書馨卡幫你省薪 2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
深入淺出PYTHON機器學(xué)習(xí)

深入淺出PYTHON機器學(xué)習(xí)

作者：段小手著
出版社：清華大學(xué)出版社出版時間：2018-08-01
開本： 其他 頁數(shù)： 274
中 圖 價:¥33.8(4.9折) 定價  ¥69.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
溫馨提示：5折以下圖書主要為出版社尾貨，大部分為全新（有塑封/無塑封），個別圖書品相8-9成新、切口
有劃線標(biāo)記、光盤等附件不全詳細品相說明>>
本類五星書更多>
買過本商品的人還買了

深入淺出PYTHON機器學(xué)習(xí) 版權(quán)信息

深入淺出PYTHON機器學(xué)習(xí) 本書特色

機器學(xué)習(xí)正在迅速改變我們的世界。我們幾乎每天都會讀到機器學(xué)習(xí)如何改變?nèi)粘５纳睢Ｈ绻阍谔詫毣蛘?這樣的電子商務(wù)網(wǎng)站購買商品，或者在愛奇藝或是騰訊視頻這樣的視頻網(wǎng)站觀看節(jié)目，甚至只是進行一次百度搜索，就已經(jīng)觸碰到了機器學(xué)習(xí)的應(yīng)用。使用這些服務(wù)的用戶會產(chǎn)生數(shù)據(jù)，這些數(shù)據(jù)會被收集，在進行預(yù)處理之后用來訓(xùn)練模型，而模型會通過這些數(shù)據(jù)來提供更好的用戶體驗。此外，目前還有很多使用機器學(xué)習(xí)技術(shù)的產(chǎn)品或服務(wù)即將在我們的生活當(dāng)中普及，如能夠解放雙手的無人駕駛汽車、聰明伶俐的智能家居產(chǎn)品、善解人意的導(dǎo)購機器人等？梢哉f要想深入機器學(xué)習(xí)的應(yīng)用開發(fā)當(dāng)中，現(xiàn)在就是一個非常理想的時機。 本書內(nèi)容涵蓋了有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、模型優(yōu)化、自然語言處理等機器學(xué)習(xí)領(lǐng)域所必須掌握的知識，從內(nèi)容結(jié)構(gòu)上非常注重知識的實用性和可操作性。全書采用由淺入深、循序漸進的講授方式，完全遵循和尊重初學(xué)者對機器學(xué)習(xí)知識的認知規(guī)律。本書適合有一定程序設(shè)計語言和算法基礎(chǔ)的讀者學(xué)習(xí)使用。

深入淺出PYTHON機器學(xué)習(xí) 內(nèi)容簡介

機器學(xué)習(xí)正在迅速改變我們的世界。我們幾乎每天都會讀到機器學(xué)習(xí)如何改變?nèi)粘５纳。如果你在淘寶或者京東這樣的電子商務(wù)網(wǎng)站購買商品，或者在愛奇藝或是騰訊視頻這樣的視頻網(wǎng)站觀看節(jié)目，甚至只是進行一次百度搜索，就已經(jīng)觸碰到了機器學(xué)習(xí)的應(yīng)用。使用這些服務(wù)的用戶會產(chǎn)生數(shù)據(jù)，這些數(shù)據(jù)會被收集，在進行預(yù)處理之后用來訓(xùn)練模型，而模型會通過這些數(shù)據(jù)來提供更好的用戶體驗。此外，目前還有很多使用機器學(xué)習(xí)技術(shù)的產(chǎn)品或服務(wù)即將在我們的生活當(dāng)中普及，如能夠解放雙手的無人駕駛汽車、聰明伶俐的智能家居產(chǎn)品、善解人意的導(dǎo)購機器人等？梢哉f要想深入機器學(xué)習(xí)的應(yīng)用開發(fā)當(dāng)中，現(xiàn)在就是一個很好理想的時機。本書內(nèi)容涵蓋了有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、模型優(yōu)化、自然語言處理等機器學(xué)習(xí)領(lǐng)域所必須掌握的知識，從內(nèi)容結(jié)構(gòu)上很好注重知識的實用性和可操作性。全書采用由淺入深、循序漸進的講授方式，接近遵循和尊重初學(xué)者對機器學(xué)習(xí)知識的認知規(guī)律。本書適合有一定程序設(shè)計語言和算法基礎(chǔ)的讀者學(xué)習(xí)使用。

