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、算法与Python实战(微课视频版) 版权信息
- ISBN：9787302616603
- 条形码：9787302616603 ; 978-7-302-61660-3
- 装帧：70g胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器学习——原理、算法与Python实战(微课视频版) 本书特色
由机器学习驱动的人工智能领域在过去十年中经历了一些惊人的变化。从一个纯粹的学术和研究领域开始，已经跨越多个领域，进入多个行业。包括推荐系统、自动驾驶技术、图像/语音/文本处理等技术正在多个领域广泛应用，并取得了巨大的商业价值。机器学习是人工智能的组成部分，是人工智能的核心。 由于多个领域的广泛应用，催生了巨大的人才需求，为此，近年来，各高校纷纷开设智能科学与技术专业，人工智能专业，数据科学与大数据专业。传统的计算机科学与技术专业，软件工程专业也开设人工智能方向。机器学习是其中重要的核心课程，学习和掌握机器学习技术具有巨大的社会需求。 目前很难选择一部适合应用类高校学生特点的机器学习教材，在次背景下，我们选择编写以面向实际应用，以理论学习与案例应用并重的机器学习教材。
机器学习——原理、算法与Python实战(微课视频版) 内容简介
本书以Python为开发语言，采用理论与实践相结合的形式，系统全面地介绍了机器学习涉及的核心知识。本书共6章，其中第1章介绍机器学习的基础知识，包括机器学习的概念、分类、研究范围、开发环境等，介绍**个机器学习案例； 第2、3章介绍机器学习的主要方法： 监督学习与无监督学习，涉及目前机器学习*为流行的经典算法和模型，如KNN、朴素贝叶斯、决策树、线性回归、逻辑回归、SVM、神经网络、PCA降维、KMeans，每个算法模型都配有代码及可视化演示，让读者能更直观形象地理解机器学习； 第4章介绍机器学习非常重要的数据处理方法： 特征工程，特征工程能进一步提高机器学习算法的性能； 第5章介绍机器学习模型的评估与优化，通过评估判断模型优劣，评估后利用优化方法使其达到生产需求； 第6章介绍机器学习的应用案例，让读者更直观地感受机器学习在生产生活中的实际用途。 本书附有配套教学课件、源代码、习题，供读者实践，旨在通过边学边练的方式，巩固所学知识，提升开发能力。 本书可作为高等学校计算机相关专业的教材，也可作为机器学习工程技术人员的参考用书。
机器学习——原理、算法与Python实战(微课视频版) 目录
随书资源
第1章机器学习基础
1.1机器学习
1.1.1什么是机器学习
1.1.2从数据中学习
1.1.3机器学习能够解决的问题
1.2机器学习的分类
1.2.1学习方式
1.2.2算法的分类
1.3机器学习的范围
1.4编程语言与开发环境
1.4.1选择Python的原因
1.4.2安装开发环境
1.4.3Scikitlearn
1.5**个机器学习应用： 鸢尾花分类
1.5.1特征数据与标签数据
1.5.2训练数据与测试数据
1.5.3构建机器学习模型
1.5.4预测与评估
1.6本章小结
习题
第2章监督学习
2.1监督学习概念与术语
2.1.1监督学习工作原理
2.1.2分类与回归
2.1.3泛化
2.1.4欠拟合
2.1.5过拟合
2.1.6不收敛
2.2K近邻算法
2.2.1K近邻分类
2.2.2K近邻回归
2.3朴素贝叶斯
2.3.1贝叶斯定理
2.3.2朴素贝叶斯算法步骤
2.3.3在Scikitlearn中使用贝叶斯分类
2.4决策树
2.4.1决策树的基本思想
2.4.2决策树学习算法
2.4.3构造决策树
2.4.4决策树的优化与可视化
2.4.5决策树回归
2.5线性模型
2.5.1线性回归
2.5.2岭回归与Lasso回归
2.5.3多项式回归
2.5.4线性分类模型
2.6逻辑回归
2.6.1逻辑回归模型介绍
2.6.2逻辑回归算法实现
2.7支持向量机
