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
走進人工智能——機器學習原理解析與應用 版權信息
- ISBN：9787302606963
- 條形碼：9787302606963 ; 978-7-302-60696-3
- 裝幀：80g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
走進人工智能——機器學習原理解析與應用 本書特色
本書從機器學習經典算法原理解析和應用闡釋人工智能，表述通俗易懂，案例極具代表性和針對性，分18章來詳細介紹機器學習中諸如：K近鄰、決策樹，隨機森林、支持向量機，神經網絡等18個*經典的算法。每個算法都通過“原理解析”+“問題實例”+“實例源碼”的形式來講解與展現。算法中所涉及到的數學公式、符號都以知識窗的形式一一講解，節省了讀者臨時去查閱相關數學書籍的時間。在本書中，設計了大量的問題實例，并采用當前*流行，*容易上手的python語言來編寫每個實例代碼，以期讓每位讀者能盡快領略到機器學習的精妙之處，體會算法之美。 基礎教育領域一線信息技術專家、名師傾心編寫。 讓人工智能既不是泛泛而談又不晦澀難懂，輕松完成小白到大神的進階。 機器學習原理解析+問題實例+程序源碼，深入淺出詳解經典算法，人人都能讀得懂，人人都能有收獲。
走進人工智能——機器學習原理解析與應用 內容簡介
當前，人工智能正在改變世界，人工智能已經上升至國家戰略高度，面對人工智能在教育界掀起的層層浪花，本書針對人工智能知識譜系龐雜的問題，聚集人工智能教育在階段性教育中出現的斷層現象，基于信息技術學科教育教學研究實踐，以機器學習K近鄰、決策樹、隨機森林、支持向量機、神經網絡等18個經典的算法原理解析和具體應用為切入點，以Python編程IDE為操作工具，通過理論闡釋、案例分析、編程實踐，帶領讀者撥開迷霧，明晰路徑，體驗機器學習算法的奇妙，領略人工智能科學的精妙，獲取人工智能“學什么、怎么學、怎么用”的方法。 本書內容包括概述、分類、回歸、聚類、關聯分析、數據預處理和人工神經網絡等內容。算法原理解析中所涉及的教學等晦澀內容都以知識窗的形式一一講解，表述通俗易懂；算法具體應用中的案例典型生動，編程代碼具體詳細，力求讓人工智能思想落地，直觀地展現于讀者面前。 本書主要面向基礎教育階段信息技術學科教師、高中學生以及計算機相關專業的大中專學生和對人工智能領域感興趣的大眾讀者，也可作為人工智能課程的學習材料。
走進人工智能——機器學習原理解析與應用 目錄
**部分 概 述
第1 章 人工智能基礎 2
1. 1 人工智能 2
1. 1. 1 人工智能的由來 2
1. 1. 2 人工智能學科 3
1. 2 機器學習 6
1. 2. 1 機器學習簡介 6
1. 2. 2 機器學習的類別 7
1. 2. 3 機器學習的應用 9
本章小結 10
第2 章 Python 環境搭建11
2. 1 軟件的下載與安裝 11
2. 1. 1 平臺一：海龜編輯器 11
2. 1. 2 平臺二： PyCharm 13
2. 2 必需庫功能簡介 20
2. 2. 1 numpy——基礎科學計算庫 20
2. 2. 2 SciPy——科學計算工具集 22
2. 2. 3 Pandas——數據分析利器 23
2. 2. 4 matplotlib——圖形繪制法寶 26
IV 走進人工智能——機器學習原理解析與應用
2. 2. 5 Sklearn——機器學習神器 28
本章小結 30
第二部分 分 類
第3 章 K 近鄰算法 33
3. 1 K 近鄰算法的原理 33
3. 2 K 近鄰算法的應用 37
3. 2. 1 K 近鄰算法的常用參數 37
3. 2. 2 應用案例一：小說分類 37
3. 2. 3 應用案例二：糖尿病診斷 39
3. 3 K 近鄰算法的特點 40
本章小結 41
第4 章 決策樹 42
4. 1 決策樹的原理 42
4. 1. 1 決策樹的分類過程 42
4. 1. 2 決策樹的具體組成 43
4. 1. 3 構建決策樹的相關概念 44
4. 2 決策樹的構建 47
4. 2. 1 建樹 47
4. 2. 2 剪枝 49
4. 3 決策樹的應用 50
4. 3. 1 環境補充搭建 50
4. 3. 2 決策樹的常用參數 50
4. 3. 3 應用案例：影院會員觀影喜好分析 51
4. 4 決策樹的特點 53
本章小結 53
第5 章 隨機森林 54
5. 1 隨機森林的原理 54
5. 1. 1 集成學習 54