深入淺出PYTHON機器學(xué)習(xí) 目錄

目 錄 第1章 概 述 1.1 什么是機器學(xué)習(xí)——從一個小故事開始 / 002 1.2 機器學(xué)習(xí)的一些應(yīng)用場景——蝙蝠公司的業(yè)務(wù)單元 / 003 1.3 機器學(xué)習(xí)應(yīng)該如何入門——世上無難事 / 005 1.4 有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí) / 007 1.5 機器學(xué)習(xí)中的分類與回歸 / 008 1.6 模型的泛化、過擬合與欠擬合 / 008 1.7 小結(jié) / 009 第2章 基于Python語言的環(huán)境配置 2.1 Python的下載和安裝 / 012 2.2 Jupyter Notebook的安裝與使用方法 / 013 2.2.1 使用pip進行Jupyter Notebook的下載和安裝 / 013 2.2.2 運行Jupyter Notebook / 014 2.2.3 Jupyter Notebook的使用方法 / 015 2.3 一些必需庫的安裝及功能簡介 / 017 2.3.1 Numpy——基礎(chǔ)科學(xué)計算庫 / 017 2.3.2 Scipy——強大的科學(xué)計算工具集 / 018 2.3.3 pandas——數(shù)據(jù)分析的利器 / 019 2.3.4 matplotlib——畫出優(yōu)美的圖形 / 020 深入淺出Python 機器學(xué)習(xí) VIII 2.4 scikit-learn——非常流行的Python機器學(xué)習(xí)庫 / 021 2.5 小結(jié) / 022 第3章 K*近鄰算法——近朱者赤，近墨者黑 3.1 K*近鄰算法的原理 / 024 3.2 K*近鄰算法的用法 / 025 3.2.1 K*近鄰算法在分類任務(wù)中的應(yīng)用 / 025 3.2.2 K*近鄰算法處理多元分類任務(wù) / 029 3.2.3 K*近鄰算法用于回歸分析 / 031 3.3 K*近鄰算法項目實戰(zhàn)——酒的分類 / 034 3.3.1 對數(shù)據(jù)集進行分析 / 034 3.3.2 生成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集 / 036 3.3.3 使用K*近鄰算法進行建模 / 038 3.3.4 使用模型對新樣本的分類進行預(yù)測 / 039 3.4 小結(jié) / 041 第4章 廣義線性模型——“耿直”的算法模型 4.1 線性模型的基本概念 / 044 4.1.1 線性模型的一般公式 / 044 4.1.2 線性模型的圖形表示 / 045 4.1.3 線性模型的特點 / 049 4.2 *基本的線性模型——線性回歸 / 050 4.2.1 線性回歸的基本原理 / 050 4.2.2 線性回歸的性能表現(xiàn) / 051 4.3 使用L2正則化的線性模型——嶺回歸 / 053 4.3.1 嶺回歸的原理 / 053 4.3.2 嶺回歸的參數(shù)調(diào)節(jié) / 054 4.4 使用L1正則化的線性模型——套索回歸 / 058 4.4.1 套索回歸的原理 / 058 4.4.2 套索回歸的參數(shù)調(diào)節(jié) / 059 4.4.3 套索回歸與嶺回歸的對比 / 060 目錄 IX 4.5 小結(jié) / 062 第5章 樸素貝葉斯——打雷啦，收衣服啊 5.1 樸素貝葉斯基本概念 / 064 5.1.1 貝葉斯定理 / 064 5.1.2 樸素貝葉斯的簡單應(yīng)用 / 064 5.2 樸素貝葉斯算法的不同方法 / 068 5.2.1 貝努利樸素貝葉斯 / 068 5.2.2 高斯樸素貝葉斯 / 071 5.2.3 多項式樸素貝葉斯 / 072 5.3 樸素貝葉斯實戰(zhàn)——判斷腫瘤是良性還是惡性 / 075 5.3.1 對數(shù)據(jù)集進行分析 / 076 5.3.2 使用高斯樸素貝葉斯進行建模 / 077 5.3.3 高斯樸素貝葉斯的學(xué)習(xí)曲線 / 078 5.4 小結(jié) / 080 第6章 決策樹與隨機森林——會玩讀心術(shù)的算法 6.1 決策樹 / 082 6.1.1 決策樹基本原理 / 082 6.1.2 決策樹的構(gòu)建 / 082 6.1.3 決策樹的優(yōu)勢和不足 / 088 6.2 隨機森林 / 088 6.2.1 隨機森林的基本概念 / 089 6.2.2 隨機森林的構(gòu)建 / 089 6.2.3 隨機森林的優(yōu)勢和不足 / 092 6.3 隨機森林實例——要不要和相親對象進一步發(fā)展 / 093 6.3.1 數(shù)據(jù)集的準(zhǔn)備 / 