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(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學大系:從加減乘除到機器學習) 版權信息
- ISBN：9787302666769
- 條形碼：9787302666769 ; 978-7-302-66676-9
- 裝幀：軟精裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機器學習(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學大系:從加減乘除到機器學習) 本書特色
這是一本前所未見的數(shù)據(jù)可視化入門書，顏值極高。姜偉生博士自謙“小鎮(zhèn)做題家”，實際上他是國際著名金融企業(yè)的金融科技專家。很難想象一位以“術數(shù)”為業(yè)的金融家具備如此徹底的分享動機，同時，姜博士有著卓越的藝術品位和設計能力，不僅承擔了這套書的精深內容，更承擔了全系圖書的整體設計。希望讀者從枯燥的常規(guī)數(shù)學書中解脫出來，賞心悅目地慢慢走入繽紛的AI宇宙。
機器學習(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學大系:從加減乘除到機器學習) 內容簡介
《機器學習 : 全彩圖解 微課 Python編程》是“鳶尾花數(shù)學大系：從加減乘除到機器學習”叢書的*后一冊，前六本解決了編程、可視化、數(shù)學、 數(shù)據(jù)方面的諸多問題，而《機器學習 : 全彩圖解 微課 Python編程》將開啟機器學習經典算法的學習之旅。
《機器學習 : 全彩圖解 微課 Python編程》設置了 24 個話題，對應四大類機器學習經典算法（回歸、分類、降維、聚類），覆蓋算法包括： 回歸分析、多元線性回歸、非線性回歸、正則化回歸、貝葉斯回歸、高斯過程、k *近鄰分類、樸素貝葉 斯分類、高斯判別分析、支持向量機、核技巧、決策樹、主成分分析、截斷奇異值分解、主成分分析進階、 主成分分析與回歸、核主成分分析、典型相關分析、 k 均值聚類、高斯混合模型、*大期望算法、層次聚類、 密度聚類、譜聚類。
《機器學習 : 全彩圖解 微課 Python編程》選取算法模型的目標是覆蓋 Scikit-Learn 庫的常用機器學習算法函數(shù)，讓讀者充分理解算法理論， 又能聯(lián)系實際應用。因此，在學習《機器學習 : 全彩圖解 微課 Python編程》時，特別希望調用 Scikit-Learn 各種函數(shù)來解決問題之余，更要理解 算法背后的數(shù)學工具。因此，《機器學習 : 全彩圖解 微課 Python編程》給出適度的數(shù)學推導以及擴展閱讀。《機器學習 : 全彩圖解 微課 Python編程》是“鳶尾花數(shù)學大系：從加減乘除到機器學習”叢書的*后一冊，前六本解決了編程、可視化、數(shù)學、 數(shù)據(jù)方面的諸多問題，而《機器學習 : 全彩圖解 微課 Python編程》將開啟機器學習經典算法的學習之旅。
《機器學習 : 全彩圖解 微課 Python編程》設置了 24 個話題，對應四大類機器學習經典算法（回歸、分類、降維、聚類），覆蓋算法包括： 回歸分析、多元線性回歸、非線性回歸、正則化回歸、貝葉斯回歸、高斯過程、k *近鄰分類、樸素貝葉 斯分類、高斯判別分析、支持向量機、核技巧、決策樹、主成分分析、截斷奇異值分解、主成分分析進階、 主成分分析與回歸、核主成分分析、典型相關分析、 k 均值聚類、高斯混合模型、*大期望算法、層次聚類、 密度聚類、譜聚類。
《機器學習 : 全彩圖解 微課 Python編程》選取算法模型的目標是覆蓋 Scikit-Learn 庫的常用機器學習算法函數(shù)，讓讀者充分理解算法理論， 又能聯(lián)系實際應用。因此，在學習《機器學習 : 全彩圖解 微課 Python編程》時，特別希望調用 Scikit-Learn 各種函數(shù)來解決問題之余，更要理解 算法背后的數(shù)學工具。因此，《機器學習 : 全彩圖解 微課 Python編程》給出適度的數(shù)學推導以及擴展閱讀。
