掃一掃
關(guān)注中圖網(wǎng)
官方微博
機(jī)器學(xué)習(xí)——Python實戰(zhàn)(微課版) 版權(quán)信息
- ISBN：9787560672939
- 條形碼：9787560672939 ; 978-7-5606-7293-9
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機(jī)器學(xué)習(xí)——Python實戰(zhàn)(微課版) 本書特色
本書的主要特點如下： 1. 圖文并茂、循序漸進(jìn) 本書圖文并茂、突出實用性，并提供了大量的操作示例和代碼，較好地將學(xué)習(xí)與應(yīng)用結(jié)合在一起；內(nèi)容由淺入深，循序漸進(jìn)，適合不同層次的讀者閱讀。 2. 理論教學(xué)與實際項目開發(fā)緊密結(jié)合 為了使讀者能快速地掌握相關(guān)技術(shù)并按實際項目開發(fā)要求熟練運用所學(xué)知識，本書在各模塊中都設(shè)計了相關(guān)實訓(xùn)。 3. 案例典型，輕松易學(xué) 本書所選用的案例均與日常生活密切相關(guān)，如房價數(shù)據(jù)分析、鳶尾花分類等，可使讀者在學(xué)習(xí)的時候不會覺得陌生，更容易接受，從而提高學(xué)習(xí)效率。 4. 緊跟行業(yè)技術(shù)發(fā)展 機(jī)器學(xué)習(xí)技術(shù)發(fā)展很快，本書著重于當(dāng)前主流技術(shù)的講解，與行業(yè)聯(lián)系密切，所有內(nèi)容緊跟行業(yè)技術(shù)的發(fā)展。 5. “教、學(xué)、做”一體化 本書精心設(shè)計了以企業(yè)典型項目為載體、任務(wù)驅(qū)動、“教、學(xué)、做”一體化的教學(xué)內(nèi)容，注重通過實訓(xùn)引導(dǎo)學(xué)生在實踐的基礎(chǔ)上理解并掌握理論知識，從而掌握相關(guān)崗位的基本技能，提升綜合應(yīng)用能力。每個模塊除了安排技能實訓(xùn)，還安排有拓展實訓(xùn)，拓展實訓(xùn)相關(guān)步驟由學(xué)生自己完成，實現(xiàn)學(xué)中做、做中學(xué)的教學(xué)模式。 6. 教學(xué)資源豐富 本書不僅采用了傳統(tǒng)教材的知識體系，還融入了現(xiàn)代信息技術(shù)，提供了多樣化的教學(xué)資源，讀者掃描書中的二維碼即可學(xué)習(xí)。微課版教材的特點在于其靈活性和互動性。本書通過凝練的視頻課程，將復(fù)雜的知識點分解成易于理解和消化的小塊內(nèi)容，使讀者能夠在任何時間、任何地點通過移動設(shè)備輕松學(xué)習(xí)。通過這種創(chuàng)新的模式，讀者將能夠更加深入地掌握知識，提高學(xué)習(xí)效率。 本書加了*的模塊是課程的拓展部分，可滿足職業(yè)本科層次以上學(xué)生的學(xué)習(xí)需求，高等職業(yè)教育學(xué)生可根據(jù)實際情況選用。
機(jī)器學(xué)習(xí)——Python實戰(zhàn)(微課版) 內(nèi)容簡介
本書較為全面地介紹了機(jī)器學(xué)習(xí)的核心算法和理論。全書共10個模塊，包括機(jī)器學(xué)習(xí)入門基礎(chǔ)、機(jī)器學(xué)習(xí)數(shù)學(xué)基礎(chǔ)、回歸算法、樸素貝葉斯分類算法、決策樹分類算法、邏輯回歸、支持向量機(jī)、聚類、集成學(xué)習(xí)之隨機(jī)森林算法與Ada Boost算法等，各模塊均配有技能實訓(xùn)和拓展實訓(xùn)，可幫助讀者強(qiáng)化所學(xué)內(nèi)容。 本書可作為高等職業(yè)教育電子信息相關(guān)專業(yè)機(jī)器學(xué)習(xí)、數(shù)據(jù)分析、數(shù)據(jù)挖掘等課程的教材，也可作為程序員、數(shù)據(jù)分析師、數(shù)據(jù)科學(xué)家等相關(guān)人員解決實際問題的工具書，還可作為機(jī)器學(xué)習(xí)初學(xué)者的入門參考書和工程技術(shù)人員的參考資料。
