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
機器學習中的統計思維(Python實現) 版權信息
- ISBN：9787302634010
- 條形碼：9787302634010 ; 978-7-302-63401-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習中的統計思維(Python實現) 內容簡介
機器學習是人工智能的核心，而統計思維則是機器學習方法的核心：從隨機性中尋找規律性。例如，利用損失*小化思想制定學習策略，采用概率**化思想估計模型參數，利用方差對不確定性的捕捉構造k維樹，采用貝葉斯公式構建分類決策模型，等等。只有樹立正確的統計思維，才能準確高效地運用機器學習方法開展數據處理與分析。本書以統計思維的視角，揭示監督學習中回歸和分類模型的核心思想，幫助讀者構建理論體系。具體模型包括線性回歸模型、K近鄰模型、貝葉斯推斷、邏輯回歸模型、**熵模型、決策樹模型、感知機模型、支持向量機、EM算法和提升方法。本書共12章，緒論介紹貫穿本書的兩大思維模式，以及關于全書的閱讀指南；第1章介紹一些基本術語，并給出監督學習的流程；第2章介紹關于回歸問題的機器學習方法；第3～9章介紹關于分類問題的機器學習方法；第10章介紹可應用于具有隱變量模型的參數學習算法——EM算法；第11章簡單介紹集成學習，并重點闡述其中的提升（Boosting）方法。為滿足個性化學習需求的不同需求，本書從核心思想、方法流程及實際案例應用等不同角度，詳細描述各種方法的原理和實用價值，非常適合數據科學、機器學習專業的本科生和研究生學習，也可供相關從業者參考。
機器學習中的統計思維(Python實現) 目錄
目錄
緒論1 0.1本書講什么，初衷是什么 1 0.2貫穿本書的兩大思維模式 3 0.2.1提問的思維方式 3 0.2.2發散的思維方式 4 0.3這本書決定它還想要這樣 5 0.3.1**性原理 . 5 0.3.2奧卡姆剃刀原理 7 0.4如何使用本書 8 第 1章步入監督學習之旅 .11 1.1機器學習從數據開始 11 1.2監督學習是什么 . 14 1.2.1基本術語 16 1.2.2學習過程如同一場科學推理 17 1.3如何評價模型的好壞 21 1.3.1評價模型的量化指標 21 1.3.2擬合能力 24 1.3.3泛化能力 24 1.4損失*小化思想 . 25 1.5怎樣理解模型的性能：方差-偏差折中思想 . 27 1.6如何選擇*優模型 28 1.6.1正則化：對模型復雜程度加以懲罰 28 1.6.2交叉驗證：樣本的多次重復利用 . 30 1.7本章小結 . 31 1.8習題 31 第 2章線性回歸模型 33 2.1探尋線性回歸模型 33 2.1.1諾貝爾獎中的線性回歸模型 33 2.1.2回歸模型的誕生 34 2.1.3線性回歸模型結構 . 38 2.2*小二乘法 39 2.2.1回歸模型用哪種損失：平方損失 . 40 機器學習中的統計思維 (Python實現)
2.2.2如何估計模型參數：*小二乘法 . 41 2.3線性回歸模型的預測 44 2.3.1一元線性回歸模型的預測 . 44 2.3.2多元線性回歸模型的預測 . 48 2.4拓展部分：嶺回歸與套索回歸 . 49 2.4.1嶺回歸 50 2.4.2套索回歸 51 2.5案例分析——共享單車數據集 . 53 2.6本章小結 . 56 2.7習題 57
第 3章 K近鄰模型 59 3.1鄰友思想 . 59 3.2 K近鄰算法. 60 3.2.1聚合思想 60 3.2.2 K近鄰模型的具體算法 61 3.2.3 K近鄰算法的三要素 . 63 3.2.4 K近鄰算法的可視化 . 67 3.3*近鄰分類器的誤差率 . 67 3.4 k維樹. 70 3.4.1 k維樹的構建 70 3.4.2 k維樹的搜索 73 3.5拓展部分：距離度量學習的 K近鄰分類器 76 3.6案例分析——鶯尾花數據集 79 3.7本章小結 . 83 3.8習題 83
第 4章貝葉斯推斷 .85 4.1貝葉斯思想 85 4.1.1什么是概率 . 86 4.1.2從概率到條件概率 . 91 4.1.3貝葉斯定理 . 93 4.2貝葉斯分類器 97 4.2.1貝葉斯分類 . 97 4.2.2樸素貝葉斯分類 98 4.3如何訓練貝葉斯分類器 103 4.3.1極大似然估計：概率*大化思想 104 4.3.2貝葉斯估計：貝葉斯思想 111 4.4常用的樸素貝葉斯分類器.115 4.4.1離散屬性變量下的樸素貝葉斯分類器 .115 4.4.2連續特征變量下的樸素貝葉斯分類器 .115 4.5拓展部分 116 4.5.1半樸素貝葉斯.116
目錄
