掃一掃
關注中圖網
官方微博
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
機器學習基礎與實戰 版權信息
- ISBN：9787121447945
- 條形碼：9787121447945 ; 978-7-121-44794-5
- 裝幀：平塑
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習基礎與實戰 本書特色
本書是根據高職院校的學情編寫的，以讓學生更好地理解、掌握機器學習算法為出發點，以學生零基礎為假設前提，以訓練學生的編程思維、掌握常用算法為目標。 在內容上，本書較為全面地介紹了機器學習中的監督學習算法和無監督學習算法。更重要的是，本書通過大量的案例，以“源代碼 + 注釋 + 代碼”講解的形式，盡可能詳細地解釋程序的含義，讓學生可以快速理解算法、重現案例，并在此基礎上將算法應用于其他數據集或實際問題。
機器學習基礎與實戰 內容簡介
全書共 10 章，第 1 章介紹了機器學習算法的基本概念、分類及本書開發環境的搭建。第 2 章介紹了機器學習算法中經常用到的 NumPy 相關知識及繪圖工具包 Matplotlib。從第 3 章開始介紹機器學習算法，第 3 章介紹了*簡單也是*常用的線性回歸算法。第 4 章介紹了搜索算法，包括梯度下降算法、隨機梯度下降算法、小批量梯度下降算法、牛頓迭代算法及坐標下降算法。第 5 章介紹了二分類的 Logistic回歸算法和多元回歸算法 SoftMax，以及評價分類結果優劣的各種指標。第 6 章介紹了支持向量機算法及支持向量機的核函數方法。第 7 章介紹了樸素貝葉斯算法。第 8 章介紹了決策樹優化算法及由多棵決策樹構成的隨機森林算法等集成學習算法。第 9 章介紹了聚類算法，包括 K 均值算法、合并聚類算法、DBSCAN 算法等。第 10 章介紹了降維算法，主要包括主成分分析法和主成分分析的核方法。每章都包含大量的實戰案例，既有自行實現的算法，也有直接調用 Sklearn 工具庫實現的算法。本書配備思考與練習，全書所有的示例程序都提供完整的源代碼，讀者可登錄華信教育資源網或GitHub 網站免費下載。本書適合作為人工智能、大數據等專業的學生教材，對于人工智能相關培訓機構、人工智能愛好者，也有一定的參考價值。
機器學習基礎與實戰 目錄
第 1 章 機器學習算法概述 ………………………………………………………………… 1
1.1 機器學習 …………………………………………………………………………… 1
1.2 機器學習分類 ……………………………………………………………………… 2
1.2.1 監督學習 …………………………………………………………………… 2
1.2.2 無監督學習 ………………………………………………………………… 2
1.2.3 強化學習 …………………………………………………………………… 3
1.3 機器學習中的基本概念 …………………………………………………………… 3
1.4 機器學習環境搭建 ………………………………………………………………… 4
1.4.1 Python 安裝 ………………………………………………………………… 4
1.4.2 PyCharm 及相關包的下載安裝 …………………………………………… 6
1.4.3 JupyterLab …………………………………………………………………… 9
1.5 本章小結 ……………………………………………………………………………12
思考與練習…………………………………………………………………………………12
第 2 章? NumPy 和 Matplotlib 入門 ……………………………………………………… 13
2.1 NumPy 數組基礎 ……………………………………………………………………13
2.1.1 創建 NumPy 數組……………………………………………………………14
2.1.2 NumPy 數組的索引與切片 …………………………………………………16
2.1.3 NumPy 數組的變形 …………………………………………………………18
2.1.4 NumPy 合并與分割 …………………………………………………………20
2.1.5 NumPy 的通用函數 …………………………………………………………25
2.1.6 NumPy 數組的聚合運算 ……………………………………………………27
2.1.7 NumPy 數組的廣播 …………………………………………………………28
2.1.8 NumPy 數組比較、掩碼和布爾邏輯 ………………………………………30
2.1.9 NumPy 花哨的索引 …………………………………………………………30
2.1.10 NumPy 的矩陣運算 ………………………………………………………32
2.2 Matplotlib 數據可視化 ………………………………………………………………36
2.2.1 線形圖 ………………………………………………………………………36
2.2.2 散點圖 ………………………………………………………………………39
2.2.3 直方圖和柱狀圖 ……………………………………………………………41
2.2.4 等高線圖 ……………………………………………………………………43
2.2.5 多子圖 ………………………………………………………………………46
2.2.6 三維圖像 ……………………………………………………………………50
2.3 本章小結 ……………………………………………………………………………53
思考與練習…………………………………………………………………………………53
第 3 章? 線性回歸算法 …………………………………………………………………… 54
3.1 簡單線性回歸 ………………………………………………………………………54