機(jī)器學(xué)習(xí)——Python實戰(zhàn)(微課版) 目錄
模塊1 機(jī)器學(xué)習(xí)入門基礎(chǔ) 1
1.1 機(jī)器學(xué)習(xí)的概念 2
1.2 機(jī)器學(xué)習(xí)的原理 3
1.3 機(jī)器學(xué)習(xí)的分類 5
1.4 機(jī)器學(xué)習(xí)的實施流程 6
1.4.1 數(shù)據(jù)收集 6
1.4.2 數(shù)據(jù)清洗 6
1.4.3 特征提取與選擇 7
1.4.4 模型訓(xùn)練 8
1.4.5 模型評估測試 8
1.4.6 模型部署應(yīng)用 8
1.5 機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域 9
1.6 機(jī)器學(xué)習(xí)的開發(fā)工具 10
1.6.1 一站式開發(fā)環(huán)境Anaconda 10
1.6.2 集成開發(fā)環(huán)境PyCharm 11
實訓(xùn)一 安裝一站式開發(fā)環(huán)境Anaconda 12
實訓(xùn)二 安裝集成開發(fā)環(huán)境PyCharm 22
模塊2 機(jī)器學(xué)習(xí)數(shù)學(xué)基礎(chǔ) 33
2.1 線性代數(shù) 34
2.1.1 向量空間 34
2.1.2 矩陣分析 40
2.2 概率與統(tǒng)計 43
2.2.1 概率與條件概率 43
2.2.2 貝葉斯理論 44
2.2.3 信息論基礎(chǔ) 45
2.3* 多元微積分 47
2.3.1 導(dǎo)數(shù)與偏導(dǎo)數(shù) 47
2.3.2 梯度和海森矩陣 48
2.3.3 *速下降法 50
2.3.4 隨機(jī)梯度下降法 51
實訓(xùn)一 利用Python實現(xiàn)線性代數(shù)相關(guān)方法 52
實訓(xùn)二 利用Python實現(xiàn)概率論相關(guān)方法 55
模塊3 回歸算法 58
3.1 線性回歸 59
3.1.1 一元線性回歸 60
3.1.2 多元線性回歸 61
3.2 代價(損失)函數(shù) 61
3.3 梯度下降法 62
3.3.1 梯度下降法的數(shù)學(xué)描述 63
3.3.2 梯度下降法的調(diào)優(yōu) 64
3.4 標(biāo)準(zhǔn)方程法 65
3.5 非線性回歸 66
實訓(xùn)一 利用scikit-learn基于波士頓房價數(shù)據(jù)集實現(xiàn)線性回歸算法 67
實訓(xùn)二 利用scikit-learn多元線性回歸建立美國加利福尼亞地區(qū)的房價預(yù)測模型 68
實訓(xùn)三 通過廣告花費預(yù)測產(chǎn)品銷售額 71
模塊4 樸素貝葉斯分類算法 78
4.1 貝葉斯分類算法 79
4.1.1 貝葉斯定理 79
4.1.2 貝葉斯定理的一個簡單例子 80
4.1.3 貝葉斯分類算法的原理 80
4.2 樸素貝葉斯分類算法簡述 81
4.2.1 樸素貝葉斯分類算法的原理 81
4.2.2 樸素貝葉斯分類算法的參數(shù)估計 82
4.2.3 樸素貝葉斯分類算法的優(yōu)缺點 83
4.3 高斯樸素貝葉斯分類算法 83
4.4 多項式樸素貝葉斯分類算法 84
實訓(xùn)一 高斯樸素貝葉斯分類算法的Python實現(xiàn)——鳶尾花分類 85
實訓(xùn)二 多項式樸素貝葉斯分類算法的Python實現(xiàn)——新聞分類 88
模塊5 決策樹分類算法 93
5.1 決策樹分類算法的基本概念 95
5.1.1 以信息論為基礎(chǔ)的分類原理 95
5.1.2 決策樹度量標(biāo)準(zhǔn) 96
5.1.3 決策樹的具體用法 96
5.1.4 決策樹分類算法的優(yōu)缺點 97
5.2 常用的決策樹分類算法 98
5.2.1 ID3決策樹分類算法 98
5.2.2 C4.5決策樹分類算法 102
5.2.3 CART分類算法 103
5.3 決策樹剪枝 104
