-
>
貨幣大歷史:金融霸權(quán)與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當(dāng)代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權(quán)力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創(chuàng)意玩具書(精裝4冊)
PYTHON機器學(xué)習(xí)與應(yīng)用案例 版權(quán)信息
- ISBN:9787302680086
- 條形碼:9787302680086 ; 978-7-302-68008-6
- 裝幀:平裝-膠訂
- 冊數(shù):暫無
- 重量:暫無
- 所屬分類:
PYTHON機器學(xué)習(xí)與應(yīng)用案例 本書特色
?全面性 內(nèi)容由淺入深,既有原理介紹,又有實戰(zhàn)操作,使讀者在實踐中掌握相關(guān)知識,并為解決問題提供詳細(xì)的方法。
?實用性 理論與實踐相結(jié)合,實例豐富,具有實用性,幫助讀者理解機器學(xué)習(xí)的概念、原理和算法。
?通俗性 用淺顯易懂的語言介紹Python機器學(xué)習(xí)的相關(guān)內(nèi)容,即使沒有機器學(xué)習(xí)基礎(chǔ)的讀者也可以快速上手。
?易學(xué)性 提供程序代碼、教學(xué)課件等資源,獲取方式詳見前言。
PYTHON機器學(xué)習(xí)與應(yīng)用案例 內(nèi)容簡介
"Python是目前比較熱門的編程語言,以簡單易學(xué)、應(yīng)用廣泛、類庫強大而著稱,是實現(xiàn)機器學(xué)習(xí)算法的**語言!禤ython機器學(xué)習(xí)與應(yīng)用案例》理論與實踐相結(jié)合,基于Python 3.12.0版本介紹Python機器學(xué)習(xí)的相關(guān)內(nèi)容。全書共10章,分別介紹了機器學(xué)習(xí)的基礎(chǔ)知識、近鄰法、數(shù)據(jù)降維、分類算法、回歸算法、聚類算法、神經(jīng)網(wǎng)絡(luò)、推薦算法、頻繁項集、數(shù)據(jù)預(yù)處理。通過本書的學(xué)習(xí),讀者可了解Python編程及在機器學(xué)習(xí)中的應(yīng)用。 《Python機器學(xué)習(xí)與應(yīng)用案例》可作為對Python和機器學(xué)習(xí)感興趣的初學(xué)者的參考書,也可作為從事Python開發(fā)的廣大科研人員、學(xué)者、工程技術(shù)人員的參考書,還可作為高等院校人工智能、計算機等相關(guān)專業(yè)的教材。"
PYTHON機器學(xué)習(xí)與應(yīng)用案例PYTHON機器學(xué)習(xí)與應(yīng)用案例 前言
機器學(xué)習(xí)(Machine Learning,ML)是多領(lǐng)域交叉學(xué)科,涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等。機器學(xué)習(xí)專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為,以獲取新的知識或技能,重新組織已有的知識結(jié)構(gòu),使之不斷改善自身的性能。
本書由佛山大學(xué)蔡靜編寫。
編者
2024年12月
PYTHON機器學(xué)習(xí)與應(yīng)用案例 目錄
第1章機器學(xué)習(xí)的基礎(chǔ)知識
1.1何謂機器學(xué)習(xí)
1.1.1傳感器和海量數(shù)據(jù)
1.1.2機器學(xué)習(xí)的重要性
1.1.3機器學(xué)習(xí)的表現(xiàn)
1.1.4機器學(xué)習(xí)的主要任務(wù)
1.1.5選擇合適的算法
1.1.6機器學(xué)習(xí)程序的步驟