093 6.3.2 用get_dummies處理數(shù)據(jù) / 094 6.3.3 用決策樹建模并做出預(yù)測 / 096 6.4 小結(jié) / 098 第7章 支持向量機SVM——專治線性不可分 7.1 支持向量機SVM基本概念 / 100 7.1.1 支持向量機SVM的原理 / 100 7.1.2 支持向量機SVM的核函數(shù) / 102 7.2 SVM的核函數(shù)與參數(shù)選擇 / 104 7.2.1 不同核函數(shù)的SVM對比 / 104 7.2.2 支持向量機的gamma參數(shù)調(diào)節(jié) / 106 7.2.3 SVM算法的優(yōu)勢與不足 / 108 7.3 SVM實例——波士頓房價回歸分析 / 108 7.3.1 初步了解數(shù)據(jù)集 / 109 7.3.2 使用SVR進行建模 / 110 7.4 小結(jié) / 114 第8章 神經(jīng)網(wǎng)絡(luò)——曾入“冷宮”，如今得寵 8.1 神經(jīng)網(wǎng)絡(luò)的前世今生 / 116 8.1.1 神經(jīng)網(wǎng)絡(luò)的起源 / 116 8.1.2 **個感知器學(xué)習(xí)法則 / 116 8.1.3 神經(jīng)網(wǎng)絡(luò)之父——杰弗瑞·欣頓 / 117 8.2 神經(jīng)網(wǎng)絡(luò)的原理及使用 / 118 8.2.1 神經(jīng)網(wǎng)絡(luò)的原理 / 118 8.2.2 神經(jīng)網(wǎng)絡(luò)中的非線性矯正 / 119 8.2.3 神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置 / 121 8.3 神經(jīng)網(wǎng)絡(luò)實例——手寫識別 / 127 8.3.1 使用MNIST數(shù)據(jù)集 / 128 8.3.2 訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò) / 129 8.3.3 使用模型進行數(shù)字識別 / 130 8.4 小結(jié) / 131 第9章 數(shù)據(jù)預(yù)處理、降維、特征提取及聚類——快 刀斬亂麻 9.1 數(shù)據(jù)預(yù)處理 / 134 9.1.1 使用StandardScaler進行數(shù)據(jù)預(yù)處理 / 134 9.1.2 使用MinMaxScaler進行數(shù)據(jù)預(yù)處理 / 135 9.1.3 使用RobustScaler進行數(shù)據(jù)預(yù)處理 / 136 9.1.4 使用Normalizer進行數(shù)據(jù)預(yù)處理 / 137 9.1.5 通過數(shù)據(jù)預(yù)處理提高模型準(zhǔn)確率 / 138 9.2 數(shù)據(jù)降維 / 140 9.2.1 PCA主成分分析原理 / 140 9.2.2 對數(shù)據(jù)降維以便于進行可視化 / 142 9.2.3 原始特征與PCA主成分之間的關(guān)系 / 143 9.3 特征提取 / 144 9.3.1 PCA主成分分析法用于特征提取 / 145 9.3.2 非負矩陣分解用于特征提取 / 148 9.4 聚類算法 / 149 9.4.1 K均值聚類算法 / 150 9.4.2 凝聚聚類算法 / 153 9.4.3 DBSCAN算法 / 154 9.5 小結(jié) / 157 第10章 數(shù)據(jù)表達與特征工程——錦上再添花 10.1 數(shù)據(jù)表達 / 160 10.1.1 使用啞變量轉(zhuǎn)化類型特征 / 160 10.1.2 對數(shù)據(jù)進行裝箱處理 / 162 10.2 數(shù)據(jù)“升維” / 166 10.2.1 向數(shù)據(jù)集添加交互式特征 / 166 10.2.2 向數(shù)據(jù)集添加多項式特征 / 170 10.3 自動特征選擇 / 173 10.3.1 使用單一變量法進行特征選擇 / 173 10.3.2 基于模型的特征選擇 / 178 10.3.3 迭代式特征選擇 / 180 10.4 小結(jié) / 182 第11章 模型評估與優(yōu)化——只有更好，沒有*好 11.1 使用交叉驗證進行模型評估 / 184 11.1.1 scikit-learn中的交叉驗證法 / 184 11.1.2 隨機拆分和“挨個兒試試” / 186 11.1.3 為什么要使用交叉驗證法 / 188 11.2 使用網(wǎng)格搜索優(yōu)化模型參數(shù) / 188 11.2.1 簡單網(wǎng)格搜索 / 189 11.2.2 與交叉驗證結(jié)合的網(wǎng)格搜索 / 191 11.3 