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機器學習技術與應用(普通高等教育人工智能專業系列教材) 版權信息
- ISBN：9787522611006
- 條形碼：9787522611006 ; 978-7-5226-1100-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習技術與應用(普通高等教育人工智能專業系列教材) 內容簡介
本書以機器學習初學者為教學對象，通過講解機器學習的常用方法及實際應用，培養讀者機器學習應用技能及計算思維能力。本書共 12 章，主要介紹了機器學習概述、Python 語言基礎、網絡爬蟲、數據預處理與特征工程、多元回歸分析、分類方法、支持向量機、樸素貝葉斯方法、聚類分析方法、人工神經網絡與深度學習、數據可視化、基于Pyecharts的大數據可視化圖表。 本書內容豐富、圖文并茂，以數據分析流程為主線，將算法與應用相結合，系統講解常用的機器學習理論和分析方法，通過案例幫助讀者快速掌握機器學習相關技術，以實現理論與實踐的緊密結合。 本書可以作為高等學校各類專業的機器學習通識課程教材，或計算機類專業學生的必修課教材，也可供對機器學習感興趣的相關人員閱讀。
Python機器學習技術與應用(普通高等教育人工智能專業系列教材) 目錄
前言
第1章 機器學習概述
1．1 機器學習的概念
1．2 機器學習的分類
1．2．1 實際問題的分類
1．2．2 根據訓練方法進行分類
1．3 機器學習的開發流程
1．4 機器學習的應用
本章小結
習題
第2章 Python語言基礎
2．1 Python語言概述
2．1．1 Python簡介
2．1．2 Python優勢
2．2 Python環境配置與使用
2．2．1 Anaconda的安裝方法
2．2．2 Spyder的環境介紹
2．2．3 第三方庫的安裝方法
2．3 數據分析相關庫的介紹
2．3．1 NumPy庫
2．3．2 Pandas庫
2．3．3 Skleam庫
本章小結
習題
第3章 網絡爬蟲
3．1 網絡爬蟲基本知識
3．1．1 網絡爬蟲簡介
3．1．2 HTTP協議
3．1．3 HTML語言
3．1．4 CSS樣式表
3．1．5 JavaScript腳本
3．2 網頁內容獲取方法
3．2．1 requests主要方法
3．2．2 response對象
3．3 網頁內容解析方法
3．3．1 BeautifuISoup
3．3．2 正則表達式
3．4 數據存儲
3．4．1 TXT格式存儲
3．4．2 JSON格式存儲
3．4．3 CSV格式存儲
3．4．4 圖片文件存儲
本章小結
習題
第4章 數據預處理與特征工程
4．1 數據預處理的主要方法
4．1．1 刪除數據
4．1．2 缺失值處理
4．1．3 重復值處理
4．1．4 異常值處理
4．1．5 數據類型的轉換
4．2 特征選擇的主要方法
4．2．1 過濾法
4．2．2 包裹法
4．2．3 嵌入法
4．3 數據預處理與特征工程綜合實例
——Titanic生存分析
本章小結
習題
第5章 多元回歸分析
5．1 多元線性回歸
5．1．1 線性回歸的基本原理
5．1．2 多元線性回歸的實現
5．1．3 回歸模型的評估指標
5．2 多重共線性問題
5．2．1 多重共線性的定義
5．2．2 嶺回歸
5．2．3 Lasso回歸
5．3 非線性回歸——多項式回歸
5．3．1 多項式回歸的基本概念
5．3．2 多項式回歸的實現
5．4 Logistic回歸
5．4．1 Logistic回歸模型
5．4．2 Logistic回歸參數估計
5．4．3 Logistic回歸評估指標
5．4．4 應用實例
本章小結
習題
第6章 分類方法
6．1 分類方法概述
6．2 決策樹
6．2．1 決策樹方法的基本概念
6．2．2 決策樹方法的工作方式
6．2．3 屬性選擇的度量
6．2．4 決策樹算法——ID3算法
6．2．5 Skleam中決策樹算法的實現
6．2．6 決策樹算法應用實例
6．3 隨機森林
6．3．1 隨機森林概述
6．3．2 Skleam中隨機森林算法的實現
6．3．3 隨機森林算法應用實例
6．4 分類算法評估
6．4．1 評估準則
6．4．2 評估過程
6．4．3 評估方法
6．4．4 評估實例
本章小結
習題
第7章 支持向量機
7．1 支持向量機算法概述
7．2 SVM的分類實現方法及案例
7．2．1 SVC支持向量分類算法
7．2．2 NuSVC支持向量分類算法
7．2．3 LinearSVC線性支持向量分類算法
