表詳細講解，語言通俗，易于學(xué)習(xí)，適合機器學(xué)習(xí)和數(shù)據(jù)挖掘?qū)I(yè)人員和人工智能愛好者閱讀，也可作為高等院校人工智能專業(yè)教材。
人工智能開發(fā)叢書--Scikit-learn機器學(xué)習(xí)詳解(下) 目錄
緒論 1
1 回歸模型 6
1.1 回歸算法分類 9
1.1.1 一般線性回歸 9
1.1.2 廣義線性回歸 10
1.1.3 非線性回歸 14
1.2 回歸模型的度量指標 14
1.3 樣本權(quán)重系數(shù)的理解 17
2 線性回歸模型 18
2.1 普通*小二乘法 19
2.2 嶺回歸（L2正則化回歸） 24
2.2.1 嶺回歸評估器 24
2.2.2 嶺跡曲線 29
2.2.3 交叉驗證嶺回歸評估器 31
2.3 Lasso回歸（L1正則化回歸） 36
2.3.1 Lasso回歸評估器 37
2.3.2 Lasso路徑 42
2.3.3 交叉驗證Lasso回歸評估器 44
2.3.4 多任務(wù)Lasso回歸 50
2.3.5 *小角Lasso回歸 61
2.4 彈性網(wǎng)絡(luò)回歸 71
2.4.1 彈性網(wǎng)絡(luò)回歸評估器 71
2.4.2 交叉驗證彈性網(wǎng)絡(luò)回歸評估器 76
2.4.3 多任務(wù)彈性網(wǎng)絡(luò)回歸評估器 81
2.4.4 交叉驗證多任務(wù)彈性網(wǎng)絡(luò)回歸評估器 84
2.5 正交匹配追蹤回歸 86
2.6 貝葉斯線性回歸 92
2.7 廣義線性回歸 96
2.8 隨機梯度下降回歸 100
2.9 被動攻擊回歸 108
2.10 魯棒回歸 114
2.10.1 隨機抽樣一致性回歸 114
2.10.2 泰爾-森回歸 119
2.10.3 胡貝爾回歸 123
2.11 多項式回歸 127
3 非線性回歸模型 132
3.1 支持向量機回歸 133
3.2 核嶺回歸 145
3.3 *近鄰回歸 147
3.3.1 算法簡介 149
3.3.2 距離度量指標 151
3.3.3 *近鄰回歸評估器 154
3.4 高斯過程回歸 159
3.5 決策樹 167
3.5.1 決策樹模型算法簡介 168
3.5.2 決策樹回歸評估器 185
3.6 神經(jīng)網(wǎng)絡(luò)模型 191
3.7 保序回歸 199
4 分類模型 203
4.1 廣義線性回歸分類與非線性分類模型 204
4.2 分類模型的度量指標 209
5 線性分類模型 210
5.1 嶺分類 211
5.2 邏輯回歸分類 214
5.3 隨機梯度下降分類 219
5.4 感知機 222
5.5 被動攻擊分類 226
6 非線性分類模型 231
6.1 支持向量機分類 232
6.1.1 支持向量分類評估器SVC 232
6.1.2 支持向量分類評估器NuSVC 234
6.1.3 支持向量分類評估器LinearSVC 234
6.2 *近鄰分類 237
6.2.1 K*近鄰分類評估器KNeighborsClassifier 237
6.2.2 徑向基*近鄰分類評估器 240
6.3 高斯過程分類 241
6.4 樸素貝葉斯模型 244
6.4.1 樸素貝葉斯算法 246
6.4.2 樸素貝葉斯分類 250
6.5 決策樹分類 255
6.6 神經(jīng)網(wǎng)絡(luò)分類 259
7 無監(jiān)督學(xué)習(xí)及模型 263
7.1 聚類 264
7.1.1 聚類算法簡介 267
7.1.2 聚類模型 270
7.2 雙聚類 282
7.2.1 譜聯(lián)合聚類 283
7.2.2 譜雙聚類 286
8 半監(jiān)督學(xué)習(xí)及模型 287
8.1 標簽傳播算法 289
8.2 標簽蔓延算法 291
8.3 自訓(xùn)練分類器 292
1 回歸模型 6
1.1 回歸算法分類 9
1.1.1 一般線性回歸 9
1.1.2 廣義線性回歸 10
1.1.3 非線性回歸 14
1.2 回歸模型的度量指標 14
1.3 樣本權(quán)重系數(shù)的理解 17
2 線性回歸模型 18
2.1 普通*小二乘法 19