《機器學習 : 全彩圖解 微課 Python編程》提供代碼示例和視頻講解，“鳶尾花書”強調在 JupyterLab 自主探究學習才能提高編程技能。本 書配套微課也主要以配套 Jupyter Notebooks 為核心，希望讀者邊看視頻，邊動手練習。
《機器學習 : 全彩圖解 微課 Python編程》讀者群包括所有試圖用機器學習解決問題的朋友，尤其適用于機器學習入門、初級程序員轉型、 高級數(shù)據(jù)分析師、機器學習進階。
機器學習(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學大系:從加減乘除到機器學習) 目錄
Contents
目錄 緒論 1
第 1章 機器學習 7
1.1 什么是機器學習? 8
1.2 回歸：找到自變量與因變量關系 10
1.3 分類：針對有標簽數(shù)據(jù) 14
1.4 降維：降低數(shù)據(jù)維度，提取主要特征 16
1.5 聚類：針對無標簽數(shù)據(jù) 20
1.6 機器學習流程 21
1.7 下一步學什么？ 24
第 2章 回歸分析 27
2.1 線性回歸：一個表格、一條直線 29
2.2 方差分析 (ANOVA) 32
2.3 總離差平方和 (SST) 35
2.4 回歸平方和 (SSR) 37
2.5 殘差平方和 (SSE) 38
2.6 幾何視角：勾股定理 40
2.7 擬合優(yōu)度：評價擬合程度 42
2.8 F 檢驗：模型參數(shù)不全為 0 44
2.9 t 檢驗：某個回歸系數(shù)是否為 0 46
2.10 置信區(qū)間：因變量均值的區(qū)間 50
2.11 預測區(qū)間：因變量特定值的區(qū)間 51
2.12 對數(shù)似然函數(shù)：用在*大似然估計 (MLE) 51
2.13 信息準則：選擇模型的標準 52
2.14 殘差分析：假設殘差服從均值為 0 的正態(tài)分布 53
2.15 自相關檢測：Durbin-Watson 54
2.16 條件數(shù)：多重共線性 55 第 3章 多元線性回歸 57
3.1 多元線性回歸 58
3.2 優(yōu)化問題：OLS 60
3.3 幾何解釋：投影 63
3.4 二元線性回歸實例 65
3.5 多元線性回歸實例 68
3.6 正交關系 72
3.7 三個平方和 75
3.8 t 檢驗 77
3.9 多重共線性 78
3.10 條件概率視角看多元線性回歸 80 第4章 非線性回歸 85
4.1 線性回歸 86
4.2 線性對數(shù)模型 88
4.3 非線性回歸 90
4.4 多項式回歸 92
4.5 邏輯回歸 97
4.6 邏輯函數(shù)完成分類問題 102 第 5章 正則化回歸 109
5.1 正則化：抑制過擬合 110
5.2 嶺回歸 113
5.3 幾何角度看嶺回歸 119
5.4 套索回歸 121
5.5 幾何角度看套索回歸 123
5.6 彈性網絡回歸 127 第 6章 貝葉斯回歸 133
6.1 回顧貝葉斯推斷 134
6.2 貝葉斯回歸：無信息先驗 137
6.3 使用 PyMC 完成貝葉斯回歸 137
6.4 貝葉斯視角理解嶺正則化 142
6.5 貝葉斯視角理解套索正則化 144 第 7章 高斯過程 149
7.1 高斯過程原理 150
7.2 解決回歸問題 156
7.3 解決分類問題 157
第8章 k*近鄰分類 163
8.1 k *近鄰分類原理：近朱者赤，近墨者黑 164
8.2 二分類：非紅，即藍 166
8.3 三分類：非紅，要么藍，要么灰 168
8.4 近鄰數(shù)量 k 影響投票結果 170
8.5 投票權重：越近，影響力越高 173
8.6 *近質心分類：分類邊界為中垂線 174
8.7 k-NN 回歸：非參數(shù)回歸 177 第 9章 樸素貝葉斯分類 181
9.1 重逢貝葉斯 182
9.2 樸素貝葉斯的“樸素 ”之處 186
9.3 高斯，你好 198 第 10章 高斯判別分析 213
10.1 又見高斯 214
10.2 六類協(xié)方差矩陣 217
10.3 決策邊界解析解 219
10.4 **類 221
10.5 第二類 224
10.6 第三類 226