5. 1. 2 隨機森林的分類過程 55
目錄V
5. 2 隨機森林的構建 57
5. 2. 1 訓練樣本隨機采樣 58
5. 2. 2 樣本特征隨機選擇 59
5. 3 隨機森林的應用 59
5. 3. 1 環境補充搭建 59
5. 3. 2 RandomForestClassifier 類 60
5. 3. 3 應用案例一：紅酒分類——決策樹與隨機森林分類器效果對比 60
5. 3. 4 應用案例二：影院會員觀影喜好分析 61
5. 4 隨機森林的特點 67
本章小結 68
第6 章 支持向量機 69
6. 1 支持向量機的邏輯原理 69
6. 2 支持向量機的數學原理解析 71
6. 2. 1 線性可分的情況 71
6. 2. 2 近似線性可分的情況 73
6. 2. 3 線性不可分的情況 74
6. 3 支持向量機中的核函數 76
6. 3. 1 支持向量機中常用核函數介紹 77
6. 3. 2 支持向量機中核函數的應用 78
6. 4 支持向量機的應用 80
6. 4. 1 SVM 類的常用參數 80
6. 4. 2 應用案例：情緒分類 80
本章小結 84
第7 章 貝葉斯算法 85
7. 1 貝葉斯算法的原理 85
7. 1. 1 貝葉斯公式 85
7. 1. 2 貝葉斯算法的原理（以樸素貝葉斯算法為例） 89
7. 1. 3 貝葉斯算法的類別 90
7. 2 貝葉斯算法的應用 91
7. 2. 1 調用方法 91
7. 2. 2 應用案例：識別毒蘑菇 91
VI 走進人工智能——機器學習原理解析與應用
7. 3 貝葉斯算法的特點 93
本章小結 94
第三部分 回 歸
第8 章 線性回歸 97
8. 1 一元線性回歸的原理 98
8. 2 一元線性回歸的應用 100
8. 2. 1 LinearRegression 類的常用參數 100
8. 2. 2 應用案例：房屋翻修成本預測 101
8. 3 多元線性回歸的原理 103
8. 4 多元線性回歸的應用 105
8. 5 線性回歸算法的特點 107
本章小結 108
第9 章 多項式回歸 109
9. 1 一元多項式回歸的原理 110
9. 2 一元多項式回歸的應用 114
9. 2. 1 PolynomialFeatures 類的常用參數 114
9. 2. 2 應用案例：紅酒價值預測 114
9. 3 多元多項式回歸的原理 117
9. 4 多元多項式回歸的應用 119
9. 5 多項式回歸的特點 120
本章小結 120
第10 章 LASSO 回歸與嶺回歸 122
10. 1 L1 范數正則化——LASSO 回歸 123
10. 1. 1 LASSO 回歸中的alpha 參數調節 125
10. 1. 2 LASSO 類的常用參數 125
10. 1. 3 應用案例：對糖尿病數據集進行擬合 126
10. 2 L2 范數正則化——嶺回歸 130
10. 2. 1 嶺回歸中的alpha 參數調節 131
10. 2. 2 Ridge 類的常用參數 132
目錄VII
10. 2. 3 應用案例：對糖尿病數據集進行擬合 132
10. 3 LASSO 回歸與嶺回歸的異同 137
10. 3. 1 LASSO 回歸與嶺回歸的共同點 137
10. 3. 2 LASSO 回歸與嶺回歸的區別 137
本章小結 137
第11 章 邏輯回歸 138
11. 1 邏輯回歸的原理 139
11. 2 邏輯回歸的應用 143
11. 2. 1 邏輯回歸算法的常用參數 143
11. 2. 2 應用案例：鳶尾花分類 144
11. 3 邏輯回歸實現多分類的原理 145
11. 3. 1 OVR/A（One Vs Rest/All） 146
11. 3. 2 OVO（One Vs One） 147
11. 4 多分類邏輯回歸的應用 148
11. 5 邏輯回歸的特點 150
本章小結 150
第12 章 模型評估與優化 152
12. 1 交叉驗證 152
12. 1. 1 K 折交叉驗證的原理 154
12. 1. 2 交叉驗證法的具體應用 155
12. 1. 3 留一交叉驗證法 157
12. 2 分類模型的可信度評估 158
12. 2. 1 混淆矩陣 159
12. 2. 2 分類系統的評價指標 160
12. 2. 3 應用案例：識別乳腺癌 162
12. 3 回歸模型的可信度評估 163
12. 3. 1 平均絕對誤差 164
12. 3. 2 均方誤差 164
12. 3. 3 均方根誤差 165
12. 3. 4 R2 166
