PYTHON機器學習實戰(zhàn):基于SCIKIT-LEARN與PYTORCH的神經(jīng)網(wǎng)絡解決方案
-
>
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機器學習實戰(zhàn):基于SCIKIT-LEARN與PYTORCH的神經(jīng)網(wǎng)絡解決方案 版權(quán)信息
- ISBN:9787302642978
- 條形碼:9787302642978 ; 978-7-302-64297-8
- 裝幀:平裝-膠訂
- 冊數(shù):暫無
- 重量:暫無
- 所屬分類:>
PYTHON機器學習實戰(zhàn):基于SCIKIT-LEARN與PYTORCH的神經(jīng)網(wǎng)絡解決方案 本書特色
NumPy、Pandas、Matplotlib、Scikit-learn以及Pytorch,一應俱全
涵括常見應用場景,可作為初學者入門指南以及從業(yè)者中長期參考手冊
深度闡述機器學習環(huán)境搭建、數(shù)據(jù)加載、數(shù)值處理、數(shù)據(jù)分析和可視化
結(jié)合理論和實踐來解釋監(jiān)督學習、無監(jiān)督學習、回歸算法以及集成學習
通過一個端到端解決方案來解釋復雜的卷積神經(jīng)網(wǎng)絡架構(gòu)、原理和實現(xiàn)
本書分為三個部分。**部分向您介紹使用 Python 的數(shù)字運算和數(shù)據(jù)分析工具,并深入解釋環(huán)境配置、數(shù)據(jù)加載、數(shù)值處理、數(shù)據(jù)分析和可視化。第二部分涵蓋機器學習基礎(chǔ)知識和 Scikit-learn 庫。它還通過理論和實踐課程以簡單的方式解釋了監(jiān)督學習、無監(jiān)督學習、回歸算法的實現(xiàn)和分類以及集成學習方法。第三部分解釋了復雜的神經(jīng)網(wǎng)絡架構(gòu),并詳細介紹了卷積神經(jīng)網(wǎng)絡的內(nèi)部工作和實現(xiàn)。*后一章包含 Pytorch 中神經(jīng)網(wǎng)絡的詳細端到端解決方案。本書可以幫助讀者實現(xiàn)機器學習和神經(jīng)網(wǎng)絡解決方案。
特色主題如下:
復習NumPy和Pandas中的數(shù)據(jù)結(jié)構(gòu)
展示機器學習技術(shù)和算法
了解監(jiān)督學習和非監(jiān)督學習
重點討論卷積神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡
全面介紹熟悉scikit-learn和 PyTorch
預測遞歸神經(jīng)網(wǎng)絡和長短期記憶中的序列
PYTHON機器學習實戰(zhàn):基于SCIKIT-LEARN與PYTORCH的神經(jīng)網(wǎng)絡解決方案 內(nèi)容簡介
《Python機器學習實戰(zhàn):基于Scikit-learn與PyTorch的神經(jīng)網(wǎng)絡解決方案》基于作者多年的積累,通過概念及其解釋、Python代碼示例及其解釋和代碼輸出,特別針對零基礎(chǔ)讀者精心設(shè)計了這本機器學習進階指南。全書包含3部分16章的內(nèi)容,在介紹完編程和數(shù)據(jù)處理基礎(chǔ)之后,探討了監(jiān)督學習(如線性回歸、邏輯回歸及決策樹、樸素貝葉斯和支持向量機)、集成學習以及無監(jiān)督學習(如降維和聚類等)。值得一提的是,書的*后講到了神經(jīng)網(wǎng)絡和深度學習的基本思想,探討了人工神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡。 《Python機器學習實戰(zhàn):基于Scikit-learn與PyTorch的神經(jīng)網(wǎng)絡解決方案》適合零基礎(chǔ)且希望了解和掌握機器學習的讀者閱讀與參考。
PYTHON機器學習實戰(zhàn):基于SCIKIT-LEARN與PYTORCH的神經(jīng)網(wǎng)絡解決方案 目錄
第1章 Python 3和Jupyter Notebook入門 3
1.1 Python概述 4
1.1.1 Python編程語言的歷史 4
1.1.2 Python編程語言的哲學 4
1.1.3 Python的使用范圍 5
1.2 安裝Python 6
1.2.1 在Linux 發(fā)行版上安裝 Python 7
1.2.2 在macOS 上安裝Python 7
1.3 Python模式 7
1.3.1 交互模式 7
1.3.2 腳本模式 11
1.4 Pip3工具 13
1.5 科學Python生態(tài)系統(tǒng) 14
1.6 Python的實現(xiàn)和發(fā)行版 14
1.7 Anaconda發(fā)行版 15
1.8 小結(jié) 16
第2章 NumPy入門 17
2.1 開始使用NumPy 18
2.2 Ndarray的索引 20
