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
Python機器學習項目化教程 微課視頻版 題庫版 版權信息
- ISBN：9787302665984
- 條形碼：9787302665984 ; 978-7-302-66598-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習項目化教程 微課視頻版 題庫版 本書特色
本書算法給出數學原理及公式推導過程,以原始實現和調用機器學習庫兩種方式實現,方便讀者在實踐編程中理解機器學習的經典算法。在講解知識點的過程中,以潤物細無聲的方式融入思政元素。
Python機器學習項目化教程 微課視頻版 題庫版 內容簡介
本書主要介紹機器學習經典算法的原理、實現及應用，并通過綜合案例講解如何將實際問題轉換為機器學習算法進行求解。
全書共16章，主要內容包括機器學習概述、機器學習基礎及Python常用庫、樸素貝葉斯分類器、k近鄰算法與非參數估計、聚類、回歸分析、決策樹、支持向量機、降維分析、人工神經網絡、深度學習入門、推薦算法、基于協同過濾的推薦系統、零售商品銷售額分析與預測、手寫數字識別和基于深度學習的中文郵件分類。本書算法首先給出數學原理及公式推導過程，然后分別給出算法的原始實現和通過調用機器學習庫實現兩種實現方式，所有算法及案例均以Python實現，以方便讀者在實踐編程中理解機器學習的經典算法。本書在講解知識點的過程中，以潤物細無聲的方式融入思政元素。
本書可作為高等院校計算機、軟件工程、大數據、人工智能等相關專業的教材，也可作為Python機器學習初學者的參考用書，同時適用于機器學習開發人員和研究人員進行查閱和使用。
Python機器學習項目化教程 微課視頻版 題庫版 目錄
第1章機器學習概述
1.1什么是機器學習
1.2機器學習簡史
1.2.1萌芽期
1.2.2發展期
1.2.3蓬勃期
1.3機器學習、人工智能、深度學習的關系
1.4機器學習的相關概念
1.5機器學習的任務
1.5.1監督學習
1.5.2無監督學習
1.5.3半監督學習
1.5.4強化學習
1.6機器學習的一般步驟
1.7本章小結
1.8習題
第2章機器學習基礎及Python常用庫
2.1機器學習的Python基礎與開發環境
2.1.1Python開發環境簡介
2.1.2Python的基本語法
2.1.3Python列表、元組、字典、集合
2.1.4函數與類
2.1.5NumPy中的array
2.1.6Pandas中的DataFrame
2.1.7數據可視化
2.1.8scikitlearn機器學習庫
2.2機器學習基礎
2.2.1張量
2.2.2梯度下降
2.2.3評估方法
2.2.4常用數據集
2.3本章小結
2.4習題
Python機器學習項目化教程（微課視頻版)
目錄 第3章樸素貝葉斯分類器 3.1貝葉斯分類器的理論基礎 3.1.1貝葉斯定理的相關概念 3.1.2貝葉斯決策理論 3.1.3極大似然估計 3.2樸素貝葉斯分類器的原理與設計 3.2.1了解數據集 3.2.2手工設計貝葉斯分類器 3.2.3貝葉斯分類器的Python實現 3.2.4平滑方法 3.3樸素貝葉斯分類算法的實現——鱸魚和三文魚的分類系統 3.3.1算法實現 3.3.2調用系統函數實現 3.4正態貝葉斯分類器 3.5貝葉斯網絡 3.6本章小結 3.7習題 第4章k近鄰算法與非參數估計 4.1k近鄰算法的原理 4.2k近鄰算法的應用——鳶尾花的分類 4.3非參數估計 4.3.1參數估計與非參數估計 4.3.2非參數估計方法 4.3.3非參數估計的一般推導 