2.2 嶺回歸（L2正則化回歸） 24
2.2.1 嶺回歸評估器 24
2.2.2 嶺跡曲線 29
2.2.3 交叉驗證嶺回歸評估器 31
2.3 Lasso回歸（L1正則化回歸） 36
2.3.1 Lasso回歸評估器 37
2.3.2 Lasso路徑 42
2.3.3 交叉驗證Lasso回歸評估器 44
2.3.4 多任務(wù)Lasso回歸 50
2.3.5 *小角Lasso回歸 61
2.4 彈性網(wǎng)絡(luò)回歸 71
2.4.1 彈性網(wǎng)絡(luò)回歸評估器 71
2.4.2 交叉驗證彈性網(wǎng)絡(luò)回歸評估器 76
2.4.3 多任務(wù)彈性網(wǎng)絡(luò)回歸評估器 81
2.4.4 交叉驗證多任務(wù)彈性網(wǎng)絡(luò)回歸評估器 84
2.5 正交匹配追蹤回歸 86
2.6 貝葉斯線性回歸 92
2.7 廣義線性回歸 96
2.8 隨機梯度下降回歸 100
2.9 被動攻擊回歸 108
2.10 魯棒回歸 114
2.10.1 隨機抽樣一致性回歸 114
2.10.2 泰爾-森回歸 119
2.10.3 胡貝爾回歸 123
2.11 多項式回歸 127
3 非線性回歸模型 132
3.1 支持向量機回歸 133
3.2 核嶺回歸 145
3.3 *近鄰回歸 147
3.3.1 算法簡介 149
3.3.2 距離度量指標 151
3.3.3 *近鄰回歸評估器 154
3.4 高斯過程回歸 159
3.5 決策樹 167
3.5.1 決策樹模型算法簡介 168
3.5.2 決策樹回歸評估器 185
3.6 神經(jīng)網(wǎng)絡(luò)模型 191
3.7 保序回歸 199
4 分類模型 203
4.1 廣義線性回歸分類與非線性分類模型 204
4.2 分類模型的度量指標 209
5 線性分類模型 210
5.1 嶺分類 211
5.2 邏輯回歸分類 214
5.3 隨機梯度下降分類 219
5.4 感知機 222
5.5 被動攻擊分類 226
6 非線性分類模型 231
6.1 支持向量機分類 232
6.1.1 支持向量分類評估器SVC 232
6.1.2 支持向量分類評估器NuSVC 234
6.1.3 支持向量分類評估器LinearSVC 234
6.2 *近鄰分類 237
6.2.1 K*近鄰分類評估器KNeighborsClassifier 237
6.2.2 徑向基*近鄰分類評估器 240
6.3 高斯過程分類 241
6.4 樸素貝葉斯模型 244
6.4.1 樸素貝葉斯算法 246
6.4.2 樸素貝葉斯分類 250
6.5 決策樹分類 255
6.6 神經(jīng)網(wǎng)絡(luò)分類 259
7 無監(jiān)督學(xué)習(xí)及模型 263
7.1 聚類 264
7.1.1 聚類算法簡介 267
7.1.2 聚類模型 270
7.2 雙聚類 282
7.2.1 譜聯(lián)合聚類 283
7.2.2 譜雙聚類 286
8 半監(jiān)督學(xué)習(xí)及模型 287
8.1 標簽傳播算法 289
8.2 標簽蔓延算法 291
8.3 自訓(xùn)練分類器 292
展開全部
人工智能開發(fā)叢書--Scikit-learn機器學(xué)習(xí)詳解(下) 作者簡介
潘風(fēng)文， 1969年生人，北京大學(xué)計算機專業(yè)博士，曾任職華為公司，專注大數(shù)據(jù)、數(shù)據(jù)挖掘、機器學(xué)習(xí)領(lǐng)域二十余年，曾成功主持過多項商業(yè)智能BI項目，涉及電商平臺、搜索引擎、企業(yè)征信、用戶畫像、移動支付、銀行金融等領(lǐng)域，具有非常豐富的項目開發(fā)經(jīng)驗。
書友推薦
- >
隨園食單
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
苦雨齋序跋文-周作人自編集
- >
詩經(jīng)-先民的歌唱
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
上帝之肋:男人的真實旅程
- >
我從未如此眷戀人間
- >
山海經(jīng)
本類暢銷
