中圖網小程序
一鍵登錄
更方便
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
機器學習原理及應用 版權信息
- ISBN：9787111682943
- 條形碼：9787111682943 ; 978-7-111-68294-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習原理及應用 本書特色
注重機器學習的實際應用，在理論介紹中穿插項目實例，以及8個綜合項目案例
機器學習原理及應用 內容簡介
《機器學習原理及應用》以機器學習及其算法為主題，詳細介紹其理論細節與應用方法。《機器學習原理及應用》共19章，分別介紹了機器學習概述、線性回歸與*大熵模型、k近鄰算法、決策樹模型、樸素貝葉斯分類器、支持向量機模型、集成學習、EM算法、降維算法、聚類算法、神經網絡模型等基礎模型或算法，以及8個綜合項目實例。《機器學習原理及應用》重視理論與實踐相結合，希望為讀者提供全面而細致的學習指導。《機器學習原理及應用》可作為高等院校計算機科學與技術、軟件工程等相關專業的教材，也適合機器學習初學者、相關行業從業人員閱讀。
機器學習原理及應用 目錄
前言
第1章機器學習概述
1.1機器學習的組成
1.2分類問題和回歸問題
1.3監督學習、半監督學習和
無監督學習
1.4生成模型和判別模型
1.5模型評估
1.5.1訓練誤差和泛化誤差
1.5.2過擬合和欠擬合
1.6正則化
1.7Scikitlearn模塊
1.7.1數據集
1.7.2模型選擇
1.8習題
第2章線性回歸及*大熵模型
2.1線性回歸
2.1.1一元線性回歸
2.1.2多元線性回歸
2.2廣義線性回歸
2.2.1邏輯回歸
2.2.2多分類邏輯回歸
2.2.3交叉熵損失函數
2.3*大熵模型
2.3.1*大熵模型的導出
2.3.2*大熵模型與邏輯回歸之間的
關系
2.4評價指標
2.4.1混淆矩陣
2.4.2準確率
2.4.3精確率與召回率
2.4.4PR曲線
2.4.5ROC曲線與AUC曲線
2.5實例：基于邏輯回歸實現乳腺癌
預測
2.6習題
第3章k近鄰算法
3.1k值的選取
3.2距離的度量
3.3快速檢索
3.4實例：基于k近鄰實現鳶尾花
分類
3.5習題
第4章決策樹模型
4.1特征選擇
4.1.1信息增益
4.1.2信息增益比
4.2決策樹生成算法CART
4.3決策樹剪枝
4.3.1預剪枝
4.3.2后剪枝
4.4實例：基于決策樹實現葡萄酒
分類
4.5習題
第5章樸素貝葉斯分類器
5.1極大似然估計
5.2樸素貝葉斯分類
5.3拉普拉斯平滑
5.4樸素貝葉斯分類器的極大似然
估計解釋
5.5實例：基于樸素貝葉斯實現垃圾
短信分類
5.6習題
第6章支持向量機模型
6.1*大間隔及超平面
6.2線性可分支持向量機
6.3合頁損失函數
6.4核技巧
6.5二分類問題與多分類問題
6.5.1一對一
6.5.2一對多
6.5.3多對多
6.6實例：基于支持向量機實現
葡萄酒分類
6.7習題
第7章集成學習
7.1偏差與方差
7.2Bagging及隨機森林
7.2.1Bagging
7.2.2隨機森林
7.3Boosting及AdaBoost
7.3.1Boosting
7.3.3AdaBoost
7.4提升樹
7.4.1殘差提升樹
7.4.2GBDT
7.4.3XGBoost
7.5Stacking
7.6實例：基于梯度下降樹實現
波士頓房價預測
7.7習題
第8章EM算法及其應用
8.1Jensen不等式
8.2EM算法
8.3高斯混合模型
8.4隱馬爾可夫模型
8.4.1計算觀測概率的輸出
8.4.2估計隱馬爾可夫模型的參數
8.4.3隱變量序列預測
8.5實例：基于高斯混合模型實現
鳶尾花分類
8.6習題
第9章降維算法
9.1主成分分析
9.1.1方差即協方差的無偏估計