3.2 正規方程算法（小二乘法）………………………………………………………55
3.3 多項式回歸 …………………………………………………………………………61
3.4 線性回歸的正則化算法 ……………………………………………………………64
3.5 Sklearn 的線性回歸 …………………………………………………………………66
3.6 本章小結 ……………………………………………………………………………69
思考與練習…………………………………………………………………………………69
第 4 章? 機器學習中的搜索算法 ………………………………………………………… 70
4.1 梯度下降算法 ………………………………………………………………………70
4.1.1 梯度下降算法概述 …………………………………………………………70
4.1.2 模擬實現梯度下降算法 ……………………………………………………71
4.1.3 線性回歸中的梯度下降算法 ………………………………………………73
4.2 隨機梯度下降算法 …………………………………………………………………75
4.2.1 回歸問題中的隨機梯度下降算法 …………………………………………76
4.2.2 梯度下降算法與隨機梯度下降算法的效果對比 …………………………78
4.3 小批量梯度下降算法 ………………………………………………………………81
4.4 牛頓迭代算法 ………………………………………………………………………85
4.4.1 模擬實現牛頓迭代算法 ……………………………………………………85
4.4.2 線性回歸問題中的牛頓迭代算法 …………………………………………87
4.5 坐標下降算法 ………………………………………………………………………88
4.6 Sklearn 的隨機梯度下降算法 ………………………………………………………90
4.7 本章小結 ……………………………………………………………………………96
思考與練習…………………………………………………………………………………96
第 5 章? Logistic 回歸算法 ………………………………………………………………… 97
5.1 Logistic 回歸的基本概念 ……………………………………………………………97
5.1.1 Sigmoid() 函數 ………………………………………………………………97
5.1.2 Logistic 模型 …………………………………………………………………98
5.2 Logistic 回歸算法的應用 ……………………………………………………………99
5.3 評價分類結果 …………………………………………………………………… 103
5.3.1 準確率（Accuracy）……………………………………………………… 103
5.3.2 精確率 (Precision) 和召回率 (Recall) …………………………………… 104
5.3.3 ROC 曲線和 AUC 度量 ………………………………………………… 115
5.4 多元回歸算法 SoftMax…………………………………………………………… 118
5.4.1 SoftMax 回歸基本概念 ………………………………………………… 119
5.4.2 SoftMax 回歸優化算法 ………………………………………………… 120
5.5 Sklearn 的 Logistic 回歸算法 …………………………………………………… 126
5.6 本章小結 ………………………………………………………………………… 130
思考與練習……………………………………………………………………………… 130
第 6 章? 支持向量機算法 ………………………………………………………………… 132
6.1 支持向量機的基本概念 ………………………………………………………… 132
6.1.1 感知機 …………………………………………………………………… 132
6.1.2 支持向量機 ……………………………………………………………… 137
6.1.3 支持向量機的對偶 ……………………………………………………… 138
6.2 支持向量機優化算法 …………………………………………………………… 139
6.3 核方法 …………………………………………………………………………… 144
6.4 軟間隔支持向量機 ……………………………………………………………… 153
6.4.1 軟間隔支持向量機的概念 ……………………………………………… 153
6.4.2 Hinge 損失函數與軟間隔支持向量機…………………………………… 156
6.5 Sklearn 的 SVM 庫 ……………………………………………………………… 159
6.5.1 Sklearn SVM 算法庫使用概述…………………………………………… 159
6.5.2 SVM 核函數概述 ………………………………………………………… 159
6.5.3 SVM 分類算法的使用 …………………………………………………… 160
6.5.4 SVM 算法的調參要點 …………………………………………………… 162
6.6 本章小結 ………………………………………………………………………… 174
思考與練習……………………………………………………………………………… 174
第 7 章? 樸素貝葉斯算法 ………………………………………………………………… 175
7.1 樸素貝葉斯 ……………………………………………………………………… 175
7.1.1 數學基礎 ………………………………………………………………… 175
7.1.2 樸素貝葉斯的種類 ……………………………………………………… 176
7.2 樸素貝葉斯算法分類 …………………………………………………………… 177
7.2.1 基于極大似然估計的樸素貝葉斯算法 ………………………………… 178
