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
機器學習入門與實戰 版權信息
- ISBN：9787115507228
- 條形碼：9787115507228 ; 978-7-115-50722-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習入門與實戰 本書特色
1.機器學習入門與實戰指南：深入淺出，適合初學者和從業人員。
2.實戰應用，輕松掌握機器學習：重實踐，通過案例幫助讀者快速掌握機器學習技術。
3.詳細解析常見算法及其原理，易懂易學。
4.Python 和 R 兩種主要編程語言全覆蓋，提供詳細代碼實現和算法分析，詳細解析算法原理和應用。
5.實際案例展示，幫助你從現實世界角度理解機器學習技術，了解機器學習技術在現實世界中的應用和局限性。
6.詳細介紹機器學習常用工具、庫和框架，并提供實踐案例，教你使用正確的工具編寫有效的機器學習程序。
機器學習入門與實戰 內容簡介
機器學習是計算機科學和人工智能的重要分支之一，它被廣泛應用在多種領域，如機器人、無人駕駛汽車等。 本書是“達人迷”經典系列中關于機器學習的一本。本書內容分為6個部分，共計23 章，由淺入深地講解機器學習的基本知識、本書使用的語言——Python 和 R、推薦的數學知識、處理數據的常用工具、機器學習的應用以及常見的學習包和模型 6 個方面，以幫助讀者了解并掌握機器學習的相關知識，并能將其應用于自己的工作中。 本書適合Python程序員、R程序員、數據分析人員、機器學習領域的從業人員以及對算法感興趣的讀者閱讀。
機器學習入門與實戰 目錄
第 1 部分 關于機器如何學習的介紹 1
第 1 章 有關 AI 的真實故事 3
1.1 超越炒作 4
1.2 夢到電子羊 5
1.2.1 了解 AI 和機器學習的歷史 5
1.2.2 機器學習能為 AI 做什么 6
1.2.3 機器學習的目標 7
1.2.4 硬件決定了機器學習的極限 7
1.3 克服 AI 幻想 8
1.3.1 AI 和機器學習的時髦用途 9
1.3.2 AI 和機器學習的真正用途 9
1.3.3 講究實用性，講究普通性 11
1.4 AI 和機器學習之間的關系 11
1.5 AI 和機器學習的規范 12
1.6 定義藝術與工程之間的界限 13
第 2 章 大數據時代的學習 14
2.1 定義大數據 15
2.2 考慮大數據源 16
2.2.1 構建一個新的數據源 16
2.2.2 使用現有的數據源 18
2.2.3 尋找用于測試的數據源 18
2.3 確立統計學在機器學習中的角色 19
2.4 理解算法的角色 20
2.4.1 定義算法要做什么 20
2.4.2 考慮五大主流技術 20
2.5 定義訓練的含義 22
第 3 章 對未來的設想 24
3.1 為將來創造有用的技術 25
3.1.1 考慮機器人領域中機器學習的角色 25
3.1.2 在醫療領域使用機器學習 26
3.1.3 為各種需求創建智能的系統 26
3.1.4 在工業界使用機器學習 27
3.1.5 理解更新的處理器和其他硬件的角色 28
3.2 通過機器學習發現新的工作機會 28
3.2.1 為機器工作 28
3.2.2 和機器一起工作 29
3.2.3 修復機器 30
3.2.4 創建新的機器學習任務 30
3.2.5 設計新的機器學習環境 30
3.3 避免未來技術中潛在的陷阱 31
第 2 部分 準備你的學習工具 33
第 4 章 安裝 R 35
4.1 為機器學習選擇 R 的版本 36
4.2 在 Windows 系統上安裝 R 37
4.3 在 Linux 系統上安裝 R 43
4.4 在 Mac OS X 系統上安裝 R 45
4.5 下載數據集和示例代碼 46
4.5.1 了解本書使用的數據集 47
4.5.2 定義代碼庫 48
第 5 章 使用 RStudio 在 R 中編碼 50
5.1 理解基本的數據類型 51
5.2 使用向量 52
5.3 使用列表組織數據 53
5.4 使用矩陣 54
5.4.1 創建基本矩陣 54
5.4.2 修改向量的排列 55
5.4.3 訪問單個元素 56
5.4.4 對行和列進行命名 56
5.5 使用數組處理多維 57
5.5.1 創建一個基本的數組 58
5.5.2 命名行和列 59
5.6 創建一個數據框 60
5.6.1 理解因子 60
5.6.2 創建一個基本的數據框 62