10.7 第四類 227
10.8 第五類 228
10.9 第六類 229
10.10 線性和二次判別分析 230 第 11章 支持向量機 235
11.1 支持向量機 236
11.2 硬間隔：處理線性可分 240
11.3 構造優(yōu)化問題 245
11.4 支持向量機處理二分類問題 248
11.5 軟間隔：處理線性不可分 252 第 12章 核技巧 257
12.1 映射函數(shù)：實現(xiàn)升維 258
12.2 核技巧 SVM 優(yōu)化問題 261
12.3 線性核：*基本的核函數(shù) 266
12.4 多項式核 268
12.5 二次核：二次曲面 271
12.6 三次核：三次曲面 273
12.7 高斯核：基于徑向基函數(shù) 275
12.8 Sigmoid 核 280 第 13章 決策樹 285
13.1 決策樹：可以分類，也可以回歸 286
13.2 信息熵：不確定性度量 288
13.3 信息增益：通過劃分，提高確定度 290
13.4 基尼指數(shù)：指數(shù)越大，不確定性越高 292
13.5 *大葉節(jié)點：影響決策邊界 293
13.6 *大深度：控制樹形大小 297
第 14章 主成分分析 303
14.1 主成分分析 304
14.2 原始數(shù)據(jù) 307
14.3 特征值分解 310
14.4 正交空間 312
14.5 投影結果 316
14.6 還原 320
14.7 雙標圖 323
14.8 陡坡圖 327
第 15章 截斷奇異值分解 331
15.1 幾何視角看奇異值分解 332
15.2 四種 SVD 分解 334
15.3 幾何視角看截斷型 SVD 336
15.4 優(yōu)化視角看截斷型 SVD 339
15.5 分析鳶尾花照片 343 第 16章 主成分分析進階 351
16.1 從“六條技術路線 ”說起 352
16.2 協(xié)方差矩陣：中心化數(shù)據(jù) 355
16.3 格拉姆矩陣：原始數(shù)據(jù) 363
16.4 相關性系數(shù)矩陣：標準化數(shù)據(jù) 368 第 17章 主成分分析與回歸 375
17.1 正交回歸 376
17.2 一元正交回歸 378
17.3 幾何角度看正交回歸 382
17.4 二元正交回歸 385
17.5 多元正交回歸 389
17.6 主元回歸 393
17.7 偏*小二乘回歸 405 第 18章 核主成分分析 413
18.1 核主成分分析 414
18.2 從主成分分析說起 415
18.3 用核技巧完成核主成分分析 418 第 19章 典型相關分析 427
19.1 典型相關分析原理 428
19.2 從一個協(xié)方差矩陣考慮 432
19.3 以鳶尾花數(shù)據(jù)為例 434
第 20章 K均值聚類 443
20.1 K 均值聚類 444
20.2 優(yōu)化問題 445
20.3 迭代過程 448
20.4 肘部法則：選定聚類簇值 450
20.5 輪廓圖：選定聚類簇值 452
20.6 沃羅諾伊圖 454 第 21章 高斯混合模型 457
21.1 高斯混合模型 458
21.2 四類協(xié)方差矩陣 464
21.3 分量數(shù)量 469
21.4 硬聚類和軟聚類 471 第 22章 *大期望算法 475
22.1 *大期望 476
22.2 E 步：*大化期望 477
22.3 M 步：*大化似然概率 480
22.4 迭代過程 482
22.5 多元 GMM 迭代 486 第 23章 層次聚類 495
23.1 層次聚類 496
23.2 樹形圖 497
23.3 簇間距離 503
23.4 親近度層次聚類 509 第 24章 密度聚類 511
24.1 DBSCAN 聚類 512
24.2 調節(jié)參數(shù) 515 第 25章 譜聚類 519
25.1 譜聚類 520
25.2 距離矩陣 521
25.3 相似度 524
25.4 無向圖 525
25.5 拉普拉斯矩陣 527
25.6 特征值分解 530
參考文獻 535
目錄 緒論 1
第 1章 機器學習 7
1.1 什么是機器學習? 8