9.1.2實例：基于主成分分析實現
鳶尾花數據降維
9.2奇異值分解
9.2.1奇異值分解的構造
9.2.2奇異值分解用于數據壓縮
9.2.3SVD與PCA的關系
9.2.4奇異值分解的幾何解釋
9.2.5實例：基于奇異值分解實現圖片
壓縮
9.3習題
第10章聚類算法
10.1距離度量
10.1.1閔可夫斯基距離
10.1.2余弦相似度
10.1.3馬氏距離
10.1.4漢明距離
10.2層次聚類
10.3KMeans聚類
10.4KMedoids聚類
10.5DBSCAN
10.6實例：基于KMeans實現
鳶尾花聚類
10.7習題
第11章神經網絡與深度學習
11.1神經元模型
11.2多層感知機
11.3損失函數
11.4反向傳播算法
11.4.1梯度下降法
11.4.2梯度消失及梯度爆炸
11.5卷積神經網絡
11.5.1卷積
11.5.2池化
11.5.3網絡架構
11.6循環神經網絡
11.7生成對抗網絡
11.8圖卷積神經網絡
11.9深度學習發展
11.10實例：基于卷積神經網絡
實現手寫數字識別
11.10.1MINST數據集
11.10.2基于卷積神經網絡的手寫
數字識別
11.11習題
第12章案例1：基于回歸問題、
XGBoost的房價預測
12.1XGBoost模型介紹
12.2技術方案
12.2.1數據分析
12.2.2XGBoost模型參數
12.2.3調參過程
12.3完整代碼及結果展示
第13章案例2：影評數據分析與
電影推薦
13.1明確目標與數據準備
13.2工具選擇
13.3初步分析
13.3.1用戶角度分析
13.3.2電影角度分析
13.4電影推薦
第14章案例3：汽車貸款違約的
數據分析
14.1數據分析常用的Python
工具庫
14.2數據樣本分析
14.2.1數據樣本概述
14.2.2變量類型分析
14.2.3Python代碼實踐
14.3數據分析的預處理
14.3.1目標變量探索
14.3.2X變量初步探索
14.3.3連續變量的缺失值處理
14.3.4分類變量的缺失值處理
14.4數據分析的模型建立與模型
評估
14.4.1數據的預處理與訓練集劃分
14.4.2采用回歸模型進行數據分析
14.4.3采用決策樹模型進行數據
分析
14.4.4采用隨機森林模型優化
決策樹模型
第15章案例4：基于KNN模型預測
葡萄酒種類的數據分析與
可視化
15.1KNN模型的初級構建
15.2使用專業工具包構建KNN
模型
15.3數據可視化
第16章案例5：使用Keras進行人
臉關鍵點檢測
16.1深度學習模型
16.1.1數據集獲取
16.1.2卷積神經網絡的搭建與訓練
16.2模型評價
16.3訓練歷史可視化
第17章案例6：股價預測
17.1使用tsfresh進行升維和特征
工程
17.2程序設計思路
17.3程序設計步驟
17.3.1讀入數據，分析數據
17.3.2移窗
17.3.3升維
17.3.4方差過濾
17.3.5使用Adaboost模型進行回歸
預測
17.3.6預測結果分析
第18章案例7：用戶流失預警
18.1讀入數據
18.2數據預處理
18.3五折交叉驗證
18.4代入三種模型
18.5調整prob閾值，輸出精度
評估
第19章案例8：機器人*優路徑
走迷宮
19.1關鍵技術
19.1.1馬爾科夫決策過程
19.1.2Bellman方程
19.2程序設計步驟
19.2.1初始化迷宮地圖
19.2.2計算不同位置*優路徑
參考文獻
展開全部
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
我從未如此眷戀人間
- >
二體千字文
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
巴金－再思錄
- >
苦雨齋序跋文-周作人自編集
- >
名家帶你讀魯迅:故事新編
- >
月亮與六便士
本類暢銷
