歡迎光臨中圖網(wǎng) 請 | 注冊
> >>
數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書

數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書

作者:薛薇
出版社:中國人民大學(xué)出版社出版時間:2021-01-01
開本: 16開 頁數(shù): 364
本類榜單:教材銷量榜
中 圖 價:¥40.0(5.8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
本類五星書更多>

數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書 版權(quán)信息

數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書 內(nèi)容簡介

本書引領(lǐng)讀者進入Python機器學(xué)習(xí)領(lǐng)域。理論上突出機器學(xué)習(xí)原理講解的可讀性并兼具知識深度和廣度,實踐上強調(diào)機器學(xué)習(xí)的可操作性并兼具應(yīng)用廣泛性。本書不僅對原理進行了深入透徹的理論講解,而且通過Python編程給出了原理的直觀解釋以及可操作實現(xiàn)的應(yīng)用案例。本書適合作為高等院校相關(guān)專業(yè)的機器學(xué)習(xí)教學(xué)用書,也可作為Python機器學(xué)習(xí)研究應(yīng)用人員的參考用書。

數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書 目錄

第1章 機器學(xué)習(xí)與Python 概述

1.1 機器學(xué)習(xí)與人工智能1.1.1 符號主義人工智能

1.1.2 基于機器學(xué)習(xí)的人工智能

1.2 機器學(xué)習(xí)能做什么

1.2.1 機器學(xué)習(xí)的學(xué)習(xí)對象: 數(shù)據(jù)集

1.2.2 機器學(xué)習(xí)的任務(wù)

1.3 Python 實踐課: 初識Python

1.3.1 實踐一: Python 和Anaconda

1.3.2 實踐二: Python 第三方包的引用

1.3.3 實踐三: 學(xué)習(xí)Python 的NumPy 包

1.3.4 實踐四: 學(xué)習(xí)Python 的Pandas 包

1.3.5 實踐五: 學(xué)習(xí)Python 的Matplotlib 包

1.3.6 實踐六: 了解Python 的Scikit-learn 包

附錄

第2章 數(shù)據(jù)預(yù)測中的相關(guān)問題

2.1 數(shù)據(jù)預(yù)測與預(yù)測建模

2.1.1 預(yù)測模型

2.1.2 預(yù)測模型的幾何理解

2.1.3 預(yù)測模型參數(shù)估計的基本策略

2.2 預(yù)測模型的評價

2.2.1 模型誤差的評價指標(biāo)