1.2 回歸：找到自變量與因變量關系 10
1.3 分類：針對有標簽數(shù)據(jù) 14
1.4 降維：降低數(shù)據(jù)維度，提取主要特征 16
1.5 聚類：針對無標簽數(shù)據(jù) 20
1.6 機器學習流程 21
1.7 下一步學什么？ 24
第 2章 回歸分析 27
2.1 線性回歸：一個表格、一條直線 29
2.2 方差分析 (ANOVA) 32
2.3 總離差平方和 (SST) 35
2.4 回歸平方和 (SSR) 37
2.5 殘差平方和 (SSE) 38
2.6 幾何視角：勾股定理 40
2.7 擬合優(yōu)度：評價擬合程度 42
2.8 F 檢驗：模型參數(shù)不全為 0 44
2.9 t 檢驗：某個回歸系數(shù)是否為 0 46
2.10 置信區(qū)間：因變量均值的區(qū)間 50
2.11 預測區(qū)間：因變量特定值的區(qū)間 51
2.12 對數(shù)似然函數(shù)：用在*大似然估計 (MLE) 51
2.13 信息準則：選擇模型的標準 52
2.14 殘差分析：假設殘差服從均值為 0 的正態(tài)分布 53
2.15 自相關檢測：Durbin-Watson 54
2.16 條件數(shù)：多重共線性 55 第 3章 多元線性回歸 57
3.1 多元線性回歸 58
3.2 優(yōu)化問題：OLS 60
3.3 幾何解釋：投影 63
3.4 二元線性回歸實例 65
3.5 多元線性回歸實例 68
3.6 正交關系 72
3.7 三個平方和 75
3.8 t 檢驗 77
3.9 多重共線性 78
3.10 條件概率視角看多元線性回歸 80 第4章 非線性回歸 85
4.1 線性回歸 86
4.2 線性對數(shù)模型 88
4.3 非線性回歸 90
4.4 多項式回歸 92
4.5 邏輯回歸 97
4.6 邏輯函數(shù)完成分類問題 102 第 5章 正則化回歸 109
5.1 正則化：抑制過擬合 110
5.2 嶺回歸 113
5.3 幾何角度看嶺回歸 119
5.4 套索回歸 121
5.5 幾何角度看套索回歸 123
5.6 彈性網絡回歸 127 第 6章 貝葉斯回歸 133
6.1 回顧貝葉斯推斷 134
6.2 貝葉斯回歸：無信息先驗 137
6.3 使用 PyMC 完成貝葉斯回歸 137
6.4 貝葉斯視角理解嶺正則化 142
6.5 貝葉斯視角理解套索正則化 144 第 7章 高斯過程 149
7.1 高斯過程原理 150
7.2 解決回歸問題 156
7.3 解決分類問題 157
第8章 k*近鄰分類 163
8.1 k *近鄰分類原理：近朱者赤，近墨者黑 164
8.2 二分類：非紅，即藍 166
8.3 三分類：非紅，要么藍，要么灰 168
8.4 近鄰數(shù)量 k 影響投票結果 170
8.5 投票權重：越近，影響力越高 173
8.6 *近質心分類：分類邊界為中垂線 174
8.7 k-NN 回歸：非參數(shù)回歸 177 第 9章 樸素貝葉斯分類 181
9.1 重逢貝葉斯 182
9.2 樸素貝葉斯的“樸素 ”之處 186
9.3 高斯，你好 198 第 10章 高斯判別分析 213
10.1 又見高斯 214
10.2 六類協(xié)方差矩陣 217
10.3 決策邊界解析解 219
10.4 **類 221
10.5 第二類 224
10.6 第三類 226
10.7 第四類 227
10.8 第五類 228
10.9 第六類 229
10.10 線性和二次判別分析 230 第 11章 支持向量機 235
11.1 支持向量機 236
11.2 硬間隔：處理線性可分 240
11.3 構造優(yōu)化問題 245
11.4 支持向量機處理二分類問題 248
11.5 軟間隔：處理線性不可分 252 第 12章 核技巧 257
12.1 映射函數(shù)：實現(xiàn)升維 258
12.2 核技巧 SVM 優(yōu)化問題 261
12.3 線性核：*基本的核函數(shù) 266
12.4 多項式核 268
12.5 二次核：二次曲面 271
12.6 三次核：三次曲面 273
12.7 高斯核：基于徑向基函數(shù) 275
