中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
機器學習基礎(第2版·題庫·微課視頻版) 版權信息
- ISBN：9787302664093
- 條形碼：9787302664093 ; 978-7-302-66409-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習基礎(第2版·題庫·微課視頻版) 本書特色
理論與實踐相結合，全面、系統地介紹機器學習算法的理論細節與應用方法
包括邏輯回歸與*大熵模型、k-近鄰模型、決策樹模型、樸素貝葉斯模型、支持向量機模型、集成學習框架、EM算法、降維算法、聚類算法、神經網絡模型等基礎模型或算法
8個綜合項目實戰闡述機器學習算法在生產生活中的應用
機器學習基礎(第2版·題庫·微課視頻版) 內容簡介
本書以機器學習算法為主題，詳細介紹算法的理論細節與應用方法。全書共19章，分別介紹了邏輯回歸及**熵模型、k近鄰模型、決策樹模型、樸素貝葉斯分類器模型、支持向量機模型、集成學習框架、EM算法、降維算法、聚類算法、神經網絡模型等基礎模型或算法，以及8個綜合項目實例。本書重視理論與實踐相結合，希望為讀者提供全面而細致的學習指導。 本書適合機器學習初學者、相關行業從業人員以及高等院校計算機科學與技術、軟件工程等相關專業的師生閱讀。
機器學習基礎(第2版·題庫·微課視頻版) 目錄
隨書資源
第1章機器學習概述 1.1機器學習的組成 1.2分類問題及回歸問題 1.3監督學習、半監督學習和無監督學習 1.4生成模型及判別模型 1.5模型評估 1.5.1訓練誤差及泛化誤差 1.5.2過擬合及欠擬合 1.6正則化 1.7Scikitlearn模塊 1.7.1數據集 1.7.2模型選擇 習題1 第2章邏輯回歸及*大熵模型 2.1線性回歸 2.1.1一元線性回歸 2.1.2多元線性回歸 2.2廣義線性回歸 2.2.1邏輯回歸 2.2.2多分類邏輯回歸 2.2.3交叉熵損失函數 2.3*大熵模型 2.3.1*大熵模型的導出 2.3.2*大熵模型與邏輯回歸之間的關系 2.4評價指標 2.4.1混淆矩陣 2.4.2準確率 2.4.3精確率與召回率 2.4.4PR曲線 2.4.5ROC曲線 2.5實例： 基于邏輯回歸實現乳腺癌預測 習題2
第3章k近鄰算法 3.1k值的選取 3.2距離的度量 3.3快速檢索 3.4實例： 基于k近鄰算法實現鳶尾花分類 習題3 第4章決策樹 4.1特征選擇 4.1.1信息增益 4.1.2信息增益比 4.2決策樹生成算法CART 4.3決策樹剪枝 4.3.1預剪枝 4.3.2后剪枝 4.4實例： 基于決策樹實現葡萄酒分類 習題4 第5章樸素貝葉斯分類器 5.1極大似然估計 5.2樸素貝葉斯分類 5.3拉普拉斯平滑 5.4樸素貝葉斯分類器的極大似然估計解釋 5.5實例： 基于樸素貝葉斯實現垃圾短信分類 習題5 第6章支持向量機 6.1*大間隔及超平面 6.2線性可分支持向量機 6.3線性支持向量機 6.4合頁損失函數 6.5核技巧 6.6二分類問題與多分類問題 6.6.1一對一 6.6.2一對多 6.6.3多對多 6.7實例： 基于支持向量機實現葡萄酒分類 習題6 第7章集成學習 7.1偏差與方差 7.2Bagging及隨機森林 7.2.1Bagging 7.2.2隨機森林 7.3Boosting及AdaBoost 7.3.1Boosting 7.3.2AdaBoost 7.4提升樹 7.4.1殘差提升樹 7.4.2GBDT 7.4.3XGBoost 7.5Stacking 7.6實例: 基于梯度下降樹實現波士頓房價預測 習題7 第8章EM算法及其應用 8.1Jensen不等式 8.2EM算法 8.3高斯混合模型（GMM） 8.4隱馬爾可夫模型 8.4.1計算觀測概率的輸出 8.4.2估計隱馬爾可夫模型的參數 8.4.3隱變量序列預測 8.5實例： 基于高斯混合模型實現鳶尾花分類 習題8 第9章降維 9.1主成分分析 9.1.1方差即協方差的無偏估計 9.1.2實例： 基于主成分分析實現鳶尾花數據降維 9.2奇異值分解 9.2.1奇異值分解的構造 9.2.2奇異值分解用于數據壓縮 9.2.3SVD與PCA的關系 9.2.4奇異值分解的幾何解釋 9.2.5實例： 基于奇異值分解實現圖片壓縮 習題9 第10章聚類 10.1距離度量 10.1.1閔可夫斯基距離 10.1.2余弦相似度 10.1.3馬氏距離 10.1.4漢明距離 10.2層次聚類 10.3KMeans聚類 10.4KMedoids聚類 10.5DBSCAN 10.6實例： 基于KMeans實現鳶尾花聚類 習題10