7.2.2 基于貝葉斯估計的樸素貝葉斯算法 …………………………………… 180
7.3 Sklearn 的樸素貝葉斯算法 ……………………………………………………… 183
7.3.1 Sklearn 的高斯樸素貝葉斯實現 ………………………………………… 183
7.3.2 Sklearn 的多項式樸素貝葉斯實現 ……………………………………… 184
7.3.3 Sklearn 的伯努利樸素貝葉斯實現 ……………………………………… 186
7.4 本章小結 ………………………………………………………………………… 188
思考與練習……………………………………………………………………………… 188
第 8 章? 決策樹算法 ……………………………………………………………………… 189
8
1.1 機器學習 …………………………………………………………………………… 1
1.2 機器學習分類 ……………………………………………………………………… 2
1.2.1 監督學習 …………………………………………………………………… 2
1.2.2 無監督學習 ………………………………………………………………… 2
1.2.3 強化學習 …………………………………………………………………… 3
1.3 機器學習中的基本概念 …………………………………………………………… 3
1.4 機器學習環境搭建 ………………………………………………………………… 4
1.4.1 Python 安裝 ………………………………………………………………… 4
1.4.2 PyCharm 及相關包的下載安裝 …………………………………………… 6
1.4.3 JupyterLab …………………………………………………………………… 9
1.5 本章小結 ……………………………………………………………………………12
思考與練習…………………………………………………………………………………12
第 2 章? NumPy 和 Matplotlib 入門 ……………………………………………………… 13
2.1 NumPy 數組基礎 ……………………………………………………………………13
2.1.1 創建 NumPy 數組……………………………………………………………14
2.1.2 NumPy 數組的索引與切片 …………………………………………………16
2.1.3 NumPy 數組的變形 …………………………………………………………18
2.1.4 NumPy 合并與分割 …………………………………………………………20
2.1.5 NumPy 的通用函數 …………………………………………………………25
2.1.6 NumPy 數組的聚合運算 ……………………………………………………27
2.1.7 NumPy 數組的廣播 …………………………………………………………28
2.1.8 NumPy 數組比較、掩碼和布爾邏輯 ………………………………………30
2.1.9 NumPy 花哨的索引 …………………………………………………………30
2.1.10 NumPy 的矩陣運算 ………………………………………………………32
2.2 Matplotlib 數據可視化 ………………………………………………………………36
2.2.1 線形圖 ………………………………………………………………………36
2.2.2 散點圖 ………………………………………………………………………39
2.2.3 直方圖和柱狀圖 ……………………………………………………………41
2.2.4 等高線圖 ……………………………………………………………………43
2.2.5 多子圖 ………………………………………………………………………46
2.2.6 三維圖像 ……………………………………………………………………50
2.3 本章小結 ……………………………………………………………………………53
思考與練習…………………………………………………………………………………53
第 3 章? 線性回歸算法 …………………………………………………………………… 54
3.1 簡單線性回歸 ………………………………………………………………………54
3.2 正規方程算法（小二乘法）………………………………………………………55
3.3 多項式回歸 …………………………………………………………………………61
3.4 線性回歸的正則化算法 ……………………………………………………………64
3.5 Sklearn 的線性回歸 …………………………………………………………………66
3.6 本章小結 ……………………………………………………………………………69
思考與練習…………………………………………………………………………………69
第 4 章? 機器學習中的搜索算法 ………………………………………………………… 70
4.1 梯度下降算法 ………………………………………………………………………70
4.1.1 梯度下降算法概述 …………………………………………………………70
4.1.2 模擬實現梯度下降算法 ……………………………………………………71
4.1.3 線性回歸中的梯度下降算法 ………………………………………………73
4.2 隨機梯度下降算法 …………………………………………………………………75
4.2.1 回歸問題中的隨機梯度下降算法 …………………………………………76
4.2.2 梯度下降算法與隨機梯度下降算法的效果對比 …………………………78
4.3 小批量梯度下降算法 ………………………………………………………………81
4.4 牛頓迭代算法 ………………………………………………………………………85
4.4.1 模擬實現牛頓迭代算法 ……………………………………………………85