2.3 Ndarray的屬性 22
2.4 NumPy常量 23
2.5 小結(jié) 24
第3章 數(shù)據(jù)可視化入門 25
3.1 用于創(chuàng)建Ndarray的NumPy例程 26
3.2 Matplotlib數(shù)據(jù)可視化 28
3.3 小結(jié) 34
第4章 Pandas入門 35
4.1 Pandas基礎(chǔ)知識 36
4.2 Pandas中的Series 36
4.3 Pandas中的數(shù)據(jù)框架 38
4.4 在數(shù)據(jù)框架中實現(xiàn)數(shù)據(jù)的可視化 40
4.5 小結(jié) 46
第Ⅱ部分 機器學習方法
第5章 Scikit-learn機器學習概述 49
5.1 從數(shù)據(jù)中學習 50
5.1.1 監(jiān)督式學習 50
5.1.2 無監(jiān)督學習 51
5.2 機器學習系統(tǒng)的結(jié)構(gòu) 52
5.2.1 問題理解 53
5.2.2 數(shù)據(jù)收集 53
5.2.3 數(shù)據(jù)標注和數(shù)據(jù)準備 53
5.2.4 數(shù)據(jù)整理 53
5.2.5 模型的開發(fā)、訓練和評估 54
5.2.6 模型的部署 54
5.3 Scikit-Learn 55
5.4 安裝Scikit-Learn 55
5.5 了解API 56
5.6 **個Scikit-learn實驗 57
5.7 小結(jié) 60
第6章 為機器學習準備數(shù)據(jù) 61
6.1 數(shù)據(jù)變量的類型 62
6.1.1 名目數(shù)據(jù) 62
6.1.2 次序數(shù)據(jù) 62
6.1.3 等距數(shù)據(jù) 63
6.1.4 等比數(shù)據(jù) 63
6.2 轉(zhuǎn)換 63
6.2.1 轉(zhuǎn)換名目屬性 64
6.2.2 轉(zhuǎn)換有序?qū)傩?66
6.3 歸一化 67
6.3.1 線性函數(shù)歸一化 68
6.3.2 標準縮放 69
6.4 預處理文本 70
6.4.1 準備NLTK 70
6.4.2 NLP流水線的5個步驟 71
6.4.3 詞干提取和詞形還原 72
6.4.4 移除停用詞 73
6.4.5 準備詞向量 73
6.5 預處理圖像 75
6.6 小結(jié) 77
第7章 初探監(jiān)督式學習方法 79
7.1 線性回歸 80
7.2 邏輯回歸 86
7.2.1 表達式概率的線與曲線的比較 87
7.2.1 學習參數(shù) 87
7.2.2 可視化決策邊界 90
7.3 決策樹 91
7.3.1 構(gòu)建決策樹 92
7.3.2 Python中的決策樹 93
7.4 小結(jié) 96
第8章 對監(jiān)督式學習進行調(diào)試 97
8.1 訓練和測試過程 98
8.2 性能的衡量標準 98
8.2.1 混淆矩陣 99
8.2.2 精確率 100
8.2.3 準確率 100
8.2.3 F值 100
8.2.4 Python中的性能指標 101
8.3 交叉驗證 103
8.3.1 為什么要進行交叉驗證 104
8.3.2 使用Python進行交叉驗證 105
8.4 ROC曲線 106
8.5 過擬合和正則化 109
8.5.1 偏差和方差 112
8.5.2 正則化 113
8.6 超參數(shù)調(diào)優(yōu) 116
8.7 小結(jié) 120
第9章 再談監(jiān)督學習方法 121
9.1 樸素貝葉斯 122
9.1.1 貝葉斯定理 122
9.1.2 條件概率 123
9.1.3 樸素貝葉斯的運作方式 123
9.1.4 多項樸素貝葉斯 124
9.1.5 Python中的樸素貝葉斯 124
9.2 支持向量機 126
9.2.1 SVM的運作方式 127
9.2.2 非線性分類 128
9.2.3 SVM中的核技巧 129
9.2.4 Python中的支持向量機 130
9.3 小結(jié) 134
第10章 集成學習方法 135
10.1 Bagging算法和隨機森林 136
10.2 Boosting算法 140
10.3 Stacking集成 146
10.4 小結(jié) 150
第11章 無監(jiān)督學習方法 151
11.1 降維 152
11.1.1 了解維數(shù)災難 152
11.1.2 主成分分析 153
11.1.3 Python中的主成分分析 154
11.2 聚類 157
11.2.1 使用k-均值進行聚類 158
11.2.2 Python中的k-均值 158
11.2.3 什么是正確的k 161
11.2.4 聚類之圖像分割 162
11.2.5 使用DBSCAN進行聚類 165
11.3 頻繁模式挖掘 168
11.3.1 購物籃分析 168
11.3.2 Python中的頻繁模式挖掘 169
11.4 小結(jié) 172
第Ⅲ部分 神經(jīng)網(wǎng)絡和深度學習