5.6.3 和數據框的交互 63
5.6.4 擴展一個數據框 64
5.7 執行基本的統計任務 66
5.7.1 進行決策 66
5.7.2 使用循環 68
5.7.3 不使用循環語句來執行循環的任務 69
5.7.4 使用函數 70
5.7.5 查找平均值和中位數 70
5.7.6 通過圖表來表示你的數據 71
第 6 章 安裝 Python 73
6.1 為機器學習選擇 Python 的版本 74
6.1.1 獲取 Continuum Analytics Anaconda 75
6.1.2 獲取 Enthought Canopy Express 76
6.1.3 獲取 pythonxy 76
6.1.4 獲取 WinPython 77
6.2 在 Linux 系統上安裝 Python 77
6.3 在 Mac OS X 上安裝 Python 78
6.4 在 Windows 系統上安裝Python 79
6.5 下載數據集和示例代碼 83
6.5.1 使用 Jupyter Notebook 83
6.5.2 定義代碼庫 85
6.5.3 了解本書所使用的數據集 90
第 7 章 使用 Anaconda 進行 Python編程 92
7.1 使用數字和邏輯 93
7.1.1 執行變量賦值 95
7.1.2 做算術 95
7.1.3 使用布爾表達式來比較數據 97
7.2 創建并使用字符串 99
7.3 和日期打交道 100
7.4 創建并使用函數 101
7.4.1 創建可重用的函數 101
7.4.2 調用函數 102
7.4.3 使用全局變量和局部變量 104
7.5 使用條件和循環語句 105
7.5.1 使用 if 語句進行決策 105
7.5.2 使用嵌套的決策，在多個選項中進行選擇 106
7.5.3 使用 for 執行重復的任務 107
7.5.4 使用 while 語句 108
7.6 使用集合、列表和元組來存儲數據 109
7.6.1 創建集合 109
7.6.2 在集合上進行運算 109
7.6.3 創建列表 110
7.6.4 創建并使用元組 111
7.7 定義有用的迭代器 113
7.8 使用字典來索引數據 114
7.9 將代碼存儲在模塊中 114
第 8 章 探索其他的機器學習工具 116
8.1 SAS、Stata 和 SPSS 117
8.2 用 Weka 做學術 119
8.3 使用 LIBSVM 輕松訪問復雜的算法 120
8.4 使用 Vowpal Wabbit，運行起來像閃電那么快 120
8.5 使用 KNIME 和 RapidMiner進行可視化 121
8.6 使用 Spark 處理海量數據 122
第 3 部分 從數學的基礎知識開始 123
第 9 章 揭秘機器學習背后的數學 125
9.1 處理數據 126
9.1.1 創建矩陣 127
9.1.2 理解基本的運算 129
9.1.3 進行矩陣的乘法 130
9.1.4 了解高級的矩陣運算 132
9.1.5 有效地使用向量 132
9.2 探索概率的世界 135
9.2.1 概率的運算 136
9.2.2 貝葉斯理論的條件概率 137
9.3 介紹統計的使用 139
第 10 章 降低合適的曲線 142
10.1 將學習解釋為優化 143
10.1.1 監督式學習 143
10.1.2 無監督式學習 143
10.1.3 增強學習 144
10.1.4 學習的過程 144
10.2 探索成本函數 147
10.3 降低誤差曲線 148
10.4 小批量和在線的更新 150
第 11 章 驗證機器學習 154
11.1 檢查樣本之外的誤差 155
11.2 理解偏差的局限 157
11.3 記住模型的復雜性 159
11.4 讓解決方案保持均衡性 160
11.5 訓練、驗證和測試 163
11.6 借助于交叉驗證 163
11.7 尋求驗證的替代方案 165
11.8 優化交叉驗證的選擇 166
11.9 避免樣本偏差和泄露陷阱 168
第 12 章 從簡單的學習器開始 171
12.1 發現令人驚嘆的感知器 172
12.1.1 還談不上奇跡 172
12.1.2 觸碰不可分的極限 174
12.2 生成貪婪的分類樹 175
12.2.1 通過劃分數據來預測結果 176
12.2.2 修剪過于茂盛的樹 179
12.3 概率 180
12.3.1 理解樸素貝葉斯 180
12.3.2 使用樸素貝葉斯來預估響應 183