第11章神經網絡與深度學習 11.1神經元模型 11.2多層感知機 11.3損失函數 11.4反向傳播算法 11.4.1梯度下降法 11.4.2梯度消失及梯度爆炸 11.5卷積神經網絡 11.5.1卷積 11.5.2池化 11.5.3網絡架構 11.6循環神經網絡 11.7生成對抗網絡 11.8圖卷積神經網絡 11.9深度學習發展 11.10實例： 基于卷積神經網絡實現手寫數字識別 11.10.1MNIST數據集 11.10.2基于卷積神經網絡的手寫數字識別 習題11 第12章案例： 用戶流失預警 12.1讀入數據 12.2數據預處理和自變量標準化 12.3五折交叉驗證 12.4代入三種模型 12.5調整prob閾值，輸出精度評估 第13章案例： 基于回歸問題和XGBoost模型的房價預測 13.1XGBoost模型介紹 13.2技術方案 13.2.1數據分析 13.2.2XGBoost模型參數 13.2.3調參過程 13.3完整代碼及結果展示 第14章案例： 基于KMeans算法的鳶尾花數據聚類和可視化 14.1數據及工具簡介 14.1.1Iris數據集(鳶尾花數據集) 14.1.2Tkinter 14.2案例分析 14.2.1模塊引入 14.2.2布局圖形界面 14.2.3讀取數據文件 14.2.4聚類 14.2.5聚類結果可視化 14.2.6誤差分析及其可視化 14.2.7使用流程 第15章案例： 影評數據分析與電影推薦 15.1明確目標與準備數據 15.2工具選擇 15.3初步分析 15.3.1用戶角度分析 15.3.2電影角度分析 15.4電影推薦 第16章案例： 股價預測 16.1使用Tsfresh進行升維和特征工程 16.2程序設計思路 16.3程序設計步驟 16.3.1讀入并分析數據 16.3.2移窗 16.3.3升維 16.3.4方差過濾 16.3.5使用AdaBoostRegressor模型進行回歸預測 16.3.6預測結果分析 第17章案例： 使用CRF實現命名實體識別 17.1模型定義 17.2數據預處理 17.3模型訓練 17.4模型預測
第18章案例： 利用手機的購物評論分析手機特征 18.1數據準備 18.2數據分析 18.2.1模型介紹 18.2.2算法應用 18.2.3名詞提取 18.2.4情感分析 第19章案例： 基于CNN的手寫數字識別 19.1MINST數據集介紹與分析 19.2基于 CNN 的構建與訓練
參考文獻
第1章機器學習概述 1.1機器學習的組成 1.2分類問題及回歸問題 1.3監督學習、半監督學習和無監督學習 1.4生成模型及判別模型 1.5模型評估 1.5.1訓練誤差及泛化誤差 1.5.2過擬合及欠擬合 1.6正則化 1.7Scikitlearn模塊 1.7.1數據集 1.7.2模型選擇 習題1 第2章邏輯回歸及*大熵模型 2.1線性回歸 2.1.1一元線性回歸 2.1.2多元線性回歸 2.2廣義線性回歸 2.2.1邏輯回歸 2.2.2多分類邏輯回歸 2.2.3交叉熵損失函數 2.3*大熵模型 2.3.1*大熵模型的導出 2.3.2*大熵模型與邏輯回歸之間的關系 2.4評價指標 2.4.1混淆矩陣 2.4.2準確率 2.4.3精確率與召回率 2.4.4PR曲線 2.4.5ROC曲線 2.5實例： 基于邏輯回歸實現乳腺癌預測 習題2
第3章k近鄰算法 3.1k值的選取 3.2距離的度量 3.3快速檢索 3.4實例： 基于k近鄰算法實現鳶尾花分類 習題3 第4章決策樹 4.1特征選擇 4.1.1信息增益 4.1.2信息增益比 4.2決策樹生成算法CART 4.3決策樹剪枝 4.3.1預剪枝 4.3.2后剪枝 4.4實例： 基于決策樹實現葡萄酒分類 習題4 第5章樸素貝葉斯分類器 5.1極大似然估計 5.2樸素貝葉斯分類 5.3拉普拉斯平滑 5.4樸素貝葉斯分類器的極大似然估計解釋 5.5實例： 基于樸素貝葉斯實現垃圾短信分類 習題5 第6章支持向量機 6.1*大間隔及超平面 6.2線性可分支持向量機 6.3線性支持向量機 6.4合頁損失函數 6.5核技巧 6.6二分類問題與多分類問題 6.6.1一對一 6.6.2一對多 6.6.3多對多 6.7實例： 基于支持向量機實現葡萄酒分類 