掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于PYTHON SKLEARN的解析
本類五星書更多>
-
>
全國計(jì)算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于PYTHON SKLEARN的解析 版權(quán)信息
- ISBN：9787113291693
- 條形碼：9787113291693 ; 978-7-113-29169-3
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于PYTHON SKLEARN的解析 本書特色
系統(tǒng)：以“輕原理、重實(shí)踐”為原則，詳細(xì)解析機(jī)器學(xué)習(xí)庫SKlearn 通俗：從參數(shù)調(diào)用的角度，適合零基礎(chǔ)讀者快速入門并掌握SKlearn 深入：由淺及深熟悉數(shù)據(jù)探索、預(yù)處理、模型選擇、集成學(xué)習(xí)、模型評估流程 案例：用五個工程案例系統(tǒng)化講解SKlearn庫分類、回歸、聚類，讓你碼上就用
機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于PYTHON SKLEARN的解析 內(nèi)容簡介
本書“輕原理、重實(shí)踐”，適合廣大對機(jī)器學(xué)習(xí)有興趣，并且想系統(tǒng)學(xué)習(xí)數(shù)理統(tǒng)計(jì)的讀者；也可用作機(jī)器學(xué)習(xí)培訓(xùn)、高校教材或作為學(xué)習(xí)SKlearn庫的工具書。
機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于PYTHON SKLEARN的解析 目錄
第1章 基礎(chǔ)準(zhǔn)備
1.1 機(jī)器學(xué)習(xí)
1.1.1 機(jī)器學(xué)習(xí)概述
1.1.2 機(jī)器學(xué)習(xí)任務(wù)
1.1.3 機(jī)器學(xué)習(xí)經(jīng)驗(yàn)
1.1.4 機(jī)器學(xué)習(xí)性能
1.2 Python編程
1.2.1 Python
1.2.2 NumPy和SciPy
1.2.3 Matplotlib
1.2.4 Pandas
1.2.5 SKlearm
1.2.6 Yellowbrick
1.3 Python 環(huán)境配置
1.3.1 安裝Anaconda
1.3.2 運(yùn)行Jupyter Notebook
第2章 數(shù)據(jù)探索
2.1 數(shù)據(jù)讀取和保存
2.1.1 TXT數(shù)據(jù)
2.1.2 CSV數(shù)據(jù)
2.1.3 XLS數(shù)據(jù)
2.1.4 SOL數(shù)據(jù)
2.1.5 NOSOL數(shù)據(jù)
2.2 數(shù)據(jù)特征分析
2.2.1 描述性統(tǒng)計(jì)
2.2.2 分布分析
2.2.3 對比分析
2.2.4 相關(guān)性分析
第3章 數(shù)據(jù)預(yù)處理
3.1 數(shù)據(jù)清洗
3.1.1 缺失值處理
3.1.2 異常值處理
3.1.3 數(shù)據(jù)一致性處理
3.2 數(shù)據(jù)變換
3.2.1 二元化
3.2.2 獨(dú)熱碼
3.2.3 標(biāo)準(zhǔn)化
3.2.4 正則化
3.2.5 數(shù)據(jù)變換應(yīng)用
3.3 數(shù)據(jù)降維
3.3.1 主成分分析
3.3.2 線性判別分析
3.3.3 多維縮放降維
3.3.4 流形學(xué)習(xí)
3.4 特征選取
3.4.1 過濾式特征選取
3.4.2 包裹式特征選取
3.4.3 嵌入式特征選取
3.5 數(shù)據(jù)降維與特征選取的差別
第4章 機(jī)器學(xué)習(xí)模型
4.1 線性模型
4.1.1 線性回歸模型
4.1.2 邏輯回歸模型
4.2 決策樹
4.2.1 回歸決策樹
4.2.2 分類決策樹
4.3 貝葉斯分類器
4.3.1 高斯貝葉斯分類器
4.3.2 多項(xiàng)式貝葉斯分類器
4.3.3 伯努利貝葉斯分類器
4.4 KNN
4.4.1 KNN分類
4.4.2 KNN回歸