2.7.1支持向量
2.7.2线性SVM分类
2.7.3核技巧
2.7.4SVM回归
2.7.5Scikitlearn SVM参数
2.8集成学习方法
2.8.1集成学习
2.8.2Bagging和Pasting
2.8.3随机森林
2.8.4提升法
2.9人工神经网络
2.9.1从生物神经元到人工神经元
2.9.2感知器学习
2.9.3神经网络的训练过程
2.9.4神经网络应用案例
2.10分类器的不确定度估计
2.10.1决策函数
2.10.2预测概率
2.11本章小结
习题
第3章无监督学习与数据预处理
3.1无监督学习
3.1.1无监督学习的类型
3.1.2无监督学习的挑战
3.2数据预处理
3.2.1数据清洗
3.2.2数据变换
3.2.3数据集成
3.2.4数据规约
3.3降维
3.3.1数据压缩
3.3.2数据可视化
3.3.3降维的主要方法
3.3.4PCA
3.3.5利用PCA实现半导体制造数据降维
3.4聚类
3.4.1KMeans聚类
3.4.2均值偏移聚类
3.4.3DBSCAN
3.4.4高斯混合模型的期望*大化(EM)聚类
3.4.5层次聚类
3.5本章小结
习题
第4章特征工程
4.1特征理解
4.2特征增强
4.2.1EDA
4.2.2处理数据缺失
4.2.3标准化和归一化
4.3特征构建
4.3.1特征构建的基础操作
4.3.2特征构建的数值变量扩展
4.3.3文本变量处理
4.4特征选择
4.4.1单变量特征选择
4.4.2模型特征选择
4.4.3迭代特征选择
4.5特征转换
4.5.1PCA
4.5.2LDA
4.6特征学习
4.6.1数据的参数假设
4.6.2受限玻尔兹曼机(RBM)
4.6.3词嵌入
4.7本章小结
习题
第5章模型评估与优化
5.1算法链与管道
5.1.1用管道方法简化工作流
5.1.2通用的管道接口
5.2交叉验证
5.2.1K折交叉验证
5.2.2分层K折交叉验证
5.3模型评价指标
5.3.1误分类的不同影响
5.3.2混淆矩阵
5.3.3分类的不确定性
5.3.4准确率召回率曲线
5.3.5受试者工作特征（ROC）与AUC
5.3.6多分类指标
5.3.7回归指标
5.3.8在模型选择中使用评估指标
5.4处理类的不平衡问题
5.4.1类别不平衡问题
5.4.2解决类别不平衡问题
5.5网格搜索优化模型
5.5.1简单网格搜索选择超参数
5.5.2验证集用于选择超参数
5.5.3带交叉验证的网格搜索
5.6本章小结
习题
第6章机器学习应用案例
6.1电影推荐系统
6.1.1推荐系统基础
6.1.2推荐引擎算法
6.1.3相似度指标
6.1.4电影推荐系统实战
6.2情感分析系统
6.2.1情感分析概述
6.2.2导入数据集
6.2.3词袋模型
6.2.4TFIDF
6.2.5数据预处理
6.2.6训练模型
6.2.7模型评估及调优
6.3房价预测系统
6.3.1案例背景
6.3.2数据处理及可视化分析
6.3.3训练模型
6.3.4模型评估
6.3.5模型调优
6.4人脸识别
6.4.1概述
6.4.2加载数据集
6.4.3训练模型
6.4.4测试模型
6.4.5PCA主成分分析
6.4.6模型调优
6.5本章小结
习题
展开全部
书友推荐
- >
罗曼·罗兰读书随笔-精装
罗曼·罗兰读书随笔-精装
¥17.4¥58.0 - >
月亮与六便士
月亮与六便士
¥18.1¥42.0 - >
姑妈的宝刀
姑妈的宝刀
¥13.5¥30.0 - >
我与地坛
我与地坛
¥15.4¥28.0 - >
唐代进士录
唐代进士录
¥25.9¥39.8 - >
小考拉的故事-套装共3册
小考拉的故事-套装共3册
¥36.7¥68.0 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0 - >
李白与唐代文化
李白与唐代文化
¥12.5¥29.8
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8