1.2綜合分類
1.3推薦系統(tǒng)和深度學(xué)習(xí)
1.3.1推薦系統(tǒng)
1.3.2深度學(xué)習(xí)
1.4何為Python
1.4.1使用Python軟件的由來
1.4.2為什么使用Python
1.4.3Python設(shè)計定位
1.4.4Python的優(yōu)缺點
1.4.5Python的應(yīng)用
1.5Python編程**步
1.6NumPy函數(shù)庫基礎(chǔ)
1.7Python迭代器與生成器
1.7.1迭代器
1.7.2生成器
1.8Pandas科學(xué)計算庫
1.8.1Pandas簡介
1.8.2Pandas的安裝
1.8.3Pandas Series
1.8.4Pandas DataFrame
1.8.5Pandas CSV文件
1.9多線程
1.9.1學(xué)習(xí)Python線程
1.9.2線程模塊
1.9.3線程同步
1.9.4線程優(yōu)先級隊列(Queue)
1.10小結(jié)
1.11習(xí)題
第2章Python近鄰法
2.1k近鄰法的三要素
2.1.1k值的選擇
2.1.2距離度量
2.1.3分類決策規(guī)則
2.2k近鄰法
2.3kd樹
2.3.1什么是kd樹
2.3.2如何構(gòu)建kd樹
2.3.3如何在kd樹中搜索
2.4Python實現(xiàn)kd樹、k近鄰法
2.5k近鄰實戰(zhàn)配對判定
2.6小結(jié)
2.7習(xí)題
第3章Python數(shù)據(jù)降維
3.1維數(shù)災(zāi)難與降維
3.2主成分分析
3.2.1PCA原理
3.2.2PCA算法
3.2.3PCA降維的兩個準(zhǔn)則
3.3tSNE降維
3.3.1tSNE核心思想
3.3.2算法步驟
3.3.3tSNE算法實現(xiàn)
3.4SVD降維
3.5核主成分分析降維
3.6流形學(xué)習(xí)降維
3.7多維縮放降維
3.7.1原理
3.7.2MDS算法
3.8等度量映射降維
3.9局部線性嵌入
3.9.1原理
3.9.2LLE算法
3.10非負(fù)矩陣分解
3.11小結(jié)
3.12習(xí)題
第4章Python分類算法
4.1邏輯回歸
4.1.1邏輯回歸模型
4.1.2梯度下降法
4.2Softmax回歸
4.3因子分解機
4.3.1邏輯回歸算法的不足
4.3.2因子分解機模型
4.3.3FM算法中交叉項的處理
4.3.4FM算法的求解
4.3.5FM算法流程
4.3.6Python實現(xiàn)FM模型
4.4支持向量機
4.4.1SVM簡介
4.4.2線性可分支持向量機
4.4.3函數(shù)間距和幾何間距
4.4.4線性支持向量機
4.4.5非線性支持向量機
4.5貝葉斯分類器
4.5.1貝葉斯定理
4.5.2相關(guān)的概念
4.5.3常用貝葉斯分類器
4.6隨機森林
4.6.1決策樹分類器
4.6.2CART分類樹算法
4.7各模型分類對比
4.8小結(jié)
4.9習(xí)題
第5章Python回歸算法
5.1線性回歸
5.1.1基本線性回歸
5.1.2線性回歸的*小二乘解法
5.1.3牛頓法
5.1.4局部加權(quán)線性回歸
5.2非線性回歸
5.3嶺回歸與Lasso回歸
5.3.1線性回歸存在的問題
5.3.2嶺回歸模型
5.3.3Lasso回歸模型
5.3.4擬牛頓法
5.3.5LBFGS求解嶺回歸模型
5.4小結(jié)
5.5習(xí)題
第6章Python聚類算法
6.1kMeans算法
6.1.1相似性的度量
6.1.2kMeans算法原理
6.1.3kMeans 算法
6.2親和度聚類
6.3Mean Shift聚類算法
6.3.1Mean Shift向量
6.3.2核函數(shù)
6.3.3Mean Shift推導(dǎo)
6.3.4Mean Shift在圖像上的聚類
6.4DBSCAN聚類
6.4.1密度聚類原理
6.4.2DBSCAN密度定義
6.4.3DBSCAN密度聚類思想
6.4.4DBSCAN聚類算法