2.2.2 模型的圖形化評價工具

2.2.3 泛化誤差的估計方法

2.2.4 數(shù)據(jù)集的劃分策略

2.3 預(yù)測模型的選擇問題

2.3.1 幾個重要觀點

2.3.2 模型過擬合

2.3.3 預(yù)測模型的偏差和方差

2.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

2.4.1 實踐一: 預(yù)測模型中的一般線性回歸模型和Logistic 回歸模型

2.4.2 實踐二: 預(yù)測模型的評價指標(biāo)和圖形化評價工具

2.4.3 實踐三: 不同復(fù)雜度模型下的訓(xùn)練誤差和測試誤差

2.4.4 實踐四: 數(shù)據(jù)集劃分以及測試誤差估計

2.4.5 實踐五: 模型的過擬合以及偏差和方差

附錄

第3章 數(shù)據(jù)預(yù)測建模: 貝葉斯分類器

3.1 貝葉斯概率和貝葉斯法則

3.1.1 貝葉斯概率

3.1.2 貝葉斯法則

3.2 貝葉斯和樸素貝葉斯分類器

3.2.1 貝葉斯和樸素貝葉斯分類器的一般內(nèi)容

3.2.2 貝葉斯分類器的先驗分布

3.3 貝葉斯分類器的分類邊界

3.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

3.4.1 實踐一: 探索不同參數(shù)下的貝塔分布特點

3.4.2 實踐二: 繪制貝葉斯分類器的分類邊界

3.4.3 實踐三: 二分類的空氣污染預(yù)測

3.4.4 實踐四: 多分類的文本分類預(yù)測

附錄

第4章 數(shù)據(jù)預(yù)測建模: 近鄰分析

4.1 近鄰分析: K-近鄰法

4.1.1 距離: K-近鄰法的近鄰度量

4.1.2 參數(shù)K: 1-近鄰法還是K-近鄰法

4.2 基于觀測相似性的加權(quán)K-近鄰法

4.2.1 加權(quán)K-近鄰法的權(quán)重

4.2.2 加權(quán)K-近鄰法的預(yù)測

4.2.3 加權(quán)K-近鄰法的分類邊界

4.3 K-近鄰法的適用性

4.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

4.4.1 實踐一: K-近鄰法不同參數(shù)K下的分類邊界

4.4.2 實踐二: 探討加權(quán)K-近鄰法中不同核函數(shù)的特點

4.4.3 實踐三: 加權(quán)K{近鄰法不同參數(shù)和加權(quán)策略下的分類邊界

4.4.4 實踐三: 空氣質(zhì)量等級預(yù)測中的*優(yōu)參數(shù)K

4.4.5 K-近鄰法的回歸預(yù)測問題

附錄

第5章 數(shù)據(jù)預(yù)測建模: 決策樹

5.1 決策樹的核心問題

5.1.1 什么是決策樹

5.1.2 分類樹的分類邊界

5.1.3 回歸樹的回歸平面

5.1.4 決策樹的生長和剪枝

5.2 分類回歸樹的生長

5.2.1 分類樹中的異質(zhì)性度量

5.2.2 回歸樹中的異質(zhì)性度量

5.3 分類回歸樹的剪枝

5.3.1 代價復(fù)雜度和*小代價復(fù)雜度

5.3.2 分類回歸樹的剪枝過程

5.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

5.4.1 實踐一: 回歸樹的回歸面

5.4.2 實踐二: 不同樹深度下分類樹的分類邊界

5.4.3 實踐三: 分類樹中的基尼系數(shù)和熵

5.4.4 實踐四: 空氣質(zhì)量等級的分類預(yù)測

5.4.5 實踐五: 回歸樹和過擬合

附錄

第6章 數(shù)據(jù)預(yù)測建模: 集成學(xué)習(xí)

6.1 集成學(xué)習(xí)的一般問題

6.1.1 集成學(xué)習(xí): 解決高方差問題

6.1.2 集成學(xué)習(xí): 從弱模型到強模型

6.2 基于重抽樣自舉法的集成學(xué)習(xí)

6.2.1 重抽樣自舉法

6.2.2 袋裝策略

6.2.3 隨機森林

6.3 集成學(xué)習(xí): 從弱模型到強模型

6.3.1 提升策略

6.3.2 AdaBoost.M1 算法

6.3.3 SAMME 算法和SAMME.R算法

6.3.4 回歸預(yù)測中的提升策略

6.4 梯度提升樹

6.4.1 梯度提升算法

6.4.2 梯度提升回歸樹

6.4.3 梯度提升分類樹

6.5 XGBoost 算法精要

6.5.1 XGBoost 算法中的目標(biāo)函數(shù)

6.5.2 目標(biāo)函數(shù)的近似表達

6.5.3 決策樹的求解

6.6 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

6.6.1 實踐一: 探討袋裝策略和隨機森林的方差

6.6.2 實踐二: 探討提升策略集成學(xué)習(xí)的預(yù)測效果

6.6.3 實踐三: 提升策略集成學(xué)習(xí)下高權(quán)重樣本觀測的變化

6.6.4 實踐四: 不同損失函數(shù)下AdaBoost 回歸預(yù)測

6.6.5 實踐五: 梯度提升算法和提升策略集成學(xué)習(xí)的對比

6.6.6 實踐六: 基于空氣質(zhì)量監(jiān)測數(shù)據(jù), 對比集成學(xué)習(xí)的各種策略

附錄

第7章 數(shù)據(jù)預(yù)測建模:人工神經(jīng)網(wǎng)絡(luò)

7.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念

7.1.1 網(wǎng)絡(luò)的基本構(gòu)成

7.1.2 網(wǎng)絡(luò)節(jié)點的功能

7.2 感知機網(wǎng)絡(luò)

7.2.1 感知機網(wǎng)絡(luò)中的節(jié)點

7.2.2 感知機節(jié)點中的加法器

7.2.3 感知機節(jié)點中的激活函數(shù)

7.2.4 感知機的權(quán)重訓(xùn)練

7.3 多層感知機及B-P 反向傳播算法

7.3.1 多層網(wǎng)絡(luò)的結(jié)構(gòu)

