掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
Python機器學習算法與應(yīng)用 版權(quán)信息
- ISBN：9787302548997
- 條形碼：9787302548997 ; 978-7-302-54899-7
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python機器學習算法與應(yīng)用 本書特色
本書理論與實踐相結(jié)合，詳細闡述機器學習數(shù)據(jù)特征與分類算法，基于Python 3精心編排大量的機器學習場景與開源平臺應(yīng)用，高效利用Python 3代碼翔實地闡釋機器學習核心算法及其工具的場景應(yīng)用。 本書分為6章，主要內(nèi)容包括機器學習概述、數(shù)據(jù)特征、分類算法、項目，以及在機器學習平臺Kaggle與PaddlePaddle上實現(xiàn)分類、預測及推薦等實戰(zhàn)操作。 本書適合機器學習的研究人員、計算機或數(shù)學等相關(guān)從業(yè)者參考學習，也可以作為計算機或數(shù)學等專業(yè)本科高年級或研究生專業(yè)用書。
Python機器學習算法與應(yīng)用 內(nèi)容簡介
本書理論與實踐相結(jié)合，詳細闡述機器學習數(shù)據(jù)特征與分類算法，基于Python 3精心編排大量的機器學習場景與開源平臺應(yīng)用，高效利用Python 3代碼翔實地闡釋機器學習核心算法及其工具的場景應(yīng)用。本書分為6章，主要內(nèi)容包括機器學習概述、數(shù)據(jù)特征、分類算法、項目，以及在機器學習平臺Kaggle與PaddlePaddle上實現(xiàn)分類、預測及推薦等實戰(zhàn)操作。本書適合機器學習的研究人員、計算機或數(shù)學等相關(guān)從業(yè)者參考學習，也可以作為計算機或數(shù)學等專業(yè)本科高年級或研究生專業(yè)用書。
Python機器學習算法與應(yīng)用 目錄
第1章 機器學習概述 1
1.1 機器學習定義 1
1.2 機器學習的發(fā)展 2
1.3 機器學習的分類 3
1.4 機器學習的研究領(lǐng)域 6
1.5 本章小結(jié) 8
第2章 機器學習數(shù)據(jù)特征 9
2.1 數(shù)據(jù)分布性 9
2.1.1 數(shù)據(jù)分布集中趨勢的測定 9
2.1.2 數(shù)據(jù)分布離散程度的測定 14
2.1.3 數(shù)據(jù)分布偏態(tài)與峰度的測定 17
2.2 數(shù)據(jù)相關(guān)性 19
2.2.1 相關(guān)關(guān)系 19
2.2.2 相關(guān)分析 22
2.3 數(shù)據(jù)聚類性 24
2.4 數(shù)據(jù)主成分分析 27
2.4.1 主成分分析的原理及模型 27
2.4.2 主成分分析的幾何解釋 29
2.4.3 主成分的導出 30
2.4.4 證明主成分的方差是依次遞減 31
2.4.5 主成分分析的計算 32
2.5 數(shù)據(jù)動態(tài)性 34
2.6 數(shù)據(jù)可視化 37
2.7 本章小結(jié) 39
第3章 機器學習分類算法 40
3.1 數(shù)據(jù)清洗和特征選擇 40
3.1.1 數(shù)據(jù)清洗 40
3.1.2 特征選擇 42
3.1.3 回歸分析 45
3.2 決策樹、隨機森林 47
3.3 SVM 51
3.3.1 *優(yōu)分類面和廣義*優(yōu)分類面 52
3.3.2 SVM的非線性映射 55
3.3.3 核函數(shù) 56
3.4 聚類算法 56
3.5 EM算法 61
3.6 貝葉斯算法 63
3.7 隱馬爾可夫模型 63
3.8 LDA主題模型 66
3.9 人工神經(jīng)網(wǎng)絡(luò) 69
3.10 KNN算法 73
3.11 本章小結(jié) 76
