扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
中医基础理论
-
>
高校军事课教程
-
>
思想道德与法治(2021年版)
-
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)
-
>
中医内科学·全国中医药行业高等教育“十四五”规划教材
-
>
中医诊断学--新世纪第五版
-
>
中药学·全国中医药行业高等教育“十四五”规划教材
机器学习导论与实践 版权信息
- ISBN：9787302649281
- 条形码：9787302649281 ; 978-7-302-64928-1
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器学习导论与实践 本书特色
本书将机器学习的理论知识与实践相结合。 机器学习是人工智能研究领域中一个极其重要的方向。由于移动互联网、电子商务以及社交媒体的快速发展使数据急剧增长，本书将从Spark基础知识入手，基于案例详细讲解Spark的使用及在机器学习上的应用，适用于高校数据科学及大数据技术相关专业课程教材和面向各专业的数据科学通用教材，也可提供广大IT从业人员参考。
机器学习导论与实践 内容简介
本书详细介绍机器学习主要算法，包括：C4.5决策树、k-均值（K-means）、支持向量机（SVM）、Apriori、*大期望值、PageRank算法、AdaBoost算法、k-近邻算法（kNN）、朴素贝叶斯算法和分类回归树算法以及神经网络和深度学习的简单介绍。
机器学习导论与实践 目录
第1章 绪论 1
1.1 机器学习的定义 1
1.2 基本术语 2
1.3 模型评估与选择 3
1.3.1 经验误差与过拟合 3
1.3.2 评估方法 3
1.4 机器学习解决问题的基本思路 4
1.5 Python语言 5
1.5.1 Python简介 5
1.5.2 Python基础语法 5
1.5.3 NumPy 快速入门 12
1.5.4 Matplotlib 快速入门 16
1.6 习题 19
第2章 线性模型 21
2.1 基本形式 21
2.2 线性回归 21
2.3 逻辑回归 23
2.3.1 Logistic分布 24
2.3.2 逻辑回归与Sigmoid函数 24
2.3.3 基于*优化方法确定*佳回归系数 26
2.4 应用实例 27
2.4.1 线性回归——波士顿房价预测 27
2.4.2 逻辑回归——从疝气病症预测病马的死亡率 30
2.5 习题 33
第3章 朴素贝叶斯 35
3.1 朴素贝叶斯相关统计学知识 35
3.2 朴素贝叶斯法的学习与分类 37
3.2.1 基本方法 37
3.2.2 后验概率*大化的含义 38
3.2.3 朴素贝叶斯分类基本流程 39
3.3 极大似然估计 41
3.4 应用实例——PC评论分类 44
3.5 习题 48
第4章 k-近邻算法 51
4.1 k-近邻算法概述 51
4.2 kNN算法主要步骤 52
4.2.1 距离度量 52
4.2.2 k值的选择 52
4.2.3 分类决策 53
4.3 应用实例——鸢尾花分类 54
4.3.1 项目背景 54
4.3.2 读取数据与数据可视化 54
4.3.3 划分数据集 56
4.3.4 kNN算法 56
4.3.5 如何测试分类器 57
4.4 习题 58
第5章 决策树 59
5.1 决策树的基本概念 60
5.1.1 定义 60
5.1.2 决策树的构造 60
5.2 决策树学习基础算法 60
5.3 *优属性的选择 61
5.3.1 ID3——信息增益(Gain) 61
5.3.2 C4.5——信息增益率(Gain_ratio) 62
5.3.3 CART——基尼指数(Gini_index) 63
5.4 决策树的剪枝 63
5.5 应用实例——性别决策 64
5.6 Python实现过程 65
5.6.1 计算给定数据集的信息熵 65
5.6.2 数据集的划分 66
5.6.3 递归构建决策树 67
5.7 使用Matplotlib绘制决策树 69
5.7.1 Matplotlib注解 69
5.7.2 绘制决策树 69
5.8 习题 72
第6章 支持向量机 74
6.1 基于*大间隔分隔数据 74
6.2 寻找*大间隔 76
6.2.1 拉格朗日对偶性 78
6.2.2 SMO算法 82
6.3 软间隔*大化 83
6.4 核函数 85
6.5 径向基函数 88
6.6 应用实例 88
6.7 习题 95
第7章 神经网络 97
7.1 神经元模型 97
7.2 感知机与多层前馈神经网络 100
7.2.1 感知机 100
7.2.2 多层前馈神经网络 102
7.3 BP神经网络 103
7.4 其他常见神经网络 106
7.4.1 RBF网络 106
7.4.2 ART网络 106
7.4.3 SOM网络 107
7.4.4 级联相关网络 107
7.4.5 Elman网络 108
7.5 应用实例——从疝气病症预测病马的死亡率 109
7.5.1 处理数据中的缺失值 109
7.5.2 用BP神经网络进行预测 110
7.6 习题 113
第8章 深度学习 115
8.1 卷积神经网络 116