4.4非參數估計算法的實現 4.4.1利用直方圖估計概率密度、分類 4.4.2利用Parzen矩形窗估計概率密度、分類 4.4.3利用Parzen正態核估計概率密度、分類 4.5本章小結 4.6習題 第5章聚類 5.1聚類算法簡介 5.1.1聚類算法的分類 5.1.2距離度量的方法 5.2Kmeans聚類 5.2.1Kmeans聚類算法的思想 5.2.2通過調用庫函數實現聚類 5.3基于密度的聚類——DBSCAN聚類 5.3.1DBSCAN算法的原理及相關概念 5.3.2DBSCAN聚類算法 5.4基于層次的聚類——AGNES聚類 5.4.1AGNES聚類算法的思想 5.4.2AGNES算法的實現 5.5高斯混合聚類 5.5.1概率密度函數 5.5.2高斯混合聚類算法的推導過程 5.5.3高斯混合聚類算法思想 5.5.4高斯混合聚類應用舉例 5.6各種聚類算法的比較 5.7本章小結 5.8習題
第6章回歸分析 6.1回歸分析概述 6.2線性回歸 6.2.1單變量線性回歸 6.2.2多變量回歸分析 6.2.3多項式回歸分析 6.3邏輯回歸 6.3.1sigmoid函數與邏輯回歸模型 6.3.2梯度下降與推導過程 6.3.3參數學習向量化 6.3.4邏輯回歸的Python實現——乳腺良性與惡性腫瘤的預測 6.4本章小結 6.5習題 第7章決策樹 7.1決策樹構造的基本原理 7.2決策樹構造的過程 7.3決策樹學習算法的思想及實現 7.4決策樹算法實現——泰坦尼克號幸存者預測 7.5本章小結 7.6習題 第8章支持向量機 8.1SVM簡介 8.1.1線性可分與感知機 8.1.2間隔*大化及線性SVM 8.2線性SVM算法的實現 8.3非線性SVM與核函數 8.3.1線性不可分 8.3.2對偶問題與核函數 8.3.3非線性SVM算法的實現 8.4SVM回歸 8.5SVM算法的實現——鳶尾花的分類 8.5.1sklearn中的SVC參數介紹 8.5.2使用SVC對鳶尾花數據進行分類 8.6本章小結 8.7習題
第9章降維分析 9.1PCA 9.1.1PCA算法的思想 9.1.2PCA算法的推導過程 9.1.3PCA算法的實現 9.2奇異值分解 9.2.1特征值分解 9.2.2SVD定義及性質 9.2.3PCA與SVD 9.2.4SVD算法的實現及應用 9.3本章小結 9.4習題 第10章人工神經網絡 10.1感知機 10.2神經網絡模型 10.3BP神經網絡算法的思想及實現 10.3.1BP神經算法模型參數的學習過程 10.3.2BP神經網絡算法的實現 10.4BP神經網絡算法的實現——鳶尾花分類 10.5本章小結 10.6習題 第11章深度學習入門 11.1深度學習概述 11.1.1什么是深度學習 11.1.2為什么要進行深度學習 11.1.3深度學習與機器學習的區別 11.2卷積神經網絡 11.2.1CNN模型結構 11.2.2卷積 11.2.3池化 11.2.4構建CNN網絡模型 11.3循環神經網絡 11.3.1循環神經網絡的基本結構 11.3.2LSTM網絡 11.3.3簡單的RNN與LSTM算法實現 11.4本章小結 11.5習題