分類模型的可信度評估 / 193 11.3.1 分類模型中的預(yù)測準(zhǔn)確率 / 194 11.3.2 分類模型中的決定系數(shù) / 197 11.4 小結(jié) / 198 第12章 建立算法的管道模型——團結(jié)就是力量 12.1 管道模型的概念及用法 / 202 12.1.1 管道模型的基本概念 / 202 12.1.2 使用管道模型進行網(wǎng)格搜索 / 206 12.2 使用管道模型對股票漲幅進行回歸分析 / 209 12.2.1 數(shù)據(jù)集準(zhǔn)備 / 209 12.2.2 建立包含預(yù)處理和MLP模型的管道模型 / 213 12.2.3 向管道模型添加特征選擇步驟 / 214 12.3 使用管道模型進行模型選擇和參數(shù)調(diào)優(yōu) / 216 12.3.1 使用管道模型進行模型選擇 / 216 12.3.2 使用管道模型尋找更優(yōu)參數(shù) / 217 12.4 小結(jié) / 220 第13章 文本數(shù)據(jù)處理——親，見字如“數(shù)” 13.1 文本數(shù)據(jù)的特征提取、中文分詞及詞袋模型 / 222 13.1.1 使用CountVectorizer對文本進行特征提取 / 222 13.1.2 使用分詞工具對中文文本進行分詞 / 223 13.1.3 使用詞袋模型將文本數(shù)據(jù)轉(zhuǎn)為數(shù)組 / 224 13.2 對文本數(shù)據(jù)進一步進行優(yōu)化處理 / 226 13.2.1 使用n-Gram改善詞袋模型 / 226 13.2.2 使用tf-idf模型對文本數(shù)據(jù)進行處理 / 228 13.2.3 刪除文本中的停用詞 / 234 13.3 小結(jié) / 236 第14章 從數(shù)據(jù)獲取到話題提取——從“研究員” 到“段子手” 14.1 簡單頁面的爬取 / 238 14.1.1 準(zhǔn)備Requests庫和User Agent / 238 14.1.2 確定一個目標(biāo)網(wǎng)站并分析其結(jié)構(gòu) / 240 14.1.3 進行爬取并保存為本地文件 / 241 14.2 稍微復(fù)雜一點的爬取 / 244 14.2.1 確定目標(biāo)頁面并進行分析 / 245 14.2.2 Python中的正則表達式 / 247 14.2.3 使用BeautifulSoup進行HTML解析 / 251 14.2.4 對目標(biāo)頁面進行爬取并保存到本地 / 256 14.3 對文本數(shù)據(jù)進行話題提取 / 258 14.3.1 尋找目標(biāo)網(wǎng)站并分析結(jié)構(gòu) / 259 14.3.2 編寫爬蟲進行內(nèi)容爬取 / 261 14.3.3 使用潛在狄利克雷分布進行話題提取 / 263 14.4 小結(jié) / 265 第15章 人才需求現(xiàn)狀與未來學(xué)習(xí)方向——你是不 是下一個“大牛” 15.1 人才需求現(xiàn)狀 / 268 15.1.1 全球AI從業(yè)者達190萬，人才需求3年翻8倍 / 268 15.1.2 AI人才需求集中于一線城市，七成從業(yè)者月薪過萬 / 269 15.1.3 人才困境仍難緩解，政策支援亟不可待 / 269 15.2 未來學(xué)習(xí)方向 / 270 15.2.1 用于大數(shù)據(jù)分析的計算引擎 / 270 15.2.2 深度學(xué)習(xí)開源框架 / 271 15.2.3 使用概率模型進行推理 / 272 15.3 技能磨煉與實際應(yīng)用 / 272 15.3.1 Kaggle算法大賽平臺和OpenML平臺 / 272 15.3.2 在工業(yè)級場景中的應(yīng)用 / 273 15.3.3 對算法模型進行A/B測試 / 273 15.4 小結(jié) / 274 參考文獻 / 275
展開全部

深入淺出PYTHON機器學(xué)習(xí) 作者簡介

段小手，君兮科技創(chuàng)始人，畢業(yè)于北京大學(xué)。具有10余年國內(nèi)一線互聯(lián)網(wǎng)/電子商務(wù)公司項目管理經(jīng)驗。其負責(zé)的跨境電子商務(wù)項目曾獲得“國家發(fā)改委電子商務(wù)示范項目”“中關(guān)村現(xiàn)代服務(wù)業(yè)試點項目”“北京市信息化基礎(chǔ)設(shè)施提升項目”“北京市外貿(mào)綜合公共平臺”等專項政策支持。目前重點研究領(lǐng)域為機器學(xué)習(xí)和深度學(xué)習(xí)等方面。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
返回頂部
中圖網(wǎng)
在線客服