4.5.2貝葉斯網絡 119 4.6案例分析——蘑菇數據集 .122 4.7本章小結 124 4.8習題.124 4.9閱讀時間：貝葉斯思想的起源 125 第 5章邏輯回歸模型 131 5.1一切始于邏輯函數.131 5.1.1邏輯函數 .131 5.1.2邏輯斯諦分布.133 5.1.3邏輯回歸 .134 5.2邏輯回歸模型的學習 .136 5.2.1加權*小二乘法 .136 5.2.2極大似然法 139 5.3邏輯回歸模型的學習算法.141 5.3.1梯度下降法 141 5.3.2牛頓法.143 5.4拓展部分 144 5.4.1拓展 1：多分類邏輯回歸模型 144 5.4.2拓展 2：非線性邏輯回歸模型 147 5.5案例分析——離職數據集 .147 5.6本章小結 149 5.7習題.150 5.8閱讀時間：牛頓法是牛頓提出的嗎 .150 第 6章*大熵模型 . 153 6.1問世間熵為何物 153 6.1.1熱力學熵 .153 6.1.2信息熵.155 6.2*大熵思想.156 6.2.1離散隨機變量的分布.156 6.2.2連續隨機變量的分布.160 6.3*大熵模型的學習問題 163 6.3.1*大熵模型的定義 163 6.3.2*大熵模型的原始問題與對偶問題.167 6.3.3*大熵模型的學習 169 6.4模型學習的*優化算法 173 6.4.1*速梯度下降法 .177 6.4.2擬牛頓法：DFP算法和 BFGS算法 178 6.4.3改進的迭代尺度法 179 6.5案例分析——湯圓小例子 .183 6.6本章小結 185 6.7習題.186
機器學習中的統計思維 (Python實現)
6.8閱讀時間：奇妙的對數 187
第 7章決策樹模型 . 191 7.1決策樹中蘊含的基本思想.191 7.1.1什么是決策樹.191 7.1.2決策樹的基本思想 195 7.2決策樹的特征選擇.195 7.2.1錯分類誤差 195 7.2.2基于熵的信息增益和信息增益比 196 7.2.3基尼不純度 199 7.2.4比較錯分類誤差、信息熵和基尼不純度 201 7.3決策樹的生成算法.201 7.3.1 ID3算法202 7.3.2 C4.5算法 205 7.3.3 CART算法205 7.4決策樹的剪枝過程.211 7.4.1預剪枝.211 7.4.2后剪枝.213 7.5拓展部分：隨機森林 .223 7.6案例分析——帕爾默企鵝數據集 .223 7.7本章小結 226 7.8習題.226 7.9閱讀時間：經濟學中的基尼指數.227
第 8章感知機模型 . 231 8.1感知機制——從邏輯回歸到感知機 .231 8.2感知機的學習 .233 8.3感知機的優化算法.234 8.3.1原始形式算法.235 8.3.2對偶形式算法.239 8.4案例分析——鶯尾花數據集 .241 8.5本章小結 243 8.6習題.243
第 9章支持向量機 . 245 9.1從感知機到支持向量機 245 9.2線性可分支持向量機 .248 9.2.1線性可分支持向量機與*大間隔算法 .248 9.2.2對偶問題與硬間隔算法 .254 9.3線性支持向量機 258 9.3.1線性支持向量機的學習問題.259 9.3.2對偶問題與軟間隔算法 .260 9.3.3線性支持向量機之合頁損失.263 9.4非線性支持向量機.265
目錄
9.4.1核變換的根本——核函數 266 9.4.2非線性可分支持向量機 .277 9.4.3非線性支持向量機 278 9.5 SMO優化方法 .279 9.5.1“失敗的”坐標下降法 .279 9.5.2“成功的”SMO算法.280 9.6案例分析——電離層數據集 .287 9.7本章小結 288 9.8習題.289 第 10章 EM算法 291 10.1極大似然法與 EM算法 .291 10.1.1具有缺失數據的豆花小例子291 10.1.2具有隱變量的硬幣盲盒例子295 10.2 EM算法的迭代過程298 10.2.1 EM算法中的兩部曲 298 10.2.2 EM算法的合理性 .302 10.3 EM算法的應用 305 10.3.1高斯混合模型305 10.3.2隱馬爾可夫模型 309 10.4本章小結 316 10.5習題 .317 第 11章提升方法. 319 11.1提升方法（Boosting）是一種集成學習方法.319 11.1.1什么是集成學習 319 11.1.2強可學習與弱可學習321 11.2起步于 AdaBoost算法 323 11.2.1兩大內核：前向回歸和可加模型 .323 11.2.2 AdaBoost的前向分步算法.324 11.2.3 AdaBoost分類算法 .326 11.2.4 AdaBoost分類算法的訓練誤差 333 11.3提升樹和 GBDT算法 .339 11.3.1回歸提升樹 .339 11.3.2 GDBT算法 342 11.4拓展部分：XGBoost算法344 11.5案例分析——波士頓房價數據集 .346 11.6本章小結 347 11.7習題 .348 參考文獻 . 349
展開全部
機器學習中的統計思維(Python實現) 作者簡介
董平（博士），上海對外經貿大學統計與信息學院講師。曾獲概率論與數理統計理學博士學位（山東大學2018）、 理學學士學位和經濟學學士學位（山東大學2012）；美國邁阿密大學訪問學者。主要研究領域為高維數據、假設檢驗、半監督回歸、統計機器學習等。參與多項科研項目和工程類項目，主持多項校級課程建設項目，曾獲第三屆上海市高校教師教學創新大賽二等獎。
書友推薦
- >
姑媽的寶刀
- >
苦雨齋序跋文-周作人自編集
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
羅曼·羅蘭讀書隨筆-精裝
- >
朝聞道
- >
山海經
- >
我與地壇
- >
自卑與超越
本類暢銷