7.3.2 多層網(wǎng)絡(luò)的隱藏節(jié)點

7.3.3 B-P 反向傳播算法

7.3.4 多層網(wǎng)絡(luò)的其他問題

7.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

7.4.1 實踐一: 探討二層感知機輸出節(jié)點不同激活函數(shù)的情況

7.4.2 實踐二: 利用模擬數(shù)據(jù)探討多層感知機網(wǎng)絡(luò)中隱藏節(jié)點的影響

7.4.3 實踐三: 基于手寫體郵政編碼點陣數(shù)據(jù)實現(xiàn)數(shù)字識別

7.4.4 實踐四: 基于空氣質(zhì)量監(jiān)測數(shù)據(jù)對PM2.5 的濃度進行預(yù)測

附錄

第8章 數(shù)據(jù)預(yù)測建模: 支持向量機

8.1 支持向量分類的一般問題

8.1.1 支持向量分類的基本思路

8.1.2 支持向量分類的三種情況

8.2 完全線性可分下的支持向量分類

8.2.1 如何求解超平面

8.2.2 參數(shù)求解的拉格朗日乘子法

8.2.3 支持向量分類的預(yù)測

8.3 廣義線性可分下的支持向量分類

8.3.1 廣義線性可分下的超平面

8.3.2 廣義線性可分下的錯誤懲罰和目標(biāo)函數(shù)

8.3.3 廣義線性可分下的超平面參數(shù)求解

8.4 線性不可分問題下的支持向量分類

8.4.1 線性不可分問題的一般解決方式

8.4.2 支持向量分類克服維災(zāi)難的途徑

8.5 支持向量回歸

8.5.1 支持向量回歸的基本思路

8.5.2 支持向量回歸的目標(biāo)函數(shù)和約束條件

8.6 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

8.6.1 實踐一: 探討支持向量機分類的意義

8.6.2 實踐二: 探討完全線性可分下的支持向量分類

8.6.3 實踐三: 探討廣義線性可分下不同懲罰參數(shù)C 下的分類邊界

8.6.4 實踐四: 探討非線性可分下的空間變化思路

8.6.5 實踐五: 探討非線性可分下不同懲罰參數(shù)C 和核函數(shù)下的分類曲面

8.6.6 實踐六: 探討支持向量回歸中不同懲罰參數(shù)C 和??對回歸的影響

附錄

第9章 特征選擇: 過濾、包裹和嵌入策略

9.1 過濾式策略下的特征選擇

9.1.1 低方差過濾法

9.1.2 分類預(yù)測中的高相關(guān)過濾法:F 統(tǒng)計量

9.1.3 分類預(yù)測中的高相關(guān)過濾法:x2統(tǒng)計量

9.1.4 分類預(yù)測中的高相關(guān)過濾法:其他統(tǒng)計量

9.2 包裹式策略下的特征選擇

9.2.1 包裹式策略的基本思路

9.2.2 遞歸式特征剔除法

9.2.3 基于交叉驗證的遞歸式特征剔除法

9.3 嵌入式策略下的特征選擇

9.3.1 嶺回歸和Lasso 回歸

9.3.2 彈性網(wǎng)回歸

9.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

9.4.1 實踐一: 探討低方差過濾法的應(yīng)用意義

9.4.2 實踐二: 探索高相關(guān)過濾法中的F 分布和卡方分布特點及應(yīng)用

9.4.3 實踐三: 探索包裹式策略下的特征選擇及應(yīng)用

9.4.4 實踐四: 探索Lasso 回歸中收縮參數(shù)ɑ變化對特征選擇的影響

9.4.5 實踐五: 探索彈性網(wǎng)回歸中不同L2 范數(shù)率變化對模型的影響

附錄

第10章 特征提取: 空間變換策略

10.1 主成分分析

10.1.1 主成分分析的基本出發(fā)點

10.1.2 主成分分析的基本原理

10.1.3 確定主成分

10.2 矩陣的奇異值分解

10.2.1 奇異值分解的基本思路

10.2.2 基于奇異值分解的特征提取

10.3 核主成分分析

10.3.1 核主成分分析的出發(fā)點

10.3.2 核主成分分析的基本原理

10.3.3 核主成分分析中的核函數(shù)

