書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

出版社：清華大學(xué)出版社出版時(shí)間：2021-05-01
開本： 其他 頁數(shù)： 228
中 圖 價(jià):¥38.9(6.5折) 定價(jià)  ¥59.8 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 版權(quán)信息

Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 本書特色

內(nèi)容深入淺出，既有對(duì)基礎(chǔ)知識(shí)點(diǎn)的講解，也涉及關(guān)鍵問題和重點(diǎn)、難點(diǎn)的分析和解決。 具有超強(qiáng)的實(shí)用性，實(shí)例豐富。前11章理論部分都提供了一個(gè)小的實(shí)例，后8章提供了綜合項(xiàng)目實(shí)例，讓讀者理解概念、原理和算法。 以理論與實(shí)踐相結(jié)合為出發(fā)點(diǎn)，介紹Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn)中的相關(guān)內(nèi)容，使零基礎(chǔ)讀者也可以快速上手。 機(jī)器學(xué)習(xí)常見的算法理論+實(shí)例，11個(gè)小實(shí)驗(yàn)以及8個(gè)綜合項(xiàng)目案例，配有視頻，深刻了解機(jī)器學(xué)習(xí)全部知識(shí)機(jī)器學(xué)習(xí)常見的算法，11個(gè)小實(shí)驗(yàn)以及8個(gè)綜合項(xiàng)目案例，深刻了解機(jī)器學(xué)習(xí)全部知識(shí)

Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 內(nèi)容簡(jiǎn)介

本書以機(jī)器學(xué)習(xí)算法為主題，詳細(xì)介紹算法的理論細(xì)節(jié)與應(yīng)用方法。全書共19章，分別介紹了邏輯回歸與優(yōu)選熵模型、k-近鄰模型、決策樹模型、樸素貝葉斯模型、支持向量機(jī)模型、集成學(xué)習(xí)框架、EM算法、降維算法、聚類算法、神經(jīng)網(wǎng)絡(luò)模型等基礎(chǔ)模型或算法，以及8個(gè)綜合項(xiàng)目實(shí)例：汽車運(yùn)動(dòng)學(xué)片段分類、垃圾信息識(shí)別、乳腺癌識(shí)別、波士頓房?jī)r(jià)預(yù)測(cè)、生成動(dòng)漫人物、鳶尾花分類、人臉識(shí)別、保險(xiǎn)行為數(shù)據(jù)用戶分類器。本書重視理論與實(shí)踐相結(jié)合，希望為讀者提供全面而細(xì)致的學(xué)習(xí)指導(dǎo)。 本書適合機(jī)器學(xué)習(xí)初學(xué)者、相關(guān)行業(yè)從業(yè)人員以及高等院校計(jì)算機(jī)科學(xué)、軟件工程等相關(guān)專業(yè)的師生閱讀。

Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 目錄


目錄






第1章機(jī)器學(xué)習(xí)概述




資源下載



1.1機(jī)器學(xué)習(xí)的組成


1.2分類問題及回歸問題


1.3監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)


1.4生成模型及判別模型


1.5模型評(píng)估


1.5.1訓(xùn)練誤差及泛化誤差


1.5.2過擬合及欠擬合


1.6正則化


1.7Scikitlearn模塊


1.7.1數(shù)據(jù)集


1.7.2模型選擇


第2章邏輯回歸及*大熵模型


2.1線性回歸


2.1.1一元線性回歸


2.1.2多元線性回歸


2.2廣義線性回歸


2.2.1邏輯回歸


2.2.2多分類邏輯回歸


2.2.3交叉熵?fù)p失函數(shù)


2.3*大熵模型


2.3.1*大熵模型的導(dǎo)出


2.3.2*大熵模型與邏輯回歸之間的關(guān)系


2.4評(píng)價(jià)指標(biāo)


2.4.1混淆矩陣


2.4.2準(zhǔn)確率


2.4.3精確率與召回率


2.4.4PR曲線


2.4.5ROC曲線與AUC曲線


2.5實(shí)例： 基于邏輯回歸實(shí)現(xiàn)乳腺癌預(yù)測(cè)


第3章k近鄰算法


3.1k值的選取


3.2距離的度量


3.3快速檢索


3.4實(shí)例： 基于k近鄰算法實(shí)現(xiàn)鳶尾花分類


第4章決策樹


4.1特征選擇


4.1.1信息增益


4.1.2信息增益比






4.2決策樹生成算法CART


4.3決策樹剪枝


4.3.1預(yù)剪枝


4.3.2后剪枝


4.4實(shí)例： 基于決策樹實(shí)現(xiàn)葡萄酒分類


第5章樸素貝葉斯分類器


5.1極大似然估計(jì)