7．3 SVM的回歸實現方法及案例
7．3．1 SVR回歸實現方法
7．3．2 NuSVR回歸實現方法
7．3．3 LinearSVR回歸實現方法
7．4 SVM異常檢測的實現方法
7．5 SVM實戰——人臉識別
7．5．1 導入并顯示數據集
7．5．2 SVM分類器模型選擇和優化
本章小結
習題
……
第8章 樸素貝葉斯方法
第9章 聚類分析方法
第10章 人工神經網絡與深度學習
第11章 數據可視化
第12章 基于Pyecharts的大數據可視化圖表
參考文獻
第1章 機器學習概述
1．1 機器學習的概念
1．2 機器學習的分類
1．2．1 實際問題的分類
1．2．2 根據訓練方法進行分類
1．3 機器學習的開發流程
1．4 機器學習的應用
本章小結
習題
第2章 Python語言基礎
2．1 Python語言概述
2．1．1 Python簡介
2．1．2 Python優勢
2．2 Python環境配置與使用
2．2．1 Anaconda的安裝方法
2．2．2 Spyder的環境介紹
2．2．3 第三方庫的安裝方法
2．3 數據分析相關庫的介紹
2．3．1 NumPy庫
2．3．2 Pandas庫
2．3．3 Skleam庫
本章小結
習題
第3章 網絡爬蟲
3．1 網絡爬蟲基本知識
3．1．1 網絡爬蟲簡介
3．1．2 HTTP協議
3．1．3 HTML語言
3．1．4 CSS樣式表
3．1．5 JavaScript腳本
3．2 網頁內容獲取方法
3．2．1 requests主要方法
3．2．2 response對象
3．3 網頁內容解析方法
3．3．1 BeautifuISoup
3．3．2 正則表達式
3．4 數據存儲
3．4．1 TXT格式存儲
3．4．2 JSON格式存儲
3．4．3 CSV格式存儲
3．4．4 圖片文件存儲
本章小結
習題
第4章 數據預處理與特征工程
4．1 數據預處理的主要方法
4．1．1 刪除數據
4．1．2 缺失值處理
4．1．3 重復值處理
4．1．4 異常值處理
4．1．5 數據類型的轉換
4．2 特征選擇的主要方法
4．2．1 過濾法
4．2．2 包裹法
4．2．3 嵌入法
4．3 數據預處理與特征工程綜合實例
——Titanic生存分析
本章小結
習題
第5章 多元回歸分析
5．1 多元線性回歸
5．1．1 線性回歸的基本原理
5．1．2 多元線性回歸的實現
5．1．3 回歸模型的評估指標
5．2 多重共線性問題
5．2．1 多重共線性的定義
5．2．2 嶺回歸
5．2．3 Lasso回歸
5．3 非線性回歸——多項式回歸
5．3．1 多項式回歸的基本概念
5．3．2 多項式回歸的實現
5．4 Logistic回歸
5．4．1 Logistic回歸模型
5．4．2 Logistic回歸參數估計
5．4．3 Logistic回歸評估指標
5．4．4 應用實例
本章小結
習題
第6章 分類方法
6．1 分類方法概述
6．2 決策樹
6．2．1 決策樹方法的基本概念
6．2．2 決策樹方法的工作方式
6．2．3 屬性選擇的度量
6．2．4 決策樹算法——ID3算法
6．2．5 Skleam中決策樹算法的實現
6．2．6 決策樹算法應用實例
6．3 隨機森林
6．3．1 隨機森林概述
6．3．2 Skleam中隨機森林算法的實現
6．3．3 隨機森林算法應用實例
6．4 分類算法評估
6．4．1 評估準則
6．4．2 評估過程
6．4．3 評估方法
6．4．4 評估實例
本章小結
習題
第7章 支持向量機
7．1 支持向量機算法概述
7．2 SVM的分類實現方法及案例
7．2．1 SVC支持向量分類算法
7．2．2 NuSVC支持向量分類算法
7．2．3 LinearSVC線性支持向量分類算法
7．3 SVM的回歸實現方法及案例
7．3．1 SVR回歸實現方法
7．3．2 NuSVR回歸實現方法
7．3．3 LinearSVR回歸實現方法
7．4 SVM異常檢測的實現方法
7．5 SVM實戰——人臉識別
7．5．1 導入并顯示數據集
7．5．2 SVM分類器模型選擇和優化
本章小結
習題
……
第8章 樸素貝葉斯方法
第9章 聚類分析方法
第10章 人工神經網絡與深度學習
第11章 數據可視化
第12章 基于Pyecharts的大數據可視化圖表
參考文獻
展開全部
書友推薦
- >
月亮與六便士
- >
中國歷史的瞬間
- >
煙與鏡
- >
朝聞道
- >
山海經
- >
自卑與超越
- >
苦雨齋序跋文-周作人自編集
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