實訓(xùn)一 利用scikit-learn的決策樹編寫一個廣告屏蔽程序 105
實訓(xùn)二 利用CART分類算法創(chuàng)建分類樹 108
實訓(xùn)三 實現(xiàn)CART回歸樹 109
模塊6 邏輯回歸 113
6.1 邏輯回歸概述 114
6.2 邏輯回歸原理 116
6.2.1 邏輯回歸模型 116
6.2.2 邏輯回歸學(xué)習(xí)策略 117
6.2.3 邏輯回歸優(yōu)化算法 118
6.3 多項邏輯回歸 119
實訓(xùn) 對鳶尾花數(shù)據(jù)進(jìn)行邏輯回歸 121
模塊7 支持向量機(jī) 126
7.1 支持向量機(jī)的基礎(chǔ)知識 128
7.2 不同情形下的支持向量機(jī) 130
7.2.1 線性可分下的支持向量機(jī) 130
7.2.2 線性不可分下的支持向量機(jī) 131
7.2.3 非線性支持向量機(jī) 131
7.2.4 多分類支持向量機(jī) 132
7.2.5 支持向量回歸機(jī) 132
實訓(xùn)一 線性SVM 133
實訓(xùn)二 非線性SVM 137
模塊8 聚類 141
8.1 聚類概述 142
8.1.1 聚類算法簡介 142
8.1.2 性能度量和距離計算 143
8.1.3 聚類算法的分類 143
8.2 K-means聚類 144
8.2.1 K-means聚類過程和原理 144
8.2.2 K-means算法優(yōu)化 145
8.2.3 K-means應(yīng)用實例 146
8.3 層次聚類 149
8.3.1 層次聚類的過程和原理 150
8.3.2 凝聚層次聚類 151
8.3.3 Hierarchical Clustering算法簡介 152
8.3.4 BIRCH算法簡介 153
8.3.5 層次聚類應(yīng)用實例 154
8.4 密度聚類 155
8.4.1 密度聚類的過程和原理 155
8.4.2 密度聚類應(yīng)用實例 158
實訓(xùn) K-means的電信客戶流失群體分析 160
模塊9* 集成學(xué)習(xí)之隨機(jī)森林算法 171
9.1 集成學(xué)習(xí)算法思想 172
9.2 隨機(jī)森林 175
9.2.1 隨機(jī)森林的基本概念及原理 175
9.2.2 樣例分析 176
9.2.3 隨機(jī)森林的特點 178
9.2.4 與其他有監(jiān)督學(xué)習(xí)算法的對比 179
9.3 隨機(jī)森林的推廣——極端隨機(jī)樹 179
9.4 隨機(jī)森林算法的scikit-learn實現(xiàn) 180
9.4.1 scikit-learn隨機(jī)森林類庫概述 180
9.4.2 隨機(jī)森林算法的框架參數(shù) 180
9.4.3 隨機(jī)森林算法的輸出參數(shù) 182
實訓(xùn) 利用隨機(jī)森林算法對鳶尾花進(jìn)行數(shù)據(jù)分析 182
模塊10* 集成學(xué)習(xí)之AdaBoost算法 195
10.1 AdaBoost算法 196
10.1.1 AdaBoost算法概述 196
10.1.2 AdaBoost算法的分類 197
10.2 AdaBoost算法的scikit-learn實現(xiàn) 201
10.2.1 AdaBoost算法的框架 201
10.2.2 AdaBoost算法的超參數(shù) 201
10.2.3 AdaBoost算法的模型參數(shù) 202
實訓(xùn)一 AdaBoost算法的scikit-learn實現(xiàn) 203
實訓(xùn)二 AdaBoost算法的波士頓房價預(yù)測 205
附錄 scikit-learn簡單動手實踐 210
參考文獻(xiàn) 216
展開全部
書友推薦
- >
中國歷史的瞬間
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
伯納黛特,你要去哪(2021新版)
- >
自卑與超越
- >
唐代進(jìn)士錄
- >
小考拉的故事-套裝共3冊
- >
李白與唐代文化
- >
煙與鏡
本類暢銷