第12章推薦算法 12.1推薦系統簡介 12.1.1信息檢索與推薦系統 12.1.2推薦系統的發展歷史 12.1.3推薦系統的原理與分類 12.1.4推薦系統的評估方法 12.2基于*近鄰的協同過濾推薦算法 12.2.1基于近鄰用戶的協同過濾推薦 12.2.2基于近鄰項目的協同過濾推薦 12.2.3算法實現 12.3基于隱語義分析的推薦模型 12.4基于標簽的推薦算法 12.5本章小結 12.6習題 第13章綜合案例分析： 基于協同過濾的推薦系統 13.1數據探索與分析 13.2基于項目的協同過濾電影推薦系統 13.3本章小結 13.4習題 第14章綜合案例分析： 零售商品銷售額分析與預測 14.1問題描述與分析 14.2數據探索與預處理 14.2.1數據探索 14.2.2屬性特征的數值化 14.2.3缺失值處理 14.3特征選擇 14.4建立回歸模型 14.4.1線性回歸模型 14.4.2嶺回歸模型 14.4.3Lasso回歸模型 14.4.4多項式回歸模型 14.4.5隨機森林回歸模型 14.5超參數選擇 14.6本章小結 14.7習題
第15章綜合案例分析： 手寫數字識別 15.1圖像的存儲表示 15.2數據預處理 15.2.1將圖像轉換為文本 15.2.2將矩陣轉換為向量 15.3基于kNN的手寫數字識別 15.3.1劃分訓練集和測試集 15.3.2kNN分類模型 15.3.3kNN分類模型評估 15.4基于神經網絡的手寫數字識別 15.4.1定義神經網絡模型 15.4.2主函數 15.5本章小結 15.6習題 第16章綜合案例分析： 基于深度學習的中文郵件分類 16.1文本預處理 16.1.1中文分詞 16.1.2文本向量化 16.2中文郵件分類算法及實現 16.3本章小結 16.4習題 參考文獻
目錄 第3章樸素貝葉斯分類器 3.1貝葉斯分類器的理論基礎 3.1.1貝葉斯定理的相關概念 3.1.2貝葉斯決策理論 3.1.3極大似然估計 3.2樸素貝葉斯分類器的原理與設計 3.2.1了解數據集 3.2.2手工設計貝葉斯分類器 3.2.3貝葉斯分類器的Python實現 3.2.4平滑方法 3.3樸素貝葉斯分類算法的實現——鱸魚和三文魚的分類系統 3.3.1算法實現 3.3.2調用系統函數實現 3.4正態貝葉斯分類器 3.5貝葉斯網絡 3.6本章小結 3.7習題 第4章k近鄰算法與非參數估計 4.1k近鄰算法的原理 4.2k近鄰算法的應用——鳶尾花的分類 4.3非參數估計 4.3.1參數估計與非參數估計 4.3.2非參數估計方法 4.3.3非參數估計的一般推導 4.4非參數估計算法的實現 4.4.1利用直方圖估計概率密度、分類 4.4.2利用Parzen矩形窗估計概率密度、分類 4.4.3利用Parzen正態核估計概率密度、分類 4.5本章小結 4.6習題 第5章聚類 5.1聚類算法簡介 5.1.1聚類算法的分類 5.1.2距離度量的方法 5.2Kmeans聚類 5.2.1Kmeans聚類算法的思想 5.2.2通過調用庫函數實現聚類 5.3基于密度的聚類——DBSCAN聚類 5.3.1DBSCAN算法的原理及相關概念 5.3.2DBSCAN聚類算法 5.4基于層次的聚類——AGNES聚類 5.4.1AGNES聚類算法的思想 5.4.2AGNES算法的實現 5.5高斯混合聚類 5.5.1概率密度函數 5.5.2高斯混合聚類算法的推導過程 5.5.3高斯混合聚類算法思想 5.5.4高斯混合聚類應用舉例 5.6各種聚類算法的比較 5.7本章小結 5.8習題
第6章回歸分析 6.1回歸分析概述 6.2線性回歸 6.2.1單變量線性回歸 6.2.2多變量回歸分析 6.2.3多項式回歸分析 6.3邏輯回歸 6.3.1sigmoid函數與邏輯回歸模型 6.3.2梯度下降與推導過程 6.3.3參數學習向量化 6.3.4邏輯回歸的Python實現——乳腺良性與惡性腫瘤的預測 6.4本章小結 6.5習題 第7章決策樹 7.1決策樹構造的基本原理 7.2決策樹構造的過程 7.3決策樹學習算法的思想及實現 7.4決策樹算法實現——泰坦尼克號幸存者預測 7.5本章小結 7.6習題 第8章支持向量機 8.1SVM簡介 8.1.1線性可分與感知機 8.1.2間隔*大化及線性SVM 8.2線性SVM算法的實現 8.3非線性SVM與核函數 8.3.1線性不可分 8.3.2對偶問題與核函數 8.3.3非線性SVM算法的實現 8.4SVM回歸 8.5SVM算法的實現——鳶尾花的分類 8.5.1sklearn中的SVC參數介紹 8.5.2使用SVC對鳶尾花數據進行分類 8.6本章小結 8.7習題