6.4.5DBSCAN小結(jié)
6.5小結(jié)
6.6習(xí)題
第7章Python神經(jīng)網(wǎng)絡(luò)
7.1感知機
7.1.1感知機原理
7.1.2感知機模型
7.1.3感知機學(xué)習(xí)策略
7.1.4感知機學(xué)習(xí)算法
7.1.5神經(jīng)網(wǎng)絡(luò)
7.1.6感知機的實現(xiàn)
7.2BP神經(jīng)網(wǎng)絡(luò)
7.2.1BP神經(jīng)網(wǎng)絡(luò)原理
7.2.2BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)
7.3徑向基神經(jīng)網(wǎng)絡(luò)
7.3.1徑向基函數(shù)解決插值問題
7.3.2正則化理論
7.3.3正則化RBF網(wǎng)絡(luò)
7.3.4廣義RBF網(wǎng)絡(luò)
7.3.5數(shù)據(jù)中心的監(jiān)督學(xué)習(xí)算法
7.4模糊神經(jīng)網(wǎng)絡(luò)
7.4.1網(wǎng)絡(luò)模型
7.4.2學(xué)習(xí)算法
7.4.3模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用
7.5小結(jié)
7.6習(xí)題
第8章Python推薦算法
8.1協(xié)同過濾算法
8.1.1協(xié)同過濾算法概述
8.1.2協(xié)同過濾算法的分類
8.1.3相似度的度量方法
8.1.4基于用戶的協(xié)同過濾算法
8.1.5基于物品的協(xié)同過濾算法
8.2基于矩陣分解的推薦算法
8.2.1矩陣分解
8.2.2基于矩陣分解的推薦算法
8.2.3非負(fù)矩陣分解
8.3基于圖的推薦算法
8.3.1二部圖
8.3.2由用戶商品矩陣到二部圖
8.3.3PageRank算法
8.3.4問題說明
8.4SVD協(xié)同作用
8.4.1SVD
8.4.2FunkSVD
8.4.3BiasSVD
8.4.4SVD
8.5小結(jié)
8.6習(xí)題
第9章Python頻繁項集
9.1關(guān)聯(lián)分析
9.1.1支持度與置信度
9.1.2窮舉法
9.2Apriori算法
9.2.1Apriori算法簡介
9.2.2Apriori定理
9.2.3Apriori算法應(yīng)用
9.2.4Python生成候選項集
9.3FPGrowth算法
9.3.1用FP樹編碼數(shù)據(jù)集
9.3.2從FP樹中挖掘頻繁項
9.3.3從新聞網(wǎng)站點擊流中挖掘
9.4PrefixSpan算法
9.5小結(jié)
9.6習(xí)題
第10章Python數(shù)據(jù)預(yù)處理
10.1概述
10.1.1為什么要對數(shù)據(jù)預(yù)處理
10.1.2數(shù)據(jù)預(yù)處理的主要任務(wù)
10.2數(shù)據(jù)清理
10.2.1數(shù)據(jù)缺失
10.2.2過濾數(shù)據(jù)
10.2.3檢測和過濾異常值
10.2.4移除重復(fù)數(shù)據(jù)
10.3處理缺失值
10.3.1處理缺失值的方法
10.3.2缺失值補全法
10.3.3特征編碼
10.3.4數(shù)據(jù)標(biāo)準(zhǔn)化、正則化
10.3.5特征選擇
10.3.6稀疏表示和字典學(xué)習(xí)
10.4機器模型
10.4.1損失函數(shù)和風(fēng)險函數(shù)
10.4.2模型評估
10.4.3性能度量
10.5索引的設(shè)置
10.6小結(jié)
10.7習(xí)題
參考文獻(xiàn)
- >
自卑與超越
- >
有舍有得是人生
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
上帝之肋:男人的真實旅程
- >
巴金-再思錄
- >
莉莉和章魚
- >
月亮虎
- >
伯納黛特,你要去哪(2021新版)