第 4 部分 從聰明且大量的數據中學習 187
第 13 章 預處理數據 189
13.1 收集并清洗數據 190
13.2 修復缺失的數據 191
13.2.1 識別缺失的數據 191
13.2.2 選擇正確的替代策略 192
13.3 變換數據的分布 195
13.4 創建你自己的特征 197
13.4.1 理解為什么要創建特征 197
13.4.2 自動地創建特征 197
13.5 壓縮數據 199
13.6 劃分出異常數據 201
第 14 章 利用相似度 205
14.1 測量向量之間的相似度 206
14.1.1 理解相似度 206
14.1.2 計算用于學習的距離 207
14.2 使用距離來確定聚類 208
14.2.1 檢查假設和期望 209
14.2.2 檢視算法的細節 210
14.3 調優 K 均值算法 212
14.3.1 試驗 K 均值的可靠性 213
14.3.2 試驗質心如何收斂 215
14.4 使用 K 近鄰的搜索進行分類 218
14.5 利用正確的 k 參數 218
14.5.1 理解參數 k 219
14.5.2 試驗一個靈活的算法 220
第 15 章 使用線性模型的簡單方式 223
15.1 開始合并變量 224
15.2 混合不同類型的變量 229
15.3 切換到概率 232
15.3.1 指定二元的響應 232
15.3.2 處理多個類 234
15.4 猜測正確的特征 235
15.4.1 定義不能協同工作的特征的結果 235
15.4.2 使用特征選擇來解決過擬合問題 236
15.5 每次學習一個樣例 238
15.5.1 使用梯度下降 238
15.5.2 理解隨機梯度下降的不同之處 239
第 16 章 用神經網絡解決復雜性問題 243
16.1 學習并模仿大自然 244
16.1.1 使用前饋 245
16.1.2 深入兔子洞 247
16.1.3 使用反向傳播 249
16.2 和過擬合做斗爭 251
16.2.1 理解問題 252
16.2.2 打開黑匣子 252
16.3 介紹深度學習 255
第 17 章 更進一步，使用支持向量機 258
17.1 重溫分隔問題：一種新的方法 259
17.2 算法的解釋 260
17.2.1 深入支持向量機的數學基礎 262
17.2.2 避免不可分隔的陷阱 263
17.3 使用非線性 264
17.3.1 使用例子展示核函數的技巧 265
17.3.2 發現不同的核函數 266
17.4 闡述超參數 268
17.5 使用支持向量機進行分類和預估 269
第 18 章 借助于學習器的組合 274
18.1 利用決策樹 275
18.1.1 種植一片森林 276
18.1.2 理解重要性度量 279
18.2 使用幾乎隨機的猜測 281
18.3 增強聰明的預測器 285
18.4 平均不同的預測器 287
第 5 部分 將學習應用到實際問題 289
第 19 章 圖像的分類 291
19.1 處理一組圖像 292
19.2 提取視覺特征 296
19.3 使用 Eigenfaces 識別人臉 297
第 20 章 為觀點和情感打分 301
20.1 介紹自然語言處理 301
20.2 理解機器是如何閱讀的 302
20.2.1 處理并增強文本 304
20.2.2 從 Web 上抓取文本數據集 308
20.2.3 處理原始文本中的問題 311
20.3 使用打分和分類 312
20.3.1 執行分類任務 312
20.3.2 分析來自電子商務平臺的評論 315
第 21 章 推薦商品和電影 319
21.1 實現變革 320
21.2 下載評分數據 321
21.2.1 了解 MovieLens數據集 321
21.2.2 瀏覽匿名的 Web 數據 323
21.2.3 面對評分數據的局限 323
21.3 利用奇異值分解 325
21.3.1 考慮 SVD 的起源 325
21.3.2 理解 SVD 的內在關聯 326
21.3.3 SVD 的實踐 327
第 6 部分 十條區 333
第 22 章 10 個需要掌握的機器學習包 335
22.1 Cloudera Oryx 336
22.2 CUDA-Convnet 336
22.3 ConvNetJS 336
22.4 e1071 337
22.5 gbm 337
22.6 Gensim 338
22.7 glmnet 338
22.8 randomForest 338
