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、算法與Python實戰(微課視頻版) 版權信息
- ISBN：9787302616603
- 條形碼：9787302616603 ; 978-7-302-61660-3
- 裝幀：70g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習——原理、算法與Python實戰(微課視頻版) 本書特色
由機器學習驅動的人工智能領域在過去十年中經歷了一些驚人的變化。從一個純粹的學術和研究領域開始，已經跨越多個領域，進入多個行業。包括推薦系統、自動駕駛技術、圖像/語音/文本處理等技術正在多個領域廣泛應用，并取得了巨大的商業價值。機器學習是人工智能的組成部分，是人工智能的核心。 由于多個領域的廣泛應用，催生了巨大的人才需求，為此，近年來，各高校紛紛開設智能科學與技術專業，人工智能專業，數據科學與大數據專業。傳統的計算機科學與技術專業，軟件工程專業也開設人工智能方向。機器學習是其中重要的核心課程，學習和掌握機器學習技術具有巨大的社會需求。 目前很難選擇一部適合應用類高校學生特點的機器學習教材，在次背景下，我們選擇編寫以面向實際應用，以理論學習與案例應用并重的機器學習教材。
機器學習——原理、算法與Python實戰(微課視頻版) 內容簡介
本書以Python為開發語言，采用理論與實踐相結合的形式，系統全面地介紹了機器學習涉及的核心知識。本書共6章，其中第1章介紹機器學習的基礎知識，包括機器學習的概念、分類、研究范圍、開發環境等，介紹**個機器學習案例； 第2、3章介紹機器學習的主要方法： 監督學習與無監督學習，涉及目前機器學習*為流行的經典算法和模型，如KNN、樸素貝葉斯、決策樹、線性回歸、邏輯回歸、SVM、神經網絡、PCA降維、KMeans，每個算法模型都配有代碼及可視化演示，讓讀者能更直觀形象地理解機器學習； 第4章介紹機器學習非常重要的數據處理方法： 特征工程，特征工程能進一步提高機器學習算法的性能； 第5章介紹機器學習模型的評估與優化，通過評估判斷模型優劣，評估后利用優化方法使其達到生產需求； 第6章介紹機器學習的應用案例，讓讀者更直觀地感受機器學習在生產生活中的實際用途。 本書附有配套教學課件、源代碼、習題，供讀者實踐，旨在通過邊學邊練的方式，鞏固所學知識，提升開發能力。 本書可作為高等學校計算機相關專業的教材，也可作為機器學習工程技術人員的參考用書。
機器學習——原理、算法與Python實戰(微課視頻版) 目錄
隨書資源
第1章機器學習基礎
1.1機器學習
1.1.1什么是機器學習
1.1.2從數據中學習
1.1.3機器學習能夠解決的問題
1.2機器學習的分類
1.2.1學習方式
1.2.2算法的分類
1.3機器學習的范圍
1.4編程語言與開發環境
1.4.1選擇Python的原因
1.4.2安裝開發環境
1.4.3Scikitlearn
1.5**個機器學習應用： 鳶尾花分類
1.5.1特征數據與標簽數據
1.5.2訓練數據與測試數據
1.5.3構建機器學習模型
1.5.4預測與評估
1.6本章小結
習題
第2章監督學習
2.1監督學習概念與術語
2.1.1監督學習工作原理
2.1.2分類與回歸
2.1.3泛化
2.1.4欠擬合
2.1.5過擬合
2.1.6不收斂
2.2K近鄰算法
2.2.1K近鄰分類
2.2.2K近鄰回歸
2.3樸素貝葉斯
2.3.1貝葉斯定理
2.3.2樸素貝葉斯算法步驟
2.3.3在Scikitlearn中使用貝葉斯分類
2.4決策樹
2.4.1決策樹的基本思想
2.4.2決策樹學習算法
2.4.3構造決策樹
2.4.4決策樹的優化與可視化
2.4.5決策樹回歸
2.5線性模型