第12章 神經(jīng)網(wǎng)絡和PyTorch基礎(chǔ) 175
12.1 安裝PyTorch 177
12.2 PyTorch的基礎(chǔ)知識 177
12.2.1 創(chuàng)建張量 177
12.2.2 張量操作 179
12.3 感知器 181
12.4 人工神經(jīng)網(wǎng)絡 185
12.5 小結(jié) 186
第13章 前饋神經(jīng)網(wǎng)絡 187
13.1 前饋神經(jīng)網(wǎng)絡 188
13.1.1 訓練神經(jīng)網(wǎng)絡 189
13.1.2 損失函數(shù) 193
13.2 使用人工神經(jīng)網(wǎng)絡進行回歸 195
13.3 激活函數(shù) 198
13.3.1 ReLU 激活函數(shù) 198
13.3.2 Sigmoid 激活函數(shù) 199
13.3.3 tanh激活函數(shù) 200
13.4 多層人工神經(jīng)網(wǎng)絡 200
13.4.1 PyTorch中的神經(jīng)網(wǎng)絡(NN)類 206
13.4.2 過擬合和Dropout 208
13.5 分類手寫數(shù)字 209
13.6 小結(jié) 214
第14章 卷積神經(jīng)網(wǎng)絡 215
14.1 卷積運算 216
14.2 CNN的結(jié)構(gòu) 219
14.3 在PyTorch中使用卷積神經(jīng)網(wǎng)絡 221
14.4 使用CNN進行圖像分類 223
14.5 卷積神經(jīng)網(wǎng)絡的深度網(wǎng)絡 233
14.5 小結(jié) 234
第15章 循環(huán)神經(jīng)網(wǎng)絡 235
15.1 循環(huán)單元 236
15.2 RNN的類型 238
15.2.1 一對一 238
15.2.2 一對多 238
15.2.3 多對一 238
15.2.4 多對多 239
15.3 Python中的RNN 239
15.4 長短期記憶 240
15.4.1 LSTM單元 241
15.4.2 時間序列預測 242
15.5 門控循環(huán)單元 252
15.6 小結(jié) 252
第16章 項目實戰(zhàn) 253
16.1 數(shù)據(jù)科學生命周期 254
16.2 如何提供ML應用 257
16.3 通過實踐學習 258
16.3.1 定義問題 258
16.3.2 數(shù)據(jù) 259
16.3.3 準備模型 263
16.3.4 序列化模型,以便未來用于預測 268
16.3.5 托管模型 270
16.4 未來可期 271
PYTHON機器學習實戰(zhàn):基于SCIKIT-LEARN與PYTORCH的神經(jīng)網(wǎng)絡解決方案 作者簡介
阿什溫·帕揚卡(AshwinPajankar)是一名技術(shù)類作家、講師、內(nèi)容創(chuàng)作者和YouTuber主播。他在南德的SGGSIE&T獲得了工程學士學位,在印度理工學院海德拉巴校區(qū)獲得了計算機科學與工程碩士學位。他在7歲的時候接觸到電子技術(shù)和計算機編程。BASIC 是他學會的第一種編程語言。他還用過其他很多編程語言,比如匯編語言、C、C 、VisualBasic、Java、ShellScripting、Python、SQL和 JavaScript。他還非常喜歡使用單板計算機和微控制器,比如樹莓派、BananaPro、Arduino、BBC Microbit 和 ESP32。
他目前正專注于發(fā)展 YouTube 頻道,內(nèi)容涉及計算機編程、電子技術(shù)和微控制器。
阿迪亞·喬希(AdityaJoshi)是一名機器學習工程師,他曾經(jīng)在早中期創(chuàng)業(yè)公司的數(shù)據(jù)科學和機器學習團隊工作。他在浦那大學獲得了工程學士學位,在印度理工學院海德拉巴校區(qū)獲得了計算機科學與工程碩士學位。他在碩士學習期間對機器學習產(chǎn)生了興趣,并與印度理工學院海德拉巴校區(qū)的搜索和信息提取實驗室有了聯(lián)系。他喜歡教學,經(jīng)常參加培訓研討會、聚會和短期課程。
歐拉在校期間多次入選“優(yōu)等生名單”,奉行深思篤行的做事原則,擅長于問題引導和拆解,曾經(jīng)運用數(shù)據(jù)模型和R語言幫助某企業(yè)在半年內(nèi)實現(xiàn)了十倍的增長。美食愛好者。有多部譯著,翻譯風格活潑而準確,有志于通過文字、技術(shù)和思維來探尋商業(yè)價值與人文精神的平衡。目前感興趣的方向有機器學習和人工智能。
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
羅曼·羅蘭讀書隨筆-精裝
- >
羅庸西南聯(lián)大授課錄
- >
名家?guī)阕x魯迅:故事新編
- >
【精裝繪本】畫給孩子的中國神話
- >
煙與鏡
- >
龍榆生:詞曲概論/大家小書
- >
名家?guī)阕x魯迅:朝花夕拾