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
機器學習案例驅動教程 版權信息
- ISBN：9787121411038
- 條形碼：9787121411038 ; 978-7-121-41103-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習案例驅動教程 本書特色
本書緊密結合初學者的學習習慣和認知規律，改進了傳統的教學組織模式，在不涉及大量數學模型和復雜編程知識的前提下，引入了6個案例配對機器學習的6個任務，每個案例都遵循案例描述及實現→案例詳解及示例→支撐技術/支撐知識的組織結構。案例實現給出了具體步驟和代碼實現，讓讀者在學習相關理論之前就能夠了解到機器學習的實戰開發，調動讀者學習的積極性；案例詳解構建了開發和理論之間的橋梁，通過對一些開發示例的展示，引導讀者進一步認識機器學習庫的使用；支撐技術/支撐知識介紹了案例開發用到的基礎原理和少量深層次知識點，引導讀者后續系統地深入學習機器學習理論。 機器學習是人工智能的一個重要分支與核心研究內容，是目前實現人工智能的一條重要途徑。機器學習的研究工作發展很快，其應用已遍及人工智能的各個領域，如數據挖掘、計算機視覺、自然語言處理、智能機器人等，也涌現出了很多機器學習庫，幫助開發者搭建一個機器學習模型。本書以Python語言中專門針對機器學習應用而發展起來的Scikit-learn(0.22.2)庫為基礎，結合機器學習前輩們的經驗，用6個真實數據的案例引入數據分析、分類、回歸、聚類、特征降維和異常檢測6個任務，幫助讀者以*快的速度掌握機器學習開發的實戰技能。
機器學習案例驅動教程 內容簡介
本書在不涉及大量數學模型與復雜算法實現的前提下，從機器學習概述開始，由“泰坦尼克號數據分析與預處理”“良/惡性乳腺癌腫瘤預測”“波士頓房價預測”“手寫體數字聚類”“人臉特征降維”“在線旅行社酒店價格異常檢測”6個案例分別引入數據分析、分類、回歸、聚類、特征降維和異常檢測的應用開發實戰技術及其少量理論，能夠幫助讀者以很快的速度掌握使用Scikit-learn庫進行機器學習開發的實戰技能。書末是學習機器學習時可能用到的附錄。本書適合對機器學習感興趣的初學者、需要快速入門機器學習的高職相關專業學生，以及期望快速進入機器學習任務的研發工程技術人員。
機器學習案例驅動教程 目錄
緒論 1
0．1 機器學習綜述 1
0．1．1 機器學習的含義 1
0．1．2 機器學習的應用場景 1
0．1．3 機器學習類型 3
0．1．4 相關術語 5
0．1．5 人工智能、機器學習與深度學習 6
0．2 開發環境搭建 8
0．2．1 Windows系統環境 8
0．2．2 Ubuntu系統環境 17
0．3 Python編程基礎 17
0．3．1 Python簡介 17
0．3．2 Python基本語法 18
0．3．3 Python數據類型 19
0．3．4 Python常用語句 28
0．3．5 Python函數（模塊）設計 33
0．3．6 Python編程庫（包）的導入 38
案例1 泰坦尼克號數據分析與預處理 39
1．1 案例描述及實現 39
1．2 案例詳解及示例 43
1．3 支撐技術 45
1．3．1 Numpy 45
1．3．2 Matplotlib 52
1．3．3 Pandas 61
1．3．4 Scikit-learn 64
案例2 良/惡性乳腺癌腫瘤預測 66
2．1 案例描述及實現 66
2．2 案例詳解及示例 69
2．2．1 數據預處理 69
2．2．2 linear_model 71
2．2．3 KNeighborsClassifier 74
2．2．4 SVM 76
2．2．5 naive_bayes 80
2．2．6 DecisionTreeClassifier 82
2．2．7 ensemble 85
2．2．8 classification_report 87
2．3 支撐知識 88
2．3．1 分類任務簡介 88
2．3．2 線性模型 88
2．3．3 K近鄰分類 90
2．3．4 支持向量機 91
2．3．5 樸素貝葉斯 93
2．3．6 決策樹 95
2．3．7 集成模型 96
2．3．8 神經網絡 97
案例3 波士頓房價預測 98
3．1 案例描述及實現 98
3．2 案例詳解及示例 102
3．2．1 數據預處理 102
3．2．2 linear_model 104
3．2．3 KNeighborsRegressor 108
3．2．4 SVR 110
3．2．5 DecisionTreeRegressor 111
3．2．6 ensemble 113
3．3 支撐知識 119