5.2樸素貝葉斯分類


5.3拉普拉斯平滑


5.4樸素貝葉斯分類器的極大似然估計(jì)解釋


5.5實(shí)例： 基于樸素貝葉斯實(shí)現(xiàn)垃圾短信分類


第6章支持向量機(jī)


6.1*大間隔及超平面


6.2線性可分支持向量機(jī)


6.3線性支持向量機(jī)


6.4合頁損失函數(shù)


6.5核技巧


6.6二分類問題與多分類問題


6.6.1一對(duì)一


6.6.2一對(duì)多


6.6.3多對(duì)多


6.7實(shí)例： 基于支持向量機(jī)實(shí)現(xiàn)葡萄酒分類


第7章集成學(xué)習(xí)


7.1偏差與方差


7.2Bagging及隨機(jī)森林


7.2.1Bagging


7.2.2隨機(jī)森林


7.3Boosting及AdaBoost


7.3.1Boosting


7.3.2AdaBoost


7.4提升樹


7.4.1殘差提升樹


7.4.2GBDT


7.4.3XGBoost


7.5Stacking


7.6實(shí)例: 基于梯度下降樹實(shí)現(xiàn)波士頓房?jī)r(jià)預(yù)測(cè)



第8章EM算法及其應(yīng)用


8.1Jensen不等式


8.2EM算法


8.3高斯混合模型GMM


8.4隱馬爾可夫模型


8.4.1計(jì)算觀測(cè)概率的輸出


8.4.2估計(jì)隱馬爾可夫模型的參數(shù)


8.4.3隱變量序列預(yù)測(cè)


8.5實(shí)例： 基于高斯混合模型實(shí)現(xiàn)鳶尾花分類


第9章降維


9.1主成分分析


9.1.1方差即協(xié)方差的無偏估計(jì)


9.1.2實(shí)例： 基于主成分分析實(shí)現(xiàn)鳶尾花數(shù)據(jù)降維


9.2奇異值分解


9.2.1奇異值分解的構(gòu)造


9.2.2奇異值分解用于數(shù)據(jù)壓縮


9.2.3SVD與PCA的關(guān)系


9.2.4奇異值分解的幾何解釋


9.2.5實(shí)例： 基于奇異值分解實(shí)現(xiàn)圖片壓縮


第10章聚類


10.1距離度量


10.1.1閔可夫斯基距離


10.1.2余弦相似度


10.1.3馬氏距離


10.1.4漢明距離


10.2層次聚類


10.3KMeans聚類


10.4KMedoids聚類


10.5DBSCAN


10.6實(shí)例： 基于KMeans實(shí)現(xiàn)鳶花聚類


第11章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)


11.1神經(jīng)元模型


11.2多層感知機(jī)


11.3損失函數(shù)


11.4反向傳播算法


11.4.1梯度下降法


11.4.2梯度消失及梯度爆炸


11.5卷積神經(jīng)網(wǎng)絡(luò)


11.5.1卷積


11.5.2池化


11.5.3網(wǎng)絡(luò)架構(gòu)


11.6循環(huán)神經(jīng)網(wǎng)絡(luò)


11.7生成對(duì)抗網(wǎng)絡(luò)


11.8圖卷積神經(jīng)網(wǎng)絡(luò)


11.9深度學(xué)習(xí)發(fā)展


11.10實(shí)例： 基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手寫數(shù)字識(shí)別


11.10.1MNIST數(shù)據(jù)集


11.10.2基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別


第12章實(shí)戰(zhàn)： 基于KMeans算法的汽車行駛運(yùn)動(dòng)學(xué)片段的分類


12.1樣本聚類


12.1.1SSE


12.1.2輪廓分析


12.2汽車行駛運(yùn)動(dòng)學(xué)片段的提取


12.3基于KMeans的汽車行駛運(yùn)動(dòng)學(xué)片段分類


第13章實(shí)戰(zhàn)： 從零實(shí)現(xiàn)樸素貝葉斯分類器用于垃圾信息識(shí)別


13.1算法流程


13.2數(shù)據(jù)集載入


13.3樸素貝葉斯模型


13.3.1構(gòu)造函數(shù)設(shè)計(jì)


13.3.2數(shù)據(jù)預(yù)處理


13.3.3模型訓(xùn)練


13.3.4測(cè)試集預(yù)測(cè)


13.3.5主函數(shù)實(shí)現(xiàn)


第14章實(shí)戰(zhàn)： 基于邏輯回歸算法進(jìn)行乳腺癌的識(shí)別


14.1數(shù)據(jù)集加載


14.2Logistic模塊


14.3模型評(píng)價(jià)