12.8 Sigmoid 核 280 第 13章 決策樹 285
13.1 決策樹：可以分類，也可以回歸 286
13.2 信息熵：不確定性度量 288
13.3 信息增益：通過劃分，提高確定度 290
13.4 基尼指數(shù)：指數(shù)越大，不確定性越高 292
13.5 *大葉節(jié)點：影響決策邊界 293
13.6 *大深度：控制樹形大小 297
第 14章 主成分分析 303
14.1 主成分分析 304
14.2 原始數(shù)據(jù) 307
14.3 特征值分解 310
14.4 正交空間 312
14.5 投影結果 316
14.6 還原 320
14.7 雙標圖 323
14.8 陡坡圖 327
第 15章 截斷奇異值分解 331
15.1 幾何視角看奇異值分解 332
15.2 四種 SVD 分解 334
15.3 幾何視角看截斷型 SVD 336
15.4 優(yōu)化視角看截斷型 SVD 339
15.5 分析鳶尾花照片 343 第 16章 主成分分析進階 351
16.1 從“六條技術路線 ”說起 352
16.2 協(xié)方差矩陣：中心化數(shù)據(jù) 355
16.3 格拉姆矩陣：原始數(shù)據(jù) 363
16.4 相關性系數(shù)矩陣：標準化數(shù)據(jù) 368 第 17章 主成分分析與回歸 375
17.1 正交回歸 376
17.2 一元正交回歸 378
17.3 幾何角度看正交回歸 382
17.4 二元正交回歸 385
17.5 多元正交回歸 389
17.6 主元回歸 393
17.7 偏*小二乘回歸 405 第 18章 核主成分分析 413
18.1 核主成分分析 414
18.2 從主成分分析說起 415
18.3 用核技巧完成核主成分分析 418 第 19章 典型相關分析 427
19.1 典型相關分析原理 428
19.2 從一個協(xié)方差矩陣考慮 432
19.3 以鳶尾花數(shù)據(jù)為例 434
第 20章 K均值聚類 443
20.1 K 均值聚類 444
20.2 優(yōu)化問題 445
20.3 迭代過程 448
20.4 肘部法則：選定聚類簇值 450
20.5 輪廓圖：選定聚類簇值 452
20.6 沃羅諾伊圖 454 第 21章 高斯混合模型 457
21.1 高斯混合模型 458
21.2 四類協(xié)方差矩陣 464
21.3 分量數(shù)量 469
21.4 硬聚類和軟聚類 471 第 22章 *大期望算法 475
22.1 *大期望 476
22.2 E 步：*大化期望 477
22.3 M 步：*大化似然概率 480
22.4 迭代過程 482
22.5 多元 GMM 迭代 486 第 23章 層次聚類 495
23.1 層次聚類 496
23.2 樹形圖 497
23.3 簇間距離 503
23.4 親近度層次聚類 509 第 24章 密度聚類 511
24.1 DBSCAN 聚類 512
24.2 調節(jié)參數(shù) 515 第 25章 譜聚類 519
25.1 譜聚類 520
25.2 距離矩陣 521
25.3 相似度 524
25.4 無向圖 525
25.5 拉普拉斯矩陣 527
25.6 特征值分解 530
參考文獻 535
展開全部
機器學習(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學大系:從加減乘除到機器學習) 作者簡介
姜偉生 博士 FRM。
勤奮的小鎮(zhèn)做題家，熱愛知識可視化和開源分享。自2022年8月開始，在GitHub上開源“鳶尾花書”學習資源，截至2024年5月，已經分享5000多頁PDF、5000多幅矢量圖、約3000個代碼文件，全球讀者數(shù)以萬計，GitHub全球排名TOP100。
書友推薦
- >
姑媽的寶刀
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
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
- >
中國歷史的瞬間
- >
苦雨齋序跋文-周作人自編集
- >
自卑與超越
本類暢銷