2.5.1線性回歸
2.5.2嶺回歸與Lasso回歸
2.5.3多項式回歸
2.5.4線性分類模型
2.6邏輯回歸
2.6.1邏輯回歸模型介紹
2.6.2邏輯回歸算法實現
2.7支持向量機
2.7.1支持向量
2.7.2線性SVM分類
2.7.3核技巧
2.7.4SVM回歸
2.7.5Scikitlearn SVM參數
2.8集成學習方法
2.8.1集成學習
2.8.2Bagging和Pasting
2.8.3隨機森林
2.8.4提升法
2.9人工神經網絡
2.9.1從生物神經元到人工神經元
2.9.2感知器學習
2.9.3神經網絡的訓練過程
2.9.4神經網絡應用案例
2.10分類器的不確定度估計
2.10.1決策函數
2.10.2預測概率
2.11本章小結
習題
第3章無監督學習與數據預處理
3.1無監督學習
3.1.1無監督學習的類型
3.1.2無監督學習的挑戰
3.2數據預處理
3.2.1數據清洗
3.2.2數據變換
3.2.3數據集成
3.2.4數據規約
3.3降維
3.3.1數據壓縮
3.3.2數據可視化
3.3.3降維的主要方法
3.3.4PCA
3.3.5利用PCA實現半導體制造數據降維
3.4聚類
3.4.1KMeans聚類
3.4.2均值偏移聚類
3.4.3DBSCAN
3.4.4高斯混合模型的期望*大化(EM)聚類
3.4.5層次聚類
3.5本章小結
習題
第4章特征工程
4.1特征理解
4.2特征增強
4.2.1EDA
4.2.2處理數據缺失
4.2.3標準化和歸一化
4.3特征構建
4.3.1特征構建的基礎操作
4.3.2特征構建的數值變量擴展
4.3.3文本變量處理
4.4特征選擇
4.4.1單變量特征選擇
4.4.2模型特征選擇
4.4.3迭代特征選擇
4.5特征轉換
4.5.1PCA
4.5.2LDA
4.6特征學習
4.6.1數據的參數假設
4.6.2受限玻爾茲曼機(RBM)
4.6.3詞嵌入
4.7本章小結
習題
第5章模型評估與優化
5.1算法鏈與管道
5.1.1用管道方法簡化工作流
5.1.2通用的管道接口
5.2交叉驗證
5.2.1K折交叉驗證
5.2.2分層K折交叉驗證
5.3模型評價指標
5.3.1誤分類的不同影響
5.3.2混淆矩陣
5.3.3分類的不確定性
5.3.4準確率召回率曲線
5.3.5受試者工作特征（ROC）與AUC
5.3.6多分類指標
5.3.7回歸指標
5.3.8在模型選擇中使用評估指標
5.4處理類的不平衡問題
5.4.1類別不平衡問題
5.4.2解決類別不平衡問題
5.5網格搜索優化模型
5.5.1簡單網格搜索選擇超參數
5.5.2驗證集用于選擇超參數
5.5.3帶交叉驗證的網格搜索
5.6本章小結
習題
第6章機器學習應用案例
6.1電影推薦系統
6.1.1推薦系統基礎
6.1.2推薦引擎算法
6.1.3相似度指標
6.1.4電影推薦系統實戰
6.2情感分析系統
6.2.1情感分析概述
6.2.2導入數據集
6.2.3詞袋模型
6.2.4TFIDF
6.2.5數據預處理
6.2.6訓練模型
6.2.7模型評估及調優
6.3房價預測系統
6.3.1案例背景
6.3.2數據處理及可視化分析
6.3.3訓練模型
6.3.4模型評估
6.3.5模型調優
6.4人臉識別
6.4.1概述
6.4.2加載數據集
6.4.3訓練模型
6.4.4測試模型
6.4.5PCA主成分分析
6.4.6模型調優
6.5本章小結
習題
展開全部
書友推薦
- >
我與地壇
- >
李白與唐代文化
- >
月亮虎
- >
巴金－再思錄
- >
上帝之肋:男人的真實旅程
- >
龍榆生：詞曲概論/大家小書
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
莉莉和章魚
本類暢銷
