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
Python機器學習實踐 版權信息
- ISBN：9787302612605
- 條形碼：9787302612605 ; 978-7-302-61260-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習實踐 本書特色
本書理論與實踐并重，通過數學公式推導過程揭示算法背后的數學原理，從貼近生活的案例驗證算法的有效性。 本書講解經典的機器學習算法，每個算法除了數學公式推導，還利用Python中基本的列表、數組和調用機器學習常用工具包兩種方式給出算法實現。 本書以西瓜分類、是否相親、垃圾郵件分類等貼近生活的實例分析每個算法的思想、推導過程、實現及應用，內容講解通俗易懂，每個算法有完整實現。 本書案例豐富，每一章的算法均提供了相應的案例以驗證算法分類、聚類或回歸的效果，*后以垃圾郵件分類、手寫數字識別、零售商品銷售分析預測、個性化推薦為例講解如何將生活中的具體問題抽象成機器學習中的分類、回歸問題進行解決，并理解、掌握機器學習處理問題的方法、步驟。
Python機器學習實踐 內容簡介
本書介紹機器學習經典算法的原理、實現及應用，并通過綜合案例講解如何將實際問題轉換為機器學習能處理的問題進行求解。本書配套源碼、PPT課件、習題答案、開發環境與QQ群答疑。 本書共分14章。內容包括k近鄰算法、樸素貝葉斯、聚類、EM算法、支持向量機、決策樹、線性回歸、邏輯回歸、BP神經網絡經典算法，以及垃圾郵件分類、手寫數字識別、零售商品銷售量分析與預測、個性化推薦等綜合案例。本書算法首先給出了數學原理及公式推導過程，然后給出算法實現，*后所有算法及案例均以Python實現，方便讀者在動手編程中理解機器學習的經典算法。 本書適合Python機器學習初學者、機器學習開發人員和研究人員使用，也可作為高等院校計算機、軟件工程、大數據、人工智能等相關專業的本科生、研究生學習人工智能、機器學習的教材。
Python機器學習實踐 目錄
第1章 機器學習基礎 1
1.1 機器學習概述 1
1.1.1 什么是機器學習 1
1.1.2 機器學習發展史 3
1.1.3 機器學習、人工智能、深度學習的關系 5
1.2 機器學習相關概念 6
1.3 機器學習的任務 8
1.3.1 監督學習 8
1.3.2 無監督學習 8
1.3.3 半監督學習 9
1.4 機器學習的一般步驟 9
1.5 機器學習Python基礎 10
1.5.1 Python開發環境 10
1.5.2 Python基本語法 11
1.5.3 Python列表、元組、字典、集合 13
1.6 本章小結 18
1.7 習題 18
第2章 k近鄰算法 19
2.1 k近鄰算法原理 19
2.1.1 非參數估計與參數估計 20
2.1.2 非參數估計的一般推導 22
2.2 基于k近鄰算法的實現 23
2.2.1 利用直方圖估計概率密度、分類 23
2.2.2 利用Parzen矩形窗估計概率密度、分類 28
2.2.3 利用Parzen正態核估計概率密度、分類 29
2.3 k近鄰算法應用─鳶尾花的分類 31
2.4 本章小結 35
2.5 習題 35
第3章 貝葉斯分類器 37
3.1 貝葉斯定理相關概念 37
3.1.1 先驗概率、條件概率、后驗概率與類條件概率 37
3.1.2 貝葉斯決策理論 38
3.1.3 極大似然估計 39
3.2 樸素貝葉斯分類器 42
3.2.1 手工設計貝葉斯分類器 43
3.2.2 貝葉斯分類器的實現 44
3.2.3 平滑方法 46
3.3 樸素貝葉斯分類算法實現─三文魚和鱸魚的分類 48
3.3.1 算法實現 48
3.3.2 調用系統函數實現 55
3.4 正態貝葉斯分類器 56
3.5 本章小結 57
3.6 習題 57
第4章 聚類 59
4.1 聚類算法簡介 59
4.1.1 聚類算法分類 59
4.1.2 距離度量方法 60
4.2 K-means聚類 62
4.3 基于密度的聚類─DBSCAN聚類 68
4.3.1 DBSCAN算法原理及相關概念 68
4.3.2 DBSCAN聚類算法 69
4.4 基于層次的聚類─AGNES聚類 72
4.4.1 AGNES聚類算法思想 72
4.4.2 AGNES算法實現 74
4.5 聚類應用舉例 76
4.6 各種聚類算法的比較 79
4.7 本章小結 80
4.8 習題 80
第5章 EM算法 82
5.1 EM算法原理及推導過程 82
5.1.1 EM算法思想 82
5.1.2 EM算法推導過程 83
5.2 高斯混合聚類 85
5.2.1 概率密度函數 85
5.2.2 高斯混合聚類算法推導過程 86
5.2.3 高斯混合聚類算法思想 87
5.2.4 高斯混合聚類應用舉例 88
5.3 服從0-1二項分布的EM算法 92
5.3.1 服從0-1二項分布的EM算法思想 93
5.3.2 服從0-1二項分布的EM算法過程模擬 94
5.3.3 服從0-1二項分布的EM算法實現 96
5.4 本章小結 98
5.5 習題 98
第6章 支持向量機 100