習題6 第7章集成學習 7.1偏差與方差 7.2Bagging及隨機森林 7.2.1Bagging 7.2.2隨機森林 7.3Boosting及AdaBoost 7.3.1Boosting 7.3.2AdaBoost 7.4提升樹 7.4.1殘差提升樹 7.4.2GBDT 7.4.3XGBoost 7.5Stacking 7.6實例: 基于梯度下降樹實現波士頓房價預測 習題7 第8章EM算法及其應用 8.1Jensen不等式 8.2EM算法 8.3高斯混合模型（GMM） 8.4隱馬爾可夫模型 8.4.1計算觀測概率的輸出 8.4.2估計隱馬爾可夫模型的參數 8.4.3隱變量序列預測 8.5實例： 基于高斯混合模型實現鳶尾花分類 習題8 第9章降維 9.1主成分分析 9.1.1方差即協方差的無偏估計 9.1.2實例： 基于主成分分析實現鳶尾花數據降維 9.2奇異值分解 9.2.1奇異值分解的構造 9.2.2奇異值分解用于數據壓縮 9.2.3SVD與PCA的關系 9.2.4奇異值分解的幾何解釋 9.2.5實例： 基于奇異值分解實現圖片壓縮 習題9 第10章聚類 10.1距離度量 10.1.1閔可夫斯基距離 10.1.2余弦相似度 10.1.3馬氏距離 10.1.4漢明距離 10.2層次聚類 10.3KMeans聚類 10.4KMedoids聚類 10.5DBSCAN 10.6實例： 基于KMeans實現鳶尾花聚類 習題10
第11章神經網絡與深度學習 11.1神經元模型 11.2多層感知機 11.3損失函數 11.4反向傳播算法 11.4.1梯度下降法 11.4.2梯度消失及梯度爆炸 11.5卷積神經網絡 11.5.1卷積 11.5.2池化 11.5.3網絡架構 11.6循環神經網絡 11.7生成對抗網絡 11.8圖卷積神經網絡 11.9深度學習發展 11.10實例： 基于卷積神經網絡實現手寫數字識別 11.10.1MNIST數據集 11.10.2基于卷積神經網絡的手寫數字識別 習題11 第12章案例： 用戶流失預警 12.1讀入數據 12.2數據預處理和自變量標準化 12.3五折交叉驗證 12.4代入三種模型 12.5調整prob閾值，輸出精度評估 第13章案例： 基于回歸問題和XGBoost模型的房價預測 13.1XGBoost模型介紹 13.2技術方案 13.2.1數據分析 13.2.2XGBoost模型參數 13.2.3調參過程 13.3完整代碼及結果展示 第14章案例： 基于KMeans算法的鳶尾花數據聚類和可視化 14.1數據及工具簡介 14.1.1Iris數據集(鳶尾花數據集) 14.1.2Tkinter 14.2案例分析 14.2.1模塊引入 14.2.2布局圖形界面 14.2.3讀取數據文件 14.2.4聚類 14.2.5聚類結果可視化 14.2.6誤差分析及其可視化 14.2.7使用流程 第15章案例： 影評數據分析與電影推薦 15.1明確目標與準備數據 15.2工具選擇 15.3初步分析 15.3.1用戶角度分析 15.3.2電影角度分析 15.4電影推薦 第16章案例： 股價預測 16.1使用Tsfresh進行升維和特征工程 16.2程序設計思路 16.3程序設計步驟 16.3.1讀入并分析數據 16.3.2移窗 16.3.3升維 16.3.4方差過濾 16.3.5使用AdaBoostRegressor模型進行回歸預測 16.3.6預測結果分析 第17章案例： 使用CRF實現命名實體識別 17.1模型定義 17.2數據預處理 17.3模型訓練 17.4模型預測
第18章案例： 利用手機的購物評論分析手機特征 18.1數據準備 18.2數據分析 18.2.1模型介紹 18.2.2算法應用 18.2.3名詞提取 18.2.4情感分析 第19章案例： 基于CNN的手寫數字識別 19.1MINST數據集介紹與分析 19.2基于 CNN 的構建與訓練
參考文獻
展開全部
書友推薦
- >
姑媽的寶刀
- >
羅庸西南聯大授課錄
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
唐代進士錄
- >
史學評論
- >
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)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
山海經
本類暢銷