3．3．1 回歸任務簡介 119
3．3．2 線性回歸 120
3．3．3 K近鄰回歸 121
3．3．4 支持向量機回歸 122
3．3．5 決策樹回歸 122
3．3．6 集成模型回歸 124
案例4 手寫體數字聚類 125
4．1 案例描述及實現 125
4．1．1 案例簡介 125
4．1．2 數據介紹 125
4．1．3 案例實現 126
4．2 案例詳解及示例 129
4．2．1 load_digits 129
4．2．2 AgglomerativeClustering 130
4．2．3 KMeans 131
4．2．4 MeanShift 133
4．2．5 DBSCAN 134
4．2．6 AffinityPropagation 136
4．2．7 v_measure_score 137
4．3 支撐知識 140
4．3．1 聚類任務簡介 140
4．3．2 層次聚類 140
4．3．3 K均值聚類 141
4．3．4 均值漂移聚類 143
4．3．5 密度聚類 143
4．3．6 近鄰傳播聚類 144
案例5 人臉特征降維 145
5．1 案例描述 145
5．1．1 案例簡介 145
5．1．2 數據介紹 145
5．1．3 案例實現 145
5．2 案例詳解及示例 148
5．2．1 fetch_olivetti_faces 148
5．2．2 PCA 149
5．2．3 NMF 155
5．2．4 FastICA 156
5．2．5 FactorAnalysis 157
5．3 支撐知識及示例 158
5．3．1 特征降維簡介 158
5．3．2 主成分分析 158
5．3．3 非負矩陣分解 159
5．3．4 獨立成分分析 160
5．3．5 因子分析 161
案例6 在線旅行社酒店價格異常檢測 162
6．1 案例描述 162
6．1．1 案例簡介 162
6．1．2 數據介紹 162
6．1．3 案例實現 163
6．2 案例詳解及示例 168
6．2．1 導入數據 168
6．2．2 基于聚類的異常檢測 168
6．2．3 基于孤立森林的異常檢測 169
6．2．4 基于支持向量機的異常檢測 172
6．2．5 基于高斯分布的異常檢測 173
6．3 支撐知識 177
6．3．1 異常檢測簡介 177
6．3．2 基于聚類的異常檢測 177
6．3．3 基于孤立森林的異常檢測 177
6．3．4 基于支持向量機的異常檢測 179
6．3．5 基于高斯分布的異常檢測 179
附錄A VirtualBox虛擬機軟件與Linux的安裝和配置 180
附錄B Linux（Ubuntu 14．4）的基本命令與使用 203
附錄C GitHub代碼托管平臺 208
附錄D Docker技術與應用 212
附錄E 人工智能的數學基礎與工具 214
附錄F 公開數據集介紹與下載 225
附錄G 人工智能的網絡學習資源 230
附錄H 人工智能的技術圖譜 233
附錄I 人工智能技術應用就業崗位與技能需求 237
附錄J Sklearn常用模塊和函數 242
參考文獻 248
0．1 機器學習綜述 1
0．1．1 機器學習的含義 1
0．1．2 機器學習的應用場景 1
0．1．3 機器學習類型 3
0．1．4 相關術語 5
0．1．5 人工智能、機器學習與深度學習 6
0．2 開發環境搭建 8
0．2．1 Windows系統環境 8
0．2．2 Ubuntu系統環境 17
0．3 Python編程基礎 17
0．3．1 Python簡介 17
0．3．2 Python基本語法 18
0．3．3 Python數據類型 19
0．3．4 Python常用語句 28
0．3．5 Python函數（模塊）設計 33
0．3．6 Python編程庫（包）的導入 38
案例1 泰坦尼克號數據分析與預處理 39
1．1 案例描述及實現 39
1．2 案例詳解及示例 43
1．3 支撐技術 45
1．3．1 Numpy 45
1．3．2 Matplotlib 52
1．3．3 Pandas 61
1．3．4 Scikit-learn 64
案例2 良/惡性乳腺癌腫瘤預測 66
2．1 案例描述及實現 66
2．2 案例詳解及示例 69
2．2．1 數據預處理 69
2．2．2 linear_model 71
2．2．3 KNeighborsClassifier 74
2．2．4 SVM 76
2．2．5 naive_bayes 80
2．2．6 DecisionTreeClassifier 82
2．2．7 ensemble 85
2．2．8 classification_report 87
2．3 支撐知識 88
2．3．1 分類任務簡介 88
