掃一掃
關注中圖網
官方微博
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高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能開發叢書--Scikit-learn機器學習詳解(下) 版權信息
- ISBN：9787122388889
- 條形碼：9787122388889 ; 978-7-122-38888-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能開發叢書--Scikit-learn機器學習詳解(下) 本書特色
適讀人群 ：適合機器學習和數據挖掘專業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教材。學習機器學習和數據挖掘，就必須學習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，形象化地把技術內容呈現給讀者，使讀者快速理解、掌握每個知識點，有效降低學習門檻。實為學習sckit-learn的非常合適的入門圖書。
人工智能開發叢書--Scikit-learn機器學習詳解(下) 內容簡介
本書主要內容包括普通*小二乘法回歸、嶺回歸、Lasso回歸、彈性網絡回歸、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、神經網絡模型、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、決策樹分類和神經網絡分類、無監督學習、半監督學習等。全書結合具體實例和圖表詳細講解，語言通俗，易于學習，適合機器學習和數據挖掘專業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教材。
人工智能開發叢書--Scikit-learn機器學習詳解(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 樣本權重系數的理解 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Lasso回歸 50
2.3.5 *小角Lasso回歸 61
2.4 彈性網絡回歸 71
2.4.1 彈性網絡回歸評估器 71
2.4.2 交叉驗證彈性網絡回歸評估器 76
2.4.3 多任務彈性網絡回歸評估器 81
2.4.4 交叉驗證多任務彈性網絡回歸評估器 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 神經網絡模型 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 神經網絡分類 259
7 無監督學習及模型 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 譜聯合聚類 283
7.2.2 譜雙聚類 286
8 半監督學習及模型 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 樣本權重系數的理解 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Lasso回歸 50
2.3.5 *小角Lasso回歸 61
2.4 彈性網絡回歸 71
2.4.1 彈性網絡回歸評估器 71
2.4.2 交叉驗證彈性網絡回歸評估器 76
2.4.3 多任務彈性網絡回歸評估器 81
2.4.4 交叉驗證多任務彈性網絡回歸評估器 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 神經網絡模型 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 神經網絡分類 259
7 無監督學習及模型 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 譜聯合聚類 283
7.2.2 譜雙聚類 286
8 半監督學習及模型 287
8.1 標簽傳播算法 289
8.2 標簽蔓延算法 291
8.3 自訓練分類器 292
展開全部
人工智能開發叢書--Scikit-learn機器學習詳解(下) 作者簡介
潘風文， 1969年生人，北京大學計算機專業博士，曾任職華為公司，專注大數據、數據挖掘、機器學習領域二十余年，曾成功主持過多項商業智能BI項目，涉及電商平臺、搜索引擎、企業征信、用戶畫像、移動支付、銀行金融等領域，具有非常豐富的項目開發經驗。
書友推薦
- >
羅庸西南聯大授課錄
- >
史學評論
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
有舍有得是人生
- >
羅曼·羅蘭讀書隨筆-精裝
- >
詩經-先民的歌唱
- >
姑媽的寶刀
本類暢銷