12. 3. 5 應用案例：波士頓房價預測 166
12. 4 超參數調優 168
VIII 走進人工智能——機器學習原理解析與應用
12. 4. 1 簡單網格搜索來尋找超參數 168
12. 4. 2 與交叉驗證結合的網格搜索 170
本章小結 172
第四部分 聚 類
第13 章 物以類聚：K 均值聚類 175
13. 1 K 均值算法的原理 175
13. 1. 1 K 均值算法的基本思想 176
13. 1. 2 算法基本過程 177
13. 2 K 均值算法的應用 178
13. 2. 1 KMeans 類的常用參數 178
13. 2. 2 應用案例一：鳶尾花的聚類 179
13. 2. 3 應用案例二：甜西瓜的由來（一） 181
13. 3 K 均值算法的特點 184
本章小結 184
第14 章 DBSCAN 聚類 185
14. 1 DBSCAN 算法的原理 186
14. 1. 1 DBSCAN 算法的核心概念 186
14. 1. 2 DBSCAN 算法的基本過程 187
14. 2 DBSCAN 算法的應用 189
14. 2. 1 DBSCAN 類的常用參數 189
14. 2. 2 應用案例一：小濤的問題 190
14. 2. 3 應用案例二：甜西瓜的由來（二） 191
14. 3 DBSCAN 算法的特點 193
本章小結 193
第五部分 關 聯 分 析
第15 章 Apriori 算法 196
15. 1 Apriori 算法的原理 196
15. 1. 1 關聯分析中的相關概念 196
目錄IX
15. 1. 2 Apriori 算法的原理 197
15. 2 Apriori 算法的應用 201
15. 2. 1 Apriori 類的常用參數 201
15. 2. 2 應用案例一：貨架調整 201
15. 2. 3 應用案例二：餐廳菜品 203
15. 3 Apriori 算法的特點 206
本章小結 206
第六部分 數據預處理
第16 章 數據歸一與標準化 209
16. 1 數據歸一化與標準化的必要性 209
16. 2 數據歸一化 210
16. 2. 1 離差法過程 210
16. 2. 2 均值歸一化過程 211
16. 2. 3 數據歸一化的應用 211
16. 3 數據標準化 213
16. 3. 1 數據標準化過程 214
16. 3. 2 數據標準化的應用 214
16. 4 數據預處理實例 216
本章小結 219
第17 章 神奇的工具PCA 220
17. 1 PCA 算法的基本原理 221
17. 1. 1 PCA 的簡單理解 221
17. 1. 2 向量投影與內積 222
17. 1. 3 PCA——選擇*優的基 224
17. 1. 4 PCA 的基本過程 227
17. 2 PCA 算法的應用 229
17. 2. 1 PCA 類的常用參數 229
17. 2. 2 應用案例一：對鳶尾花進行PCA 降維 229
17. 3 PCA 算法的特點 231
本章小結 231
X 走進人工智能——機器學習原理解析與應用
第七部分 人工神經網絡
第18 章 自主學習—— MLP 算法 234
18. 1 人工神經網絡的發展簡史 234
18. 2 單層感知機 236
18. 3 多層感知機 240
18. 3. 1 MLP 的基本原理 240
18. 3. 2 MLP 前向傳播 242
18. 3. 3 MLP 后向傳播 245
18. 3. 4 梯度下降 248
18. 4 MLP 算法的應用 253
18. 4. 1 MLPClassifier 類的常用參數 253
18. 4. 2 應用案例一：一起去游樂場 254
18. 4. 3 應用案例二：圖片文字識別 256
18. 5 MLP 算法的特點 259
本章小結 259
展開全部
走進人工智能——機器學習原理解析與應用 作者簡介
寧可為，博士，碩士研究生導師，烏魯木齊市教育研究中心信息技術教研員、曾任烏魯木齊市信息技術名師工作室主持人。主要研究方向為：中小學信息技術教育、計算機支持的協作學習（CSCL）。近年來在國內核心期刊發表論文多篇，主持并參與省部級科研項目多項。精通C、C#、Java等多種高級程序設計語言，在軟件開發方面有豐富的產品開發經驗。
書友推薦
- >
月亮與六便士
- >
唐代進士錄
- >
二體千字文
- >
推拿
- >
經典常談
- >
我從未如此眷戀人間
- >
隨園食單
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