第4章 Python機器學習項目 77
4.1 SKlearn 78
4.1.1 SKlearn包含的機器學習方式 78
4.1.2 SKlearn的強大數(shù)據(jù)庫 79
4.1.3 鳶尾花數(shù)據(jù)集舉例 80
4.1.4 Boston房價數(shù)據(jù)集的示例 83
4.2 TensorFlow 85
4.2.1 TensorFlow簡介 86
4.2.2 TensorFlow的下載與安裝 88
4.2.3 TensorFlow的基本使用 91
4.3 Theano 96
4.4 Caffe 115
4.4.1 Caffe框架與運行環(huán)境 115
4.4.2 網(wǎng)絡(luò)模型 119
4.5 Gensim 125
4.5.1 Gensim特性與核心概念 125
4.5.2 訓練語料的預處理 125
4.5.3 主題向量的變換 126
4.5.4 文檔相似度的計算 127
4.6 Pylearn2 134
4.7 Shogun 135
4.8 Chainer 136
4.9 NuPIC 143
4.10 Neon 160
4.11 Nilearn 165
4.12 Orange3 168
4.13 PyMC與PyMC3 171
4.14 PyBrain 175
4.15 Fuel 181
4.16 PyMVPA 184
4.17 Annoy 186
4.18 Deap 190
4.19 Pattern 191
4.20 Requests 195
4.21 Seaborn 199
4.22 本章小結(jié) 206
第5章 Kaggle平臺機器學習實戰(zhàn) 207
5.1 Kaggle信用卡欺詐檢測 207
5.1.1 Kaggle信用卡欺詐檢測準備 207
5.1.2 Kaggle信用卡欺詐檢測實例 210
5.2 Kaggle機器學習案例 228
5.2.1 Kaggle機器學習概況 229
5.2.2 自行車租賃數(shù)據(jù)分析與可視化案例 230
5.3 本章小結(jié) 241
第6章 PaddlePaddle平臺機器學習實戰(zhàn) 242
6.1 PaddlePaddle平臺安裝 242
6.2 PaddlePaddle平臺手寫體數(shù)字識別 243
6.3 PaddlePaddle平臺圖像分類 261
6.4 PaddlePaddle平臺詞向量 277
6.5 PaddlePaddle平臺個性化推薦 289
6.6 PaddlePaddle平臺情感分析 302
6.7 本章小結(jié) 311
參考文獻 312
1.1 機器學習定義 1
1.2 機器學習的發(fā)展 2
1.3 機器學習的分類 3
1.4 機器學習的研究領(lǐng)域 6
1.5 本章小結(jié) 8
第2章 機器學習數(shù)據(jù)特征 9
2.1 數(shù)據(jù)分布性 9
2.1.1 數(shù)據(jù)分布集中趨勢的測定 9
2.1.2 數(shù)據(jù)分布離散程度的測定 14
2.1.3 數(shù)據(jù)分布偏態(tài)與峰度的測定 17
2.2 數(shù)據(jù)相關(guān)性 19
2.2.1 相關(guān)關(guān)系 19
2.2.2 相關(guān)分析 22
2.3 數(shù)據(jù)聚類性 24
2.4 數(shù)據(jù)主成分分析 27
2.4.1 主成分分析的原理及模型 27
2.4.2 主成分分析的幾何解釋 29
2.4.3 主成分的導出 30
2.4.4 證明主成分的方差是依次遞減 31
2.4.5 主成分分析的計算 32
2.5 數(shù)據(jù)動態(tài)性 34
2.6 數(shù)據(jù)可視化 37
2.7 本章小結(jié) 39
第3章 機器學習分類算法 40
3.1 數(shù)據(jù)清洗和特征選擇 40
3.1.1 數(shù)據(jù)清洗 40
3.1.2 特征選擇 42
3.1.3 回歸分析 45
3.2 決策樹、隨機森林 47