2．3．2 線性模型 88
2．3．3 K近鄰分類 90
2．3．4 支持向量機 91
2．3．5 樸素貝葉斯 93
2．3．6 決策樹 95
2．3．7 集成模型 96
2．3．8 神經網絡 97
案例3 波士頓房價預測 98
3．1 案例描述及實現 98
3．2 案例詳解及示例 102
3．2．1 數據預處理 102
3．2．2 linear_model 104
3．2．3 KNeighborsRegressor 108
3．2．4 SVR 110
3．2．5 DecisionTreeRegressor 111
3．2．6 ensemble 113
3．3 支撐知識 119
3．3．1 回歸任務簡介 119
3．3．2 線性回歸 120
3．3．3 K近鄰回歸 121
3．3．4 支持向量機回歸 122
3．3．5 決策樹回歸 122
3．3．6 集成模型回歸 124
案例4 手寫體數字聚類 125
4．1 案例描述及實現 125
4．1．1 案例簡介 125
4．1．2 數據介紹 125
4．1．3 案例實現 126
4．2 案例詳解及示例 129
4．2．1 load_digits 129
4．2．2 AgglomerativeClustering 130
4．2．3 KMeans 131
4．2．4 MeanShift 133
4．2．5 DBSCAN 134
4．2．6 AffinityPropagation 136
4．2．7 v_measure_score 137
4．3 支撐知識 140
4．3．1 聚類任務簡介 140
4．3．2 層次聚類 140
4．3．3 K均值聚類 141
4．3．4 均值漂移聚類 143
4．3．5 密度聚類 143
4．3．6 近鄰傳播聚類 144
案例5 人臉特征降維 145
5．1 案例描述 145
5．1．1 案例簡介 145
5．1．2 數據介紹 145
5．1．3 案例實現 145
5．2 案例詳解及示例 148
5．2．1 fetch_olivetti_faces 148
5．2．2 PCA 149
5．2．3 NMF 155
5．2．4 FastICA 156
5．2．5 FactorAnalysis 157
5．3 支撐知識及示例 158
5．3．1 特征降維簡介 158
5．3．2 主成分分析 158
5．3．3 非負矩陣分解 159
5．3．4 獨立成分分析 160
5．3．5 因子分析 161
案例6 在線旅行社酒店價格異常檢測 162
6．1 案例描述 162
6．1．1 案例簡介 162
6．1．2 數據介紹 162
6．1．3 案例實現 163
6．2 案例詳解及示例 168
6．2．1 導入數據 168
6．2．2 基于聚類的異常檢測 168
6．2．3 基于孤立森林的異常檢測 169
6．2．4 基于支持向量機的異常檢測 172
6．2．5 基于高斯分布的異常檢測 173
6．3 支撐知識 177
6．3．1 異常檢測簡介 177
6．3．2 基于聚類的異常檢測 177
6．3．3 基于孤立森林的異常檢測 177
6．3．4 基于支持向量機的異常檢測 179
6．3．5 基于高斯分布的異常檢測 179
附錄A VirtualBox虛擬機軟件與Linux的安裝和配置 180
附錄B Linux（Ubuntu 14．4）的基本命令與使用 203
附錄C GitHub代碼托管平臺 208
附錄D Docker技術與應用 212
附錄E 人工智能的數學基礎與工具 214
附錄F 公開數據集介紹與下載 225
附錄G 人工智能的網絡學習資源 230
附錄H 人工智能的技術圖譜 233
附錄I 人工智能技術應用就業崗位與技能需求 237
附錄J Sklearn常用模塊和函數 242
參考文獻 248
展開全部
機器學習案例驅動教程 作者簡介
張霞，南京航空航天大學博士，現任南京信息職業技術學院人工智能學院人工智能技術服務教研室主任，2019年江蘇省高校青藍工程優秀青年骨干教師培養對象，江蘇省人工智能學會人工智能教育專業委員會委員，主要研究人工智能技術服務及信息職業教育。發表SCI論文2篇，EI論文1篇，中文核心論文2篇，主持中國電子教育學會課題1項獲一等獎，主持橫向課題2項，主持校社科課題1項，參與橫向課題3項，參與國家骨干院校重點建設專業等。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
名家帶你讀魯迅:故事新編
- >
姑媽的寶刀
- >
上帝之肋:男人的真實旅程
- >
詩經-先民的歌唱
- >
自卑與超越
- >
史學評論
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