第15章實(shí)戰(zhàn)： 基于線性回歸、決策樹和SVM進(jìn)行鳶尾花分類


15.1使用Logistic實(shí)現(xiàn)鳶尾花分類


15.2使用決策樹實(shí)現(xiàn)鳶尾花分類


15.3使用SVM實(shí)現(xiàn)鳶尾花分類


第16章實(shí)戰(zhàn)： 基于多層感知機(jī)模型和隨機(jī)森林模型的波士頓房?jī)r(jià)預(yù)測(cè)


16.1使用MLP實(shí)現(xiàn)波士頓房?jī)r(jià)預(yù)測(cè)


16.2使用隨機(jī)森林模型實(shí)現(xiàn)波士頓房?jī)r(jià)預(yù)測(cè)


第17章實(shí)戰(zhàn)： 基于生成式對(duì)抗網(wǎng)絡(luò)生成動(dòng)漫人物


17.1生成動(dòng)漫人物任務(wù)概述


17.2反卷積網(wǎng)絡(luò)


17.3DCGAN


17.4基于DCGAN的動(dòng)漫人物生成


第18章實(shí)戰(zhàn)： 基于主成分分析法、隨機(jī)森林算法和SVM算法的人臉識(shí)別問題


18.1數(shù)據(jù)集介紹與分析


18.2LBP算子


18.3提取圖片特征



18.4基于隨機(jī)森林算法的人臉識(shí)別問題


18.5基于SVM算法的人臉識(shí)別問題


第19章實(shí)戰(zhàn)： 使用多種機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)基于用戶行為數(shù)據(jù)的用戶分類器


19.1基于機(jī)器學(xué)習(xí)的分類器的技術(shù)概述


19.2工程數(shù)據(jù)的提取聚合和存儲(chǔ)


19.2.1數(shù)據(jù)整合的邏輯流程


19.2.2Sqoop數(shù)據(jù)同步


19.2.3基于Hive的數(shù)據(jù)倉(cāng)庫


19.2.4基于Azkaban的數(shù)據(jù)倉(cāng)庫的調(diào)度任務(wù)


19.2.5數(shù)據(jù)倉(cāng)庫的數(shù)據(jù)集成和數(shù)據(jù)清洗


19.2.6整合后的數(shù)據(jù)表


19.3數(shù)據(jù)展示和分析


19.3.1數(shù)據(jù)集的選取和業(yè)務(wù)背景的描述


19.3.2各維度信息詳細(xì)說明


19.3.3各維度數(shù)據(jù)的描述性統(tǒng)計(jì)


19.3.4各維度數(shù)據(jù)的可視化


19.4特征工程


19.4.1標(biāo)準(zhǔn)化


19.4.2區(qū)間縮放


19.4.3歸一化


19.4.4對(duì)定性特征進(jìn)行onehot編碼


19.4.5缺失值填補(bǔ)


19.4.6數(shù)據(jù)傾斜


19.5模型訓(xùn)練和結(jié)果評(píng)價(jià)


19.5.1構(gòu)造模型思路


19.5.2模型訓(xùn)練的流程


19.5.3KFold交叉驗(yàn)證


19.6各分類器模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.6.1利用Python的sklearn包進(jìn)行模型訓(xùn)練的過程梳理


19.6.2邏輯斯諦分類模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.6.3*小近鄰算法模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.6.4線性判別分析模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.6.5樸素貝葉斯算法的模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.6.6決策樹模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.6.7支持向量機(jī)模型的訓(xùn)練和結(jié)果評(píng)價(jià)


19.7模型提升——集成分類器


19.7.1Boosting提升算法


19.7.2AdaBoost提升算法


19.7.3AdaBoost實(shí)現(xiàn)過程及實(shí)驗(yàn)結(jié)果


附錄A用戶歷史充值情況數(shù)據(jù)表


附錄B用戶各類訂單余額情況


附錄C各省用戶收到公示消息后的充值情況


參考文獻(xiàn)


展開全部

Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 作者簡(jiǎn)介

呂云翔,1986-1992： 北方交通大學(xué)講師； 1992-1994： 比利時(shí)VUB大學(xué)應(yīng)用信息技術(shù)碩士； 1994-1996： 比利時(shí)VUB大學(xué)MBA； 1996-2003： IT公司項(xiàng)目經(jīng)理 2003-至今： 北航軟件學(xué)院副教授。已出版二十幾本教材（其中“計(jì)算機(jī)導(dǎo)論實(shí)踐教程”一書獲北航2010年教學(xué)成果三等獎(jiǎng)；

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