10.4 因子分析

10.4.1 因子分析的基本出發(fā)點

10.4.2 因子分析的基本原理

10.4.3 因子載荷矩陣的求解

10.4.4 因子得分的計算

10.4.5 因子分析的其他問題

10.5 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

10.5.1 實踐一: 探索主成分分析的基本原理和實踐

10.5.2 實踐二: 基于臉部點陣灰度數(shù)據(jù),探索奇異值分解的應(yīng)用

10.5.3 實踐三: 探索核主成分分析的意義和應(yīng)用

10.5.4 實踐四: 探索因子分析的基本原理

10.5.5 實踐五: 基于空氣質(zhì)量監(jiān)測數(shù)據(jù), 探索因子分析的應(yīng)用

附錄

第11章 揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu):聚類分析

11.1 聚類分析的一般問題

11.1.1 聚類分析的目的

11.1.2 聚類算法概述

11.1.3 聚類解的評價

11.1.4 聚類解的可視化

11.2 基于質(zhì)心的聚類模型: K-均值聚類

11.2.1 K-均值聚類基本過程

11.2.2 K-均值聚類中的聚類數(shù)目

11.2.3 基于K-均值聚類的預(yù)測

11.3 基于聯(lián)通性的聚類模型: 系統(tǒng)聚類

11.3.1 系統(tǒng)聚類的基本過程

11.3.2 系統(tǒng)聚類中距離的聯(lián)通性測度

11.3.3 系統(tǒng)聚類中的聚類數(shù)目

11.3.4 系統(tǒng)聚類中的其他問題

11.4 基于高斯分布的聚類模型:EM聚類

11.4.1 基于高斯分布聚類的出發(fā)點:有限混合分布

11.4.2 EM 聚類算法

11.5 Python 實踐課: 加深理論理解,探索實踐應(yīng)用

11.5.1 實踐一: 探討K-值聚類特點和確定聚類數(shù)目K 的方法

11.5.2 實踐二: 探討系統(tǒng)聚類過程和可視化工具

11.5.3 實踐三: 探討聚類分析的實際應(yīng)用

11.5.4 實踐四: 探討EM 聚類的適用場景和聚類實現(xiàn)

附錄

第12章 揭示數(shù)據(jù)內(nèi)在結(jié)構(gòu): 特色聚類

12.1 基于密度的聚類: DBSCAN聚類

12.1.1 DBSCAN 聚類中的相關(guān)概念

12.1.2 DBSCAN 聚類過程

12.1.3 DBSCAN 聚類的參數(shù)敏感性

12.2 Mean-Shift 聚類

12.2.1 什么是核密度估計

12.2.2 核密度估計在Mean-Shift聚類中的意義

12.2.3 Mean-Shift 聚類過程

12.3 BIRCH 聚類

12.3.1 BIRCH 聚類的特點

12.3.2 BIRCH 算法中的聚類特征樹

12.3.3 BIRCH 聚類的核心步驟

12.3.4 BIRCH 聚類的在線動態(tài)聚類

12.3.5 BIRCH 聚類解的優(yōu)化

12.4 Python 實踐課: 加深理論理解,探索應(yīng)用實踐

12.4.1 探索DBSCAN 聚類算法的異形聚類特點以及參數(shù)敏感性

12.4.2 實現(xiàn)單變量的核密度估計,理解Mean-Shift 聚類算法

12.4.3 探討B(tài)IRCH 聚類的動態(tài)性特點

附錄

展開全部

數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書 節(jié)選

本書在每章均設(shè)置了Python實踐課環(huán)節(jié)。一方面,通過Python程序代碼和可再現(xiàn)的各種圖形,幫助學(xué)習(xí)者理解抽象理論背后的直觀含義和方法精髓。另一方面,通過Python代碼,幫助學(xué)習(xí)者掌握和拓展機器學(xué)習(xí)的算法實現(xiàn)和應(yīng)用實踐。同時,對程序中的關(guān)鍵點進行適度說明,并結(jié)合方法原理對程序運行結(jié)果進行解讀,對相關(guān)算法及其特點進行比較評述。全書所有模型和算法都有相應(yīng)的Python程序,并提供全部代碼下載。

數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書Python機器學(xué)習(xí)原理與實踐/數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)叢書 作者簡介

薛薇,中國人民大學(xué)統(tǒng)計學(xué)院副教授,中國人民大學(xué)應(yīng)用統(tǒng)計科學(xué)研究中心研究員。所撰寫著作曾獲“十二五”普通高等教育本科國家級規(guī)劃教材、北京市高等教育精品教材。主要開設(shè)課程包括機器學(xué)習(xí),統(tǒng)計分析軟件等。研究方向為機器學(xué)習(xí)與深度學(xué)習(xí)算法及應(yīng)用研究。

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