22.9 SciPy 339
22.10 XGBoost 339
第 23 章 提升機器學習模型的 10 種方式 340
23.1 研究學習的曲線 341
23.2 正確地使用交叉驗證 341
23.3 選擇正確的錯誤或分數度量標準 342
23.4 搜尋的超參數 343
23.5 測試多個模型 343
23.6 平均多個模型 344
23.7 堆疊多個模型 344
23.8 運用特征工程 345
23.9 選擇特征和樣本 345
23.10 尋求更多的數據 346
第 1 章 有關 AI 的真實故事 3
1.1 超越炒作 4
1.2 夢到電子羊 5
1.2.1 了解 AI 和機器學習的歷史 5
1.2.2 機器學習能為 AI 做什么 6
1.2.3 機器學習的目標 7
1.2.4 硬件決定了機器學習的極限 7
1.3 克服 AI 幻想 8
1.3.1 AI 和機器學習的時髦用途 9
1.3.2 AI 和機器學習的真正用途 9
1.3.3 講究實用性，講究普通性 11
1.4 AI 和機器學習之間的關系 11
1.5 AI 和機器學習的規范 12
1.6 定義藝術與工程之間的界限 13
第 2 章 大數據時代的學習 14
2.1 定義大數據 15
2.2 考慮大數據源 16
2.2.1 構建一個新的數據源 16
2.2.2 使用現有的數據源 18
2.2.3 尋找用于測試的數據源 18
2.3 確立統計學在機器學習中的角色 19
2.4 理解算法的角色 20
2.4.1 定義算法要做什么 20
2.4.2 考慮五大主流技術 20
2.5 定義訓練的含義 22
第 3 章 對未來的設想 24
3.1 為將來創造有用的技術 25
3.1.1 考慮機器人領域中機器學習的角色 25
3.1.2 在醫療領域使用機器學習 26
3.1.3 為各種需求創建智能的系統 26
3.1.4 在工業界使用機器學習 27
3.1.5 理解更新的處理器和其他硬件的角色 28
3.2 通過機器學習發現新的工作機會 28
3.2.1 為機器工作 28
3.2.2 和機器一起工作 29
3.2.3 修復機器 30
3.2.4 創建新的機器學習任務 30
3.2.5 設計新的機器學習環境 30
3.3 避免未來技術中潛在的陷阱 31
第 2 部分 準備你的學習工具 33
第 4 章 安裝 R 35
4.1 為機器學習選擇 R 的版本 36
4.2 在 Windows 系統上安裝 R 37
4.3 在 Linux 系統上安裝 R 43
4.4 在 Mac OS X 系統上安裝 R 45
4.5 下載數據集和示例代碼 46
4.5.1 了解本書使用的數據集 47
4.5.2 定義代碼庫 48
第 5 章 使用 RStudio 在 R 中編碼 50
5.1 理解基本的數據類型 51
5.2 使用向量 52
5.3 使用列表組織數據 53
5.4 使用矩陣 54
5.4.1 創建基本矩陣 54
5.4.2 修改向量的排列 55
5.4.3 訪問單個元素 56
5.4.4 對行和列進行命名 56
5.5 使用數組處理多維 57
5.5.1 創建一個基本的數組 58
5.5.2 命名行和列 59
5.6 創建一個數據框 60
5.6.1 理解因子 60
5.6.2 創建一個基本的數據框 62
5.6.3 和數據框的交互 63
5.6.4 擴展一個數據框 64
5.7 執行基本的統計任務 66
5.7.1 進行決策 66
5.7.2 使用循環 68
5.7.3 不使用循環語句來執行循環的任務 69
5.7.4 使用函數 70
5.7.5 查找平均值和中位數 70
5.7.6 通過圖表來表示你的數據 71
第 6 章 安裝 Python 73
6.1 為機器學習選擇 Python 的版本 74
6.1.1 獲取 Continuum Analytics Anaconda 75
6.1.2 獲取 Enthought Canopy Express 76
6.1.3 獲取 pythonxy 76
6.1.4 獲取 WinPython 77
6.2 在 Linux 系統上安裝 Python 77
6.3 在 Mac OS X 上安裝 Python 78
6.4 在 Windows 系統上安裝Python 79
6.5 下載數據集和示例代碼 83
6.5.1 使用 Jupyter Notebook 83
6.5.2 定義代碼庫 85
6.5.3 了解本書所使用的數據集 90
