歡迎光臨中圖網(wǎng) 請 | 注冊
> >
圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn)

圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn)

作者：丁毓峰
出版社：中國水利水電出版社出版時間：2020-09-01
開本： 其他 頁數(shù)： 216
中 圖 價:¥41.9(6.0折) 定價  ¥69.8 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
本類五星書更多>

圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn) 版權(quán)信息

圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn) 本書特色

這是一本非常優(yōu)秀的圖解機器學(xué)習(xí)及其算法的入門書籍。本書從應(yīng)用場景出發(fā)，利用大量圖解和流程圖相結(jié)合的方式講解機器學(xué)習(xí)的基本知識及其常用經(jīng)典算法的應(yīng)用，全書沒有大篇幅的理論介紹和復(fù)雜的數(shù)學(xué)公式推導(dǎo)，也沒有生澀難懂的專業(yè)術(shù)語，而是通過淺顯易懂的圖示、直觀的流程圖以及與生活息息相關(guān)的實例應(yīng)用讓讀者輕松學(xué)習(xí)和掌握機器學(xué)習(xí)知識，從而明白機器學(xué)習(xí)是如何影響和改變?nèi)祟惿畹摹? 本書覆蓋了機器學(xué)習(xí)領(lǐng)域的監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、增強學(xué)習(xí)和機器學(xué)習(xí)新算法等內(nèi)容，構(gòu)成了機器學(xué)習(xí)從經(jīng)典到現(xiàn)代的體系框架，每章也可獨立閱讀。限于篇幅，書中沒有講解Python語言的基礎(chǔ)知識，如果讀者沒有Python語言的基礎(chǔ)，建議先學(xué)習(xí)Python語言入門知識，這樣可以更好地學(xué)習(xí)本書內(nèi)容。 建議想從事機器學(xué)習(xí)的入門讀者必讀，以便對機器學(xué)習(xí)有個整體的了解后再進行細節(jié)上的掌握。

圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn) 內(nèi)容簡介

本書適合希望了解機器學(xué)習(xí)算法的讀者學(xué)習(xí)。書中都是從應(yīng)用場景出發(fā)，利用圖解和流程相結(jié)合的圖文并茂的講解方式，讓讀者了解到他們正在學(xué)習(xí)的機器學(xué)習(xí)如何影響和改變生活。 全書14個章節(jié)構(gòu)成了機器學(xué)習(xí)從經(jīng)典到現(xiàn)代的體系框架，每個章節(jié)也可獨立閱讀。讀者如果已經(jīng)具有Python的開發(fā)經(jīng)驗，可以更好地學(xué)習(xí)本書內(nèi)容。

圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn) 目錄

第1章 機器學(xué)習(xí)的基本概念 1.1 數(shù)據(jù)挖掘和機器學(xué)習(xí) 1.1.1 從AlphaGo說起 1.1.2 數(shù)據(jù)挖掘和機器學(xué)習(xí)的關(guān)系 1.1.3 大數(shù)據(jù)和機器學(xué)習(xí)的關(guān)系 1.1.4 機器學(xué)習(xí)的思維導(dǎo)圖 1.1.5 機器學(xué)習(xí)的一般流程 1.2 數(shù)據(jù)和數(shù)據(jù)集 1.3 數(shù)據(jù)預(yù)處理 1.3.1 數(shù)據(jù)清理 1.3.2 數(shù)據(jù)集成和融合 1.3.3 數(shù)據(jù)變換 1.3.4 數(shù)據(jù)規(guī)約 1.4 機器學(xué)習(xí)的經(jīng)典算法 1.5 監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí) 1.6 機器學(xué)習(xí)任務(wù)舉例 1.7 Python機器學(xué)習(xí) 第2章 *小二乘法 2.1 *小二乘法應(yīng)用場景 2.2 線性回歸 2.3 *小二乘法的原理和算法 2.3.1 變量間的關(guān)系 2.3.2 數(shù)據(jù)擬合 2.3.3 *小二乘法原理 2.4 用*小二乘法預(yù)測學(xué)生的身高、體重 2.5 邏輯回歸應(yīng)用場景 2.6 邏輯回歸原理 2.6.1 Sigmoid（）函數(shù) 2.6.2 邏輯回歸算法 2.7 使用邏輯回歸對鳶尾花進行分類 第3章 *近鄰算法 3.1 KNN應(yīng)用場景 3.2 KNN算法概述 3.3 KNN算法流程 3.4 KNN算法核心三要素 3.4.1 鄰近度度量 3.4.2 如何選擇k值 3.4.3 分類決策規(guī)則 3.5 KNN算法的優(yōu)缺點 3.6 KNN算法的Python實現(xiàn) 第4章 貝葉斯分類 4.1 貝葉斯分類應(yīng)用場景 4.2 貝葉斯定理 4.3 樸素貝葉斯分類原理和算法 4.4 貝葉斯網(wǎng)絡(luò) 4.5 貝葉斯估計 4.6 實例：使用樸素貝葉斯對電子郵件分類 第5章 支持向量機分類 5.1 支持向量機分類應(yīng)用場景 5.2 支持向量機概念 5.3 線性可分和線性不可分SVM 5.3.1 線性可分SVM 5.3.2 線性不可分SVM 5.3.3 核函數(shù) 5.3.4 分類SvM算法流程 5.4 使用Sklearn的sVM支持向量機分類器 5.4.1 Sklearn中SVM的類繼承關(guān)系 5.4.2 Sklearn線性SVM分類器 5.5 實例：人臉識別分類 第6章 增強學(xué)習(xí)AdaBoost 6.1 增強學(xué)習(xí)AdaBoost應(yīng)用場景 6.2 集成方法 6.3 Boosting算法 6.4 AdaBoost算法 6.4.1 單層決策樹方式的弱分類器 6.4.2 AdaBoost分類器的權(quán)重 6.4.3 AdaBoost算法流程 6.5 AdaBoost的優(yōu)缺點 6.6 AdaBoost算法實現(xiàn)數(shù)字簡單分類 第7章 決策樹算法 7.1 決策樹應(yīng)用場景 7.2 決策樹算法概述 7.3 決策樹剪枝處理 7.4 Scikit-Learn決策樹算法庫 7.5 ID3算法 7.5.1 ID3算法原理 7.5.2 ID3算法的優(yōu)缺點 7.5.3 使用Scikit-Learn庫的ID3算法建立銷售預(yù)測決策樹 7.6 C4.5算法 7.6.1 C4.5算法原理 7.6.2 C4.5算法實例：使用Python C4.5算法建立決策樹 7.7 CART生成算法 7.7.1 CART算法原理 7.7.2 CART回歸樹的生成 7.7.3 CART分類樹的生成 7.7.4 使用Scikit-Learn庫的CART算法建立銷售預(yù)測決策樹 7.8 實例：決策樹預(yù)測隱形眼鏡類型 第8章 無監(jiān)督k-Means聚類 8.1 無監(jiān)督k-Means聚類應(yīng)用場景 8.2 無監(jiān)督學(xué)習(xí)算法 8.3 k-Means算法介紹 8.3.1 k-Means算法概述 8.3.2 k-Means和KNN算法 8.4 k-Means算法原理和流程 8.4.1 歐氏距離 8.4.2 平均誤差準則函數(shù) 8.4.3 k-Means聚類算法流程 8.5 Sklearn庫的k-Means算法支持 8.6 使用Sklearn的k-Means實現(xiàn)鳶尾花聚類 8.7 航空公司使用k-Means算法實現(xiàn)客戶分類 