书馨卡帮你省薪 2024个人购书报告 2024中图网年度报告
欢迎光临中图网 请 | 注册
> >
Python无监督机器学习最佳实践

Python无监督机器学习最佳实践

出版社:清华大学出版社出版时间:2020-07-01
开本: 23cm 页数: 16,373页
中 图 价:¥81.3(6.3折) 定价  ¥129.0 登录后可看到会员价
加入购物车 收藏
运费6元,满39元免运费
?新疆、西藏除外
本类五星书更多>

Python无监督机器学习最佳实践 版权信息

  • ISBN:9787302557685
  • 条形码:9787302557685 ; 978-7-302-55768-5
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

Python无监督机器学习最佳实践 本书特色

在没有标签数据的情况下,无监督学习是一种有效且实用的解决方案。 本书将指导读者完成使用Python进行无监督学习的*佳实践,以结合使用无监督学习技术和Python库从非结构化数据中提取有意义的信息。本书首先说明了基本聚类如何在数据集中查找相似的数据点。精通k均值算法及其操作原理后,读者将了解什么是降维(Dimensionality Reduction)以及在哪里应用。随着学习的深入,读者还将掌握各种神经网络技术以及了解如何通过它们改善自己的模型。在研究无监督学习的应用程序时,我们还将学习如何挖掘Twitter上流行的主题。开发人员可以通过进行各种有趣的活动来挑战自己(例如,进行购物篮分析以确定不同产品之间的关系),从而完成本书的学习。 学习完本书,读者将具备使用Python自信地构建自己的模型所需的技能。

Python无监督机器学习最佳实践 内容简介

本书详细阐述了与无监督机器学习开发相关的基本解决方案, 主要包括聚类、分层聚类、邻域聚类方法和DBSCAN、降维和PCA、自动编码器、t分布随机邻域嵌入算法、主题建模、购物篮分析、热点分析等内容。此外, 本书还提供了相应的示例、代码, 以帮助读者进一步理解相关方案的实现过程。

Python无监督机器学习最佳实践 目录

第1章 聚类
1.1 简介
1.2 无监督学习与有监督学习
1.3 聚类的识别
1.3.1 识别聚类
1.3.2 二维数据
1.3.3 练习1:识别数据中的聚类
1.4 关于k均值聚类
1.4.1 无数学k均值演练
1.4.2 对于k均值聚类的深度演练
1.4.3 替代距离度量——曼哈顿距离
1.4.4 更深的维度
1.4.5 练习2:用Python计算欧几里得距离
1.4.6 练习3:以距离的概念形成聚类
1.4.7 练习4:从头开始实现k均值
1.4.8 练习5:通过优化实现k均值
1.4.9 聚类性能:轮廓分数
1.4.10 练习6:计算轮廓分数
1.4.11 活动1:实现k均值聚类
1.5 小结

第2章 分层聚类
2.1 介绍
2.2 聚类刷新
2.3 分层的组织结构
2.4 分层聚类简介
2.4.1 执行分层聚类的步骤
2.4.2 分层聚类的演练示例
2.4.3 练习7:建立分层结构
2.5 链接
2.5.1 链接概述
2.5.2 活动2:应用链接标准
2.6 凝聚分层聚类与分裂分层聚类
2.6.1 练习8:使用scikit-learn实现凝聚分层聚类
2.6.2 活动3:比较k均值和分层聚类
2.7 关于k均值与分层聚类
2.8 小结

第3章 邻域聚类方法和DBSCAN
3.1 介绍
3.1.1 聚类方法
3.1.2 作为邻域的聚类
3.2 关于DBSCAN
3.2.1 DBSCAN深度
3.2.2 DBSCAN算法的演练
3.2.3 练习9:评估邻域半径大小的影响
3.2.4 DBSCAN属性——邻域半径
3.2.5 活动4:从头开始实现DBSCAN
3.2.6 DBSCAN属性——*少点
3.2.7 练习10:评估*少点阈值的影响
3.2.8 活动5:比较DBSCAN与k均值和分层聚类
3.3 DBSCAN与k均值和分层聚类
3.4 小结

第4章 降维和PCA
4.1 介绍
4.1.1 降维的定义
4.1.2 降维的应用
4.1.3 维数的诅咒
4.2 降维技术
4.2.1 概述
……

第5章 自动编码器
第6章 t分布随机邻域嵌入算法
第7章 主题建模
第8章 购物篮分析
第9章 热点分析
附录

展开全部
商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服