第 7 章 使用 Anaconda 進行 Python編程 92
7.1 使用數字和邏輯 93
7.1.1 執行變量賦值 95
7.1.2 做算術 95
7.1.3 使用布爾表達式來比較數據 97
7.2 創建并使用字符串 99
7.3 和日期打交道 100
7.4 創建并使用函數 101
7.4.1 創建可重用的函數 101
7.4.2 調用函數 102
7.4.3 使用全局變量和局部變量 104
7.5 使用條件和循環語句 105
7.5.1 使用 if 語句進行決策 105
7.5.2 使用嵌套的決策，在多個選項中進行選擇 106
7.5.3 使用 for 執行重復的任務 107
7.5.4 使用 while 語句 108
7.6 使用集合、列表和元組來存儲數據 109
7.6.1 創建集合 109
7.6.2 在集合上進行運算 109
7.6.3 創建列表 110
7.6.4 創建并使用元組 111
7.7 定義有用的迭代器 113
7.8 使用字典來索引數據 114
7.9 將代碼存儲在模塊中 114
第 8 章 探索其他的機器學習工具 116
8.1 SAS、Stata 和 SPSS 117
8.2 用 Weka 做學術 119
8.3 使用 LIBSVM 輕松訪問復雜的算法 120
8.4 使用 Vowpal Wabbit，運行起來像閃電那么快 120
8.5 使用 KNIME 和 RapidMiner進行可視化 121
8.6 使用 Spark 處理海量數據 122
第 3 部分 從數學的基礎知識開始 123
第 9 章 揭秘機器學習背后的數學 125
9.1 處理數據 126
9.1.1 創建矩陣 127
9.1.2 理解基本的運算 129
9.1.3 進行矩陣的乘法 130
9.1.4 了解高級的矩陣運算 132
9.1.5 有效地使用向量 132
9.2 探索概率的世界 135
9.2.1 概率的運算 136
9.2.2 貝葉斯理論的條件概率 137
9.3 介紹統計的使用 139
第 10 章 降低合適的曲線 142
10.1 將學習解釋為優化 143
10.1.1 監督式學習 143
10.1.2 無監督式學習 143
10.1.3 增強學習 144
10.1.4 學習的過程 144
10.2 探索成本函數 147
10.3 降低誤差曲線 148
10.4 小批量和在線的更新 150
第 11 章 驗證機器學習 154
11.1 檢查樣本之外的誤差 155
11.2 理解偏差的局限 157
11.3 記住模型的復雜性 159
11.4 讓解決方案保持均衡性 160
11.5 訓練、驗證和測試 163
11.6 借助于交叉驗證 163
11.7 尋求驗證的替代方案 165
11.8 優化交叉驗證的選擇 166
11.9 避免樣本偏差和泄露陷阱 168
第 12 章 從簡單的學習器開始 171
12.1 發現令人驚嘆的感知器 172
12.1.1 還談不上奇跡 172
12.1.2 觸碰不可分的極限 174
12.2 生成貪婪的分類樹 175
12.2.1 通過劃分數據來預測結果 176
12.2.2 修剪過于茂盛的樹 179
12.3 概率 180
12.3.1 理解樸素貝葉斯 180
12.3.2 使用樸素貝葉斯來預估響應 183
第 4 部分 從聰明且大量的數據中學習 187
第 13 章 預處理數據 189
13.1 收集并清洗數據 190
13.2 修復缺失的數據 191
13.2.1 識別缺失的數據 191
13.2.2 選擇正確的替代策略 192
13.3 變換數據的分布 195
13.4 創建你自己的特征 197
13.4.1 理解為什么要創建特征 197
13.4.2 自動地創建特征 197
13.5 壓縮數據 199
13.6 劃分出異常數據 201
第 14 章 利用相似度 205
14.1 測量向量之間的相似度 206
14.1.1 理解相似度 206
14.1.2 計算用于學習的距離 207
14.2 使用距離來確定聚類 208
14.2.1 檢查假設和期望 209
14.2.2 檢視算法的細節 210
14.3 調優 K 均值算法 212
14.3.1 試驗 K 均值的可靠性 213
14.3.2 試驗質心如何收斂 215
14.4 使用 K 近鄰的搜索進行分類 218
14.5 利用正確的 k 參數 218
14.5.1 理解參數 k 219
14.5.2 試驗一個靈活的算法 220