第9章 Apriori關(guān)聯(lián)規(guī)則算法 9.1 關(guān)聯(lián)規(guī)則算法應(yīng)用場景 9.2 關(guān)聯(lián)規(guī)則概述——有趣的啤酒和尿布 9.3 關(guān)聯(lián)規(guī)則挖掘算法 9.4 Apriori關(guān)聯(lián)規(guī)則算法原理 9.4.1 基本概念 9.4.2 關(guān)聯(lián)規(guī)則的分類 9.4.3 Apriori算法原理 9.4.4 發(fā)現(xiàn)頻繁項集過程 9.4.5 Apriori算法示例 9.5 使用Apriori算法發(fā)現(xiàn)酒店菜肴間關(guān)聯(lián)規(guī)則 第10章 PageRank排序 10.1 PageRank排序應(yīng)用場景 10.2 PageRank排序概述 10.3 PageRank模型和算法 10.3.1 如何度量網(wǎng)頁本身的重要性 10.3.2 Pa~eRank的核心思路 10.3.3 PageRank模型 10.4 PageRank排序算法的優(yōu)缺點 10.5 PageRank排序?qū)嵗喊l(fā)現(xiàn)網(wǎng)頁之間鏈接關(guān)系 第11章 EM參數(shù)估計 11.1 參數(shù)估計應(yīng)用場景 11.2 極大似然估計 11.3 EM算法原理 11.3.1 EM算法和極大似然法對比 11.3.2 *大似然法和EM算法解決硬幣概率問題 11.3.3 EM算法迭代過程 11.3.4 EM.算法的坐標上升法 11.4 使用EM算法實現(xiàn)參數(shù)估計實例 11.4.1 實例1：質(zhì)量分布數(shù)據(jù)參數(shù)估計 11.4.2 實例2：在高斯混合模型中的應(yīng)用 第12章 半監(jiān)督學(xué)習(xí) 12.1 半監(jiān)督學(xué)習(xí)應(yīng)用場景 12.2 半監(jiān)督學(xué)習(xí)概述 12.3 半監(jiān)督學(xué)習(xí)方法 12.4 基于圖的半監(jiān)督學(xué)習(xí) 12.4.1 構(gòu)建相似矩陣 12.4.2 LP算法 12.5 Python實現(xiàn)標簽傳播算法 第13章 深度學(xué)習(xí) 13.1 深度學(xué)習(xí)應(yīng)用場景 13.2 淺層學(xué)習(xí)和深度學(xué)習(xí) 13.2.1 感知器 13.2.2 淺層學(xué)習(xí)和深度學(xué)習(xí)對比 13.2.3 梯度和梯度下降 13.2.4 神經(jīng)網(wǎng)絡(luò)和反向傳播算法 13.3 深度學(xué)習(xí)框架 13.4 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 13.4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 13.4.2 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計 13.4 _3配置卷積層或池化層 13.5 深度學(xué)習(xí)的訓(xùn)練過程 13.5.1 卷積層輸出值的計算 13.5.2 池化層輸出值的計算 13.5.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 13.6 TensorFlow簡介 13.6.1 基本概念 13.6.2 跨設(shè)備通信 13.6.3 梯度計算 13.7 TensorFlow應(yīng)用實例：圖像識別 第14章 遷移學(xué)習(xí) 14.1 遷移學(xué)習(xí)應(yīng)用場景 14.2 遷移學(xué)習(xí)概述 14.3 遷移學(xué)習(xí)和自我學(xué)習(xí) 14.4 遷移學(xué)習(xí)方法 14.4.1 基本概念 14.4.2 遷移學(xué)習(xí)形式化描述 14.4.3 遷移學(xué)習(xí)算法 14.5 遷移學(xué)習(xí)實例：使用TensorFlow實現(xiàn)圖像識別 參考文獻
展開全部

圖解機器學(xué)習(xí):算法原理與Python語言實現(xiàn) 作者簡介

丁毓峰,博士，武漢理工大學(xué)機電工程學(xué)院副教授，IEEE會員，計算機學(xué)會會員，機械工程學(xué)會高級會員，武漢理工大學(xué)——江西學(xué)業(yè)通研發(fā)中心負責(zé)人，多年程序設(shè)計語言開發(fā)經(jīng)驗,對機器學(xué)習(xí)和算法有深入研究。

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