第9章降維分析 9.1PCA 9.1.1PCA算法的思想 9.1.2PCA算法的推導過程 9.1.3PCA算法的實現 9.2奇異值分解 9.2.1特征值分解 9.2.2SVD定義及性質 9.2.3PCA與SVD 9.2.4SVD算法的實現及應用 9.3本章小結 9.4習題 第10章人工神經網絡 10.1感知機 10.2神經網絡模型 10.3BP神經網絡算法的思想及實現 10.3.1BP神經算法模型參數的學習過程 10.3.2BP神經網絡算法的實現 10.4BP神經網絡算法的實現——鳶尾花分類 10.5本章小結 10.6習題 第11章深度學習入門 11.1深度學習概述 11.1.1什么是深度學習 11.1.2為什么要進行深度學習 11.1.3深度學習與機器學習的區別 11.2卷積神經網絡 11.2.1CNN模型結構 11.2.2卷積 11.2.3池化 11.2.4構建CNN網絡模型 11.3循環神經網絡 11.3.1循環神經網絡的基本結構 11.3.2LSTM網絡 11.3.3簡單的RNN與LSTM算法實現 11.4本章小結 11.5習題
第12章推薦算法 12.1推薦系統簡介 12.1.1信息檢索與推薦系統 12.1.2推薦系統的發展歷史 12.1.3推薦系統的原理與分類 12.1.4推薦系統的評估方法 12.2基于*近鄰的協同過濾推薦算法 12.2.1基于近鄰用戶的協同過濾推薦 12.2.2基于近鄰項目的協同過濾推薦 12.2.3算法實現 12.3基于隱語義分析的推薦模型 12.4基于標簽的推薦算法 12.5本章小結 12.6習題 第13章綜合案例分析： 基于協同過濾的推薦系統 13.1數據探索與分析 13.2基于項目的協同過濾電影推薦系統 13.3本章小結 13.4習題 第14章綜合案例分析： 零售商品銷售額分析與預測 14.1問題描述與分析 14.2數據探索與預處理 14.2.1數據探索 14.2.2屬性特征的數值化 14.2.3缺失值處理 14.3特征選擇 14.4建立回歸模型 14.4.1線性回歸模型 14.4.2嶺回歸模型 14.4.3Lasso回歸模型 14.4.4多項式回歸模型 14.4.5隨機森林回歸模型 14.5超參數選擇 14.6本章小結 14.7習題
第15章綜合案例分析： 手寫數字識別 15.1圖像的存儲表示 15.2數據預處理 15.2.1將圖像轉換為文本 15.2.2將矩陣轉換為向量 15.3基于kNN的手寫數字識別 15.3.1劃分訓練集和測試集 15.3.2kNN分類模型 15.3.3kNN分類模型評估 15.4基于神經網絡的手寫數字識別 15.4.1定義神經網絡模型 15.4.2主函數 15.5本章小結 15.6習題 第16章綜合案例分析： 基于深度學習的中文郵件分類 16.1文本預處理 16.1.1中文分詞 16.1.2文本向量化 16.2中文郵件分類算法及實現 16.3本章小結 16.4習題 參考文獻
展開全部
書友推薦
- >
姑媽的寶刀
- >
自卑與超越
- >
二體千字文
- >
中國歷史的瞬間
- >
回憶愛瑪儂
- >
煙與鏡
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