第 15 章 使用線性模型的簡單方式 223
15.1 開始合并變量 224
15.2 混合不同類型的變量 229
15.3 切換到概率 232
15.3.1 指定二元的響應 232
15.3.2 處理多個類 234
15.4 猜測正確的特征 235
15.4.1 定義不能協同工作的特征的結果 235
15.4.2 使用特征選擇來解決過擬合問題 236
15.5 每次學習一個樣例 238
15.5.1 使用梯度下降 238
15.5.2 理解隨機梯度下降的不同之處 239
第 16 章 用神經網絡解決復雜性問題 243
16.1 學習并模仿大自然 244
16.1.1 使用前饋 245
16.1.2 深入兔子洞 247
16.1.3 使用反向傳播 249
16.2 和過擬合做斗爭 251
16.2.1 理解問題 252
16.2.2 打開黑匣子 252
16.3 介紹深度學習 255
第 17 章 更進一步，使用支持向量機 258
17.1 重溫分隔問題：一種新的方法 259
17.2 算法的解釋 260
17.2.1 深入支持向量機的數學基礎 262
17.2.2 避免不可分隔的陷阱 263
17.3 使用非線性 264
17.3.1 使用例子展示核函數的技巧 265
17.3.2 發現不同的核函數 266
17.4 闡述超參數 268
17.5 使用支持向量機進行分類和預估 269
第 18 章 借助于學習器的組合 274
18.1 利用決策樹 275
18.1.1 種植一片森林 276
18.1.2 理解重要性度量 279
18.2 使用幾乎隨機的猜測 281
18.3 增強聰明的預測器 285
18.4 平均不同的預測器 287
第 5 部分 將學習應用到實際問題 289
第 19 章 圖像的分類 291
19.1 處理一組圖像 292
19.2 提取視覺特征 296
19.3 使用 Eigenfaces 識別人臉 297
第 20 章 為觀點和情感打分 301
20.1 介紹自然語言處理 301
20.2 理解機器是如何閱讀的 302
20.2.1 處理并增強文本 304
20.2.2 從 Web 上抓取文本數據集 308
20.2.3 處理原始文本中的問題 311
20.3 使用打分和分類 312
20.3.1 執行分類任務 312
20.3.2 分析來自電子商務平臺的評論 315
第 21 章 推薦商品和電影 319
21.1 實現變革 320
21.2 下載評分數據 321
21.2.1 了解 MovieLens數據集 321
21.2.2 瀏覽匿名的 Web 數據 323
21.2.3 面對評分數據的局限 323
21.3 利用奇異值分解 325
21.3.1 考慮 SVD 的起源 325
21.3.2 理解 SVD 的內在關聯 326
21.3.3 SVD 的實踐 327
第 6 部分 十條區 333
第 22 章 10 個需要掌握的機器學習包 335
22.1 Cloudera Oryx 336
22.2 CUDA-Convnet 336
22.3 ConvNetJS 336
22.4 e1071 337
22.5 gbm 337
22.6 Gensim 338
22.7 glmnet 338
22.8 randomForest 338
22.9 SciPy 339
22.10 XGBoost 339
第 23 章 提升機器學習模型的 10 種方式 340
23.1 研究學習的曲線 341
23.2 正確地使用交叉驗證 341
23.3 選擇正確的錯誤或分數度量標準 342
23.4 搜尋的超參數 343
23.5 測試多個模型 343
23.6 平均多個模型 344
23.7 堆疊多個模型 344
23.8 運用特征工程 345
23.9 選擇特征和樣本 345
23.10 尋求更多的數據 346
展開全部
機器學習入門與實戰 作者簡介
約翰·保羅·穆勒是一位多產的自由撰稿人和技術編輯。他的作品涵蓋了從網絡、家庭安全到數據庫管理和日常編程的方方面面。
盧卡·馬薩羅是一名數據科學家，他擅長大數據處理，可通過數據挖掘和機器學習技術將處理后的數據轉化為智能數據。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
朝聞道
- >
月亮與六便士
- >
巴金－再思錄
- >
龍榆生：詞曲概論/大家小書
- >
唐代進士錄
- >
我從未如此眷戀人間
- >
詩經-先民的歌唱
本類暢銷