6.1 SVM簡介 100
6.1.1 線性可分與感知機 101
6.1.2 間隔*大化及線性SVM 104
6.2 線性SVM算法實現 108
6.3 非線性SVM與核函數 111
6.3.1 線性不可分 111
6.3.2 對偶問題與核函數 111
6.3.3 非線性SVM算法實現 115
6.4 SVM回歸 118
6.5 SVM算法實現─鳶尾花的分類 120
6.5.1 sklearn中的SVC參數介紹 120
6.5.2 使用SVC對鳶尾花數據進行分類 121
6.6 本章小結 124
6.7 習題 125
第7章 決策樹 126
7.1 決策樹構造基本原理 126
7.2 決策樹構造過程 127
7.3 決策樹學習算法思想及實現 131
7.4 決策樹算法實現─泰坦尼克號幸存者預測 133
7.5 本章小結 139
7.6 習題 139
第8章 線性回歸 141
8.1 回歸分析概述 141
8.2 單變量線性回歸 142
8.2.1 梯度下降法求解線性回歸原理與實現 142
8.2.2 牛頓法求解線性回歸原理與實現 146
8.3 多變量回歸分析 150
8.3.1 多變量回歸分析原理 150
8.3.2 多變量線性回歸算法實現 151
8.4 多項式回歸分析 155
8.5 本章小結 157
8.6 習題 157
第9章 邏輯回歸 160
9.1 sigmoid函數與邏輯回歸模型 160
9.2 梯度下降與推導過程 161
9.3 參數學習向量化 163
9.4 邏輯回歸的Python實現─乳腺良性與惡性腫瘤的預測 164
9.5 評估方法 169
9.6 本章小結 173
9.7 習題 174
第10章 人工神經網絡 175
10.1 從感知機到多層感知機 175
10.2 神經網絡模型 178
10.3 BP神經網絡算法思想及實現 180
10.3.1 BP神經算法模型參數學習過程 180
10.3.2 BP神經網絡算法實現 183
10.4 BP神經網絡算法實現─鳶尾花分類 186
10.5 本章小結 193
10.6 習題 193
第11章 綜合案例分析：垃圾郵件分類 194
11.1 文本預處理 194
11.1.1 中文分詞 194
11.1.2 文本向量化 202
11.2 中文垃圾郵件分類算法及實現 204
11.3 本章小結 208
11.4 習題 209
第12章 綜合案例分析：手寫數字識別 210
12.1 圖像的存儲表示 210
12.2 數據預處理 213
12.2.1 將圖像轉換為文本 213
12.2.2 將矩陣轉換為向量 215
12.3 基于kNN的手寫數字識別 215
12.3.1 劃分訓練集和測試集 215
12.3.2 kNN分類模型 216
12.3.3 kNN分類模型評估 216
12.4 基于神經網絡的手寫數字識別 218
12.4.1 定義神經網絡模型 218
12.4.2 主函數 219
12.5 本章小結 220
12.6 習題 221
第13章 綜合案例分析：零售商品銷售額分析與預測 222
13.1 問題描述與分析 222
13.2 數據探索與預處理 223
13.2.1 數據探索 223
13.2.2 屬性特征的數值化 227
13.2.3 缺失值處理 228
13.3 特征選擇 231
13.4 建立回歸模型 232
13.4.1 線性回歸模型 232
13.4.2 嶺回歸模型 233
13.4.3 Lasso回歸模型 235
13.4.4 多項式回歸模型 236
13.4.5 隨機森林回歸模型 237
13.5 超參數選擇 239
13.6 本章小結 240
13.7 習題 241
第14章 綜合案例分析：基于協同過濾的推薦系統 242
14.1 推薦系統簡介 242
14.1.1 信息檢索與推薦系統 242
14.1.2 推薦系統的前世今生 243
14.1.3 推薦系統的原理與分類 244
14.1.4 推薦系統的評估方法 245
14.2 基于*近鄰的協同過濾推薦算法原理與實現 247
14.2.1 基于近鄰用戶的協同過濾推薦 247
14.2.2 基于近鄰項目的協同過濾推薦 255
14.3 基于隱語義分析的推薦模型 260
14.4 基于標簽的推薦算法 266
14.5 本章小結 266
14.6 習題 267
參考文獻 268
展開全部
Python機器學習實踐 作者簡介
張建偉，鄭州輕工業大學教授，長期從事計算機網絡和程序設計技術的教育教學活動，經驗豐富。現擔任河南省“食品安全數據智能”重點實驗室主任、河南省“公共安全數據融合與智能服務”工程技術研究中心主任、河南省軟件工程重點學科負責人、河南省“軟件工程技術與服務”教學團隊負責人、國家創新創業孵化基地“星空眾創空間”負責人、河南省大眾創業導師、河南省計算機教育研究會理事、河南省計算機學會理事。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
回憶愛瑪儂
- >
朝聞道
- >
伊索寓言-世界文學名著典藏-全譯本
- >
巴金－再思錄
- >
經典常談
- >
我從未如此眷戀人間
- >
推拿
本類暢銷