4.5 聚類
4.5.1 K均值聚類
4.5.2 密度聚類
4.5.3 層次聚類
4.5.4 高斯混合聚類
4.6 支持向量機(jī)
4.6.1 線性分類
4.6.2 非線性分類
4.6.3 線性回歸
4.6.4 非線性回歸
第5章 集成學(xué)習(xí)
5.1 常用的集成學(xué)習(xí)方法——AdaBoost
5.1.1 分類
5.1.2 回歸
5.2 梯度提升樹
5.2.1 GBDT算法的分類類——GradientBoostingClassifier
5.2.2 GBDT算法的回歸類——GradientBoostingRegressor
5.3 隨機(jī)森林
5.3.1 RandomForestClassifier模型
5.3.2 RandomForestRegressor模型
第6章 模型評估及持久化
6.1 損失函數(shù)
6.1.1 0-1損失
6.1.2 對數(shù)損失
6.2 數(shù)據(jù)切分
6.2.1 train-test-split()方法
6.2.2 KFold()方法
6.2.3 StratifiedKFold()方法
6.2.4 LeaveOneOut()方法
6.2.5 crossVal-score()方法
6.3 性能度量
6.4 參數(shù)優(yōu)化
6.5 模型持久化
第7章 項(xiàng)目實(shí)踐
7.1 工程應(yīng)用場景
7.1.1 可行性研究階段
7.1.2 設(shè)計(jì)階段
7.1.3 施工階段
7.1.4 監(jiān)理監(jiān)測
7.1.5 運(yùn)營維護(hù)
7.2 邊坡穩(wěn)定性預(yù)測
7.2.1 數(shù)據(jù)探索
7.2.2 數(shù)據(jù)預(yù)處理
7.2.3 模型選擇
7.2.4 模型評估
7.2.5 模型持久化
7.3 地質(zhì)物探預(yù)測
7.3.1 數(shù)據(jù)探索
7.3.2 數(shù)據(jù)預(yù)處理
7.3.3 集成學(xué)習(xí)
7.3.4 模型評估
7.3.5 模型持久化
7.4 隧道巖爆分級預(yù)測
7.4.1 數(shù)據(jù)探索
7.4.2 數(shù)據(jù)預(yù)處理
7.4.3 集成學(xué)習(xí)
7.4.4 模型評估
7.4.5 模型持久化
7.5 混凝土強(qiáng)度預(yù)測
7.5.1 數(shù)據(jù)探索
7.5.2 數(shù)據(jù)預(yù)處理
7.5.3 模型選擇
7.5.4 參數(shù)優(yōu)化
7.5.5 模型持久化
7.6 膨脹土膨脹性等級分類
7.6.1 數(shù)據(jù)探索
7.6.2 數(shù)據(jù)預(yù)處理
7.6.3 分類簇數(shù)選擇
7.6.4 模型評估
7.6.5 模型持久化
展開全部
機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于PYTHON SKLEARN的解析 作者簡介
屈希峰，七年P(guān)ython技術(shù)開發(fā)相關(guān)經(jīng)驗(yàn)。2017年，使用Flask、MongoDB開發(fā)網(wǎng)站；2018年開發(fā)微信小程序：注冊土木、注道、愛伴讀等，其中微信小程序注冊土木累計(jì)關(guān)注者1.2萬人；2019年開發(fā)Windows桌面應(yīng)用文字表格公式識別神器.exe，累計(jì)用戶3千余人。使用Python期間，在知乎開設(shè)專欄記錄經(jīng)驗(yàn)，當(dāng)前知乎關(guān)注者2.25萬，其中編程專欄關(guān)注者4千余人。在工作中，探索Python編程在土木工程工程中的應(yīng)用，對BIM、GIS以及數(shù)值分析軟件的二次開發(fā)都有涉獵，現(xiàn)階段工作重心在于如何將物聯(lián)網(wǎng)及機(jī)器學(xué)習(xí)應(yīng)用到土木行業(yè)智能檢測和監(jiān)測領(lǐng)域。
書友推薦
- >
回憶愛瑪儂
- >
龍榆生：詞曲概論/大家小書
- >
月亮與六便士
- >
姑媽的寶刀
- >
名家?guī)阕x魯迅:朝花夕拾
- >
有舍有得是人生
- >
羅庸西南聯(lián)大授課錄
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
