扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
机器学习原理与Python编程实践 版权信息
- ISBN：9787302570646
- 条形码：9787302570646 ; 978-7-302-57064-6
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器学习原理与Python编程实践 本书特色
初学者学习机器学习课程一般都会面临两大障碍。**大障碍是数学基础。机器学习要求有数学基础，书中大量的公式是初学者的噩梦，尤其是对于已经离开大学走向工作岗位的爱好者来说，从头开始去学习和理解数据分布和模型背后的数学原理需要花费很多的时间和精力，学习周期非常漫长。第二大障碍是编程实践。并不是所有人都擅长编代码，而只有亲手用代码实现机器学习的各种算法，亲眼见到算法解决了实际问题，才能更深入理解算法。除非想做高精尖的前沿研究，理论研究和公式推导并非大多数人的专长，如果只是想更合理地应用机器学习来解决实际问题，掌握必需的数学知识就可以理解问题该如何解决，使用Python编程实现机器学习算法也比使用C++或Java等语言容易得多。 本书就是为了让初学者顺利入门而设计的。首先，本书只讲述机器学习常用算法的基本原理，并不追求各种算法大而全地简略罗列，学习并深入理解这些精挑细选的算法后，能够了解基本的机器学习算法，使用适合的算法来解决实际问题。其次，本书使用Python 3.7+Numpy来实现常用的机器学习算法，读者能亲眼看见算法的工作过程和结果，可加深对抽象公式和算法的理解，逐步掌握机器学习的基本原理和编程技能，拉近理论与实践的距离。再次，每章都附有习题和习题参考答案，其中，一部分习题是为了帮助读者理解正文内容而设置的，另一部分习题是为了降低正文中的数学要求，将一些必要但枯燥的公式推导放在习题中，供读者有选择性地学习。 机器学习原理与Python编程实践，专为初学者顺利入门设计，解决机器学习中数学基础和编程实践的两大障碍
机器学习原理与Python编程实践 内容简介
本书讲述机器学习的基本原理，使用Pymon和Numpy实现涉及的各种机器学习算法。通过理论学习和实践操作，使读者了解并掌握机器学习的基本原理和技能，拉近理论与实践的距离。全书共分为13章，主要内容包括：机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值算法和EM算法、决策树、神经网络、隐马尔科夫模型、支持向量机、推荐系统、主成分分析、集成学习。全书源码全部在Pvthon 3.7上调试成功，每章都附有习题和习题参考答案，供读者参考。 本书系统讲解了机器学习的常用核心算法和Python编程实践，内容全面、实例丰富、可操作性强，做到理论与实践相结合。本书适合机器学习爱好者作为入门和提高的技术参考书，也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。
机器学习原理与Python编程实践 目录
第1章 机器学习介绍
1.1 机器学习简介
1.1.1 什么是机器学习
1.1.2 机器学习与日常生活
1.1.3如何学习机器学习
1.1.4 Pymon的优势
1.2 基本概念
1.2.1 机器学习的种类
1.2.2 有监督学习
1.2.3 无监督学习
1.2.4 机器学习的术语
1.2.5 预处理
1.3 Numpy数据格式
l.3.1 标称数据
1.3.2 序数数据
1.3.3 分类数据
1.4 示例数据集
1.4.1 天气问题
1.4.2 鸢尾花
1.4.3 其他数据集
1.5 了解你的数据
习题
第2章 线性回归
2.1 从一个实际例子说起
2.1.1 模型定义
2.1.2 模型假设
2.1.3 模型评估
2.2 *小二乘法
2.2.1 *小二乘法求解参数
2.2.2 用*小二乘法来拟合奥运会
数据
2.2.3预测比赛结果
2.3 梯度下降
2-3.1 基本思路
2.3.2梯度下降算法
2.3.3梯度下降求解线性回归问题
2.4 多变量线性回归
2.4.1 多变量线性回归问题
2.4.2 多变量梯度下降
2.4.3随机梯度下降
2.4.4 小批量梯度下降
2.4.5 正规方程
2.5 多项式回归
2.5.1 多项式回归算法
2.5.2 正则化
习题
第3章 逻辑回归
3.1 逻辑回归介绍
3.1.1 线性回归用于分类
3.1.2 假设函数
3.1.3决策边界
3.2 逻辑回归算法
3.2.1 代价函数
3.2.2 梯度下降算法
3.2.3 SciPy优化函数
……
第4章 贝叶斯分类器
第5章 模型评估与选择
第6章 K-均值算法和EM算法
第7章 决策树
第8章 神经网络
第9章 隐马尔科夫模型
第10章 支持向量机
第11章 推荐系统
第12章 主成分分析
第13章 集成学习
附录 1 符号表
附录 2 习题参考答案
参考文献
展开全部
机器学习原理与Python编程实践 作者简介
袁梅宇，北航工学博士，硕士导师，现在昆明理工大学计算机系任教。为本科生和研究生主讲Java程序设计、Java EE技术、数据库原理、人工智能、Dot Net技术等核心课程，参加过863 CIMS Net建设、中欧合作项目DRAGON和多项国家基金和省基金项目，第一作者公开发表论文十余篇，软件著作权（颁证）六项。第一作者专著有《Java EE企业级编程开发实例详解》、《数据挖掘与机器学习——WEKA应用技术与实践》（第一版、第二版）、《求精要诀——Java EE编程开发案例精讲》、《机器学习基础原理、算法与实践》。
书友推荐
本类畅销
-
十二字节
¥42.4¥69 -
前瞻交互:从语音、手势设计到多模融合
¥76.3¥109 -
人工智能
¥18.6¥55 -
人工智能技术商业应用场景实战
¥45.8¥79 -
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206 -
4.23文创礼盒B款--“作家言我精神状态”
¥42.3¥206
浏览历史
政能量:惠州网络问政行与思
¥25.9¥36.0市场营销
¥8.0¥25.0