4.4.2 線性回歸問題中的牛頓迭代算法 …………………………………………87
4.5 坐標下降算法 ………………………………………………………………………88
4.6 Sklearn 的隨機梯度下降算法 ………………………………………………………90
4.7 本章小結 ……………………………………………………………………………96
思考與練習…………………………………………………………………………………96
第 5 章? Logistic 回歸算法 ………………………………………………………………… 97
5.1 Logistic 回歸的基本概念 ……………………………………………………………97
5.1.1 Sigmoid() 函數 ………………………………………………………………97
5.1.2 Logistic 模型 …………………………………………………………………98
5.2 Logistic 回歸算法的應用 ……………………………………………………………99
5.3 評價分類結果 …………………………………………………………………… 103
5.3.1 準確率（Accuracy）……………………………………………………… 103
5.3.2 精確率 (Precision) 和召回率 (Recall) …………………………………… 104
5.3.3 ROC 曲線和 AUC 度量 ………………………………………………… 115
5.4 多元回歸算法 SoftMax…………………………………………………………… 118
5.4.1 SoftMax 回歸基本概念 ………………………………………………… 119
5.4.2 SoftMax 回歸優化算法 ………………………………………………… 120
5.5 Sklearn 的 Logistic 回歸算法 …………………………………………………… 126
5.6 本章小結 ………………………………………………………………………… 130
思考與練習……………………………………………………………………………… 130
第 6 章? 支持向量機算法 ………………………………………………………………… 132
6.1 支持向量機的基本概念 ………………………………………………………… 132
6.1.1 感知機 …………………………………………………………………… 132
6.1.2 支持向量機 ……………………………………………………………… 137
6.1.3 支持向量機的對偶 ……………………………………………………… 138
6.2 支持向量機優化算法 …………………………………………………………… 139
6.3 核方法 …………………………………………………………………………… 144
6.4 軟間隔支持向量機 ……………………………………………………………… 153
6.4.1 軟間隔支持向量機的概念 ……………………………………………… 153
6.4.2 Hinge 損失函數與軟間隔支持向量機…………………………………… 156
6.5 Sklearn 的 SVM 庫 ……………………………………………………………… 159
6.5.1 Sklearn SVM 算法庫使用概述…………………………………………… 159
6.5.2 SVM 核函數概述 ………………………………………………………… 159
6.5.3 SVM 分類算法的使用 …………………………………………………… 160
6.5.4 SVM 算法的調參要點 …………………………………………………… 162
6.6 本章小結 ………………………………………………………………………… 174
思考與練習……………………………………………………………………………… 174
第 7 章? 樸素貝葉斯算法 ………………………………………………………………… 175
7.1 樸素貝葉斯 ……………………………………………………………………… 175
7.1.1 數學基礎 ………………………………………………………………… 175
7.1.2 樸素貝葉斯的種類 ……………………………………………………… 176
7.2 樸素貝葉斯算法分類 …………………………………………………………… 177
7.2.1 基于極大似然估計的樸素貝葉斯算法 ………………………………… 178
7.2.2 基于貝葉斯估計的樸素貝葉斯算法 …………………………………… 180
7.3 Sklearn 的樸素貝葉斯算法 ……………………………………………………… 183
7.3.1 Sklearn 的高斯樸素貝葉斯實現 ………………………………………… 183
7.3.2 Sklearn 的多項式樸素貝葉斯實現 ……………………………………… 184
7.3.3 Sklearn 的伯努利樸素貝葉斯實現 ……………………………………… 186
7.4 本章小結 ………………………………………………………………………… 188
思考與練習……………………………………………………………………………… 188
第 8 章? 決策樹算法 ……………………………………………………………………… 189
8
展開全部
機器學習基礎與實戰 作者簡介
陳鑫，博士，畢業于中山大學，廣東機電職業技術學院計算機與設計學院專職教師。中國計算機學會會員，著作方向為人工智能，曾出版《C 程序設計實踐案例教程》。主持基于深度學習的人臉識別考勤系統的設計與研究項目，參與國家重點基礎研究發展計劃（973 計劃）項目課題、廣東省自然科學基金重大基礎研究培育項目、中山大學高校基本科研業務費2017 年度重大項目和前沿新興交叉學科培育資助計劃等重大項目。
書友推薦
- >
史學評論
- >
羅庸西南聯大授課錄
- >
伊索寓言-世界文學名著典藏-全譯本
- >
自卑與超越
- >
苦雨齋序跋文-周作人自編集
- >
姑媽的寶刀
- >
推拿
- >
唐代進士錄
本類暢銷