3.3 SVM 51
3.3.1 *優(yōu)分類面和廣義*優(yōu)分類面 52
3.3.2 SVM的非線性映射 55
3.3.3 核函數(shù) 56
3.4 聚類算法 56
3.5 EM算法 61
3.6 貝葉斯算法 63
3.7 隱馬爾可夫模型 63
3.8 LDA主題模型 66
3.9 人工神經(jīng)網(wǎng)絡(luò) 69
3.10 KNN算法 73
3.11 本章小結(jié) 76
第4章 Python機器學習項目 77
4.1 SKlearn 78
4.1.1 SKlearn包含的機器學習方式 78
4.1.2 SKlearn的強大數(shù)據(jù)庫 79
4.1.3 鳶尾花數(shù)據(jù)集舉例 80
4.1.4 Boston房價數(shù)據(jù)集的示例 83
4.2 TensorFlow 85
4.2.1 TensorFlow簡介 86
4.2.2 TensorFlow的下載與安裝 88
4.2.3 TensorFlow的基本使用 91
4.3 Theano 96
4.4 Caffe 115
4.4.1 Caffe框架與運行環(huán)境 115
4.4.2 網(wǎng)絡(luò)模型 119
4.5 Gensim 125
4.5.1 Gensim特性與核心概念 125
4.5.2 訓練語料的預處理 125
4.5.3 主題向量的變換 126
4.5.4 文檔相似度的計算 127
4.6 Pylearn2 134
4.7 Shogun 135
4.8 Chainer 136
4.9 NuPIC 143
4.10 Neon 160
4.11 Nilearn 165
4.12 Orange3 168
4.13 PyMC與PyMC3 171
4.14 PyBrain 175
4.15 Fuel 181
4.16 PyMVPA 184
4.17 Annoy 186
4.18 Deap 190
4.19 Pattern 191
4.20 Requests 195
4.21 Seaborn 199
4.22 本章小結(jié) 206
第5章 Kaggle平臺機器學習實戰(zhàn) 207
5.1 Kaggle信用卡欺詐檢測 207
5.1.1 Kaggle信用卡欺詐檢測準備 207
5.1.2 Kaggle信用卡欺詐檢測實例 210
5.2 Kaggle機器學習案例 228
5.2.1 Kaggle機器學習概況 229
5.2.2 自行車租賃數(shù)據(jù)分析與可視化案例 230
5.3 本章小結(jié) 241
第6章 PaddlePaddle平臺機器學習實戰(zhàn) 242
6.1 PaddlePaddle平臺安裝 242
6.2 PaddlePaddle平臺手寫體數(shù)字識別 243
6.3 PaddlePaddle平臺圖像分類 261
6.4 PaddlePaddle平臺詞向量 277
6.5 PaddlePaddle平臺個性化推薦 289
6.6 PaddlePaddle平臺情感分析 302
6.7 本章小結(jié) 311
參考文獻 312
展開全部
Python機器學習算法與應(yīng)用 作者簡介
鄧立國，東北大學計算機應(yīng)用博士畢業(yè)。2005年開始在沈陽師范大學軟件學院、教育技術(shù)學院任教，主要研究方向：數(shù)據(jù)挖掘、知識工程、大數(shù)據(jù)處理、云計算、分布式計算等。以第一作者發(fā)表學術(shù)論文30多篇（26篇EI），主編教材 1 部，主持科研課題6項，經(jīng)費10余萬元，多次獲得校級科研優(yōu)秀獎，作為九三社員提出的智慧城市提案被市政府采納，研究成果被教育廳等單位采用。
書友推薦
- >
我與地壇
- >
我從未如此眷戀人間
- >
名家?guī)阕x魯迅:朝花夕拾
- >
羅庸西南聯(lián)大授課錄
- >
自卑與超越
- >
回憶愛瑪儂
- >
朝聞道
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
本類暢銷