8.2 典型的卷积神经网络 119
8.2.1 LeNet 119
8.2.2 AlexNet 120
8.2.3 VGGNet 120
8.2.4 ResNet 121
8.3 循环神经网络 123
8.4 深度学习框架 125
8.4.1 深度学习框架的作用 125
8.4.2 常见的深度学习框架 125
8.4.3 飞桨概述——深度学习开源平台PaddlePaddle 126
8.5 线性回归小实例在飞桨深度学习平台的应用 129
8.6 深度学习应用实例——口罩识别 139
8.7 习题 156
第9章 集成学习方法 157
9.1 集成学习的分类 157
9.2 Bagging和随机森林 158
9.2.1 Bagging并行集成学习 158
9.2.2 随机森林 160
9.3 Boosting集成学习方法 161
9.4 基于AdaBoost的分类 162
9.5 基于XGBoost的分类 164
9.5.1 GBDT 164
9.5.2 XGBoost 166
9.6 应用实例 168
9.6.1 基于AdaBoost算法 168
9.6.2 基于XGBoost算法 172
9.7 习题 175
第10章 K-均值聚类 177
10.1 K-均值聚类算法 177
10.1.1 模型 178
10.1.2 算法 178
10.1.3 算法特性 180
10.2 二分K-均值算法 180
10.2.1 使用后处理来提高聚类性能 180
10.2.2 二分K-均值聚类算法 181
10.3 应用实例 182
10.4 习题 187
第11章 Apriori算法及关联分析 189
11.1 关联分析 190
11.1.1 频繁项集的评估标准 190
11.1.2 关联分析算法过程 191
11.2 Apriori算法基本原理 192
11.3 使用Apriori算法来发现频繁项集 193
11.4 从频繁项集中挖掘关联规则 195
11.5 应用实例 196
11.6 习题 200
第12章 FP-growth算法及频繁项集的挖掘 201
12.1 FP树介绍 202
12.2 构造FP树 203
12.2.1 头指针表的建立 204
12.2.2 FP树的建立 204
12.3 从FP树中挖掘频繁项集 207
12.3.1 抽取条件模式基 208
12.3.2 FP算法归纳 210
12.4 应用实例 211
12.5 习题 215
第13章 PCA及数据降维 216
13.1 降维技术 216
13.2 PCA技术 217
13.2.1 PCA的推导：基于*小投影距离 219
13.2.2 PCA的推导：基于*大投影方差 220
13.2.3 PCA算法流程 221
13.3 应用实例 222
13.4 习题 225
第14章 奇异值分解及应用 226
14.1 奇异值分解的应用 226
14.1.1 隐形语义索引 226
14.1.2 推荐系统 227
14.2 奇异值分解原理 227
14.2.1 特征值与特征向量的回顾 228
14.2.2 奇异值分解的定义 228
14.2.3 紧奇异值分解与截断奇异值分解 230
14.3 应用实例 232
14.3.1 观影数据的生成 232
14.3.2 基于协同过滤的推荐引擎 233
14.3.3 基于物品的相似度和基于用户的相似度 234
14.3.4 示例：电影推荐引擎 234
14.4 习题 237
第15章 综合实例 238
15.1 综合实例一 238
15.2 综合实例二 251
15.3 综合实例三 266
15.4 综合实例四 282
参考文献 288
1.1 机器学习的定义 1
1.2 基本术语 2
1.3 模型评估与选择 3
1.3.1 经验误差与过拟合 3
1.3.2 评估方法 3
1.4 机器学习解决问题的基本思路 4
1.5 Python语言 5
1.5.1 Python简介 5
1.5.2 Python基础语法 5
1.5.3 NumPy 快速入门 12
1.5.4 Matplotlib 快速入门 16
1.6 习题 19
第2章 线性模型 21
2.1 基本形式 21
2.2 线性回归 21
2.3 逻辑回归 23
2.3.1 Logistic分布 24
2.3.2 逻辑回归与Sigmoid函数 24
2.3.3 基于*优化方法确定*佳回归系数 26
2.4 应用实例 27
2.4.1 线性回归——波士顿房价预测 27
2.4.2 逻辑回归——从疝气病症预测病马的死亡率 30
2.5 习题 33
第3章 朴素贝叶斯 35
3.1 朴素贝叶斯相关统计学知识 35
3.2 朴素贝叶斯法的学习与分类 37
3.2.1 基本方法 37
3.2.2 后验概率*大化的含义 38
3.2.3 朴素贝叶斯分类基本流程 39
3.3 极大似然估计 41
3.4 应用实例——PC评论分类 44
3.5 习题 48
第4章 k-近邻算法 51
4.1 k-近邻算法概述 51
4.2 kNN算法主要步骤 52
4.2.1 距离度量 52
4.2.2 k值的选择 52
4.2.3 分类决策 53
4.3 应用实例——鸢尾花分类 54
4.3.1 项目背景 54
4.3.2 读取数据与数据可视化 54
4.3.3 划分数据集 56
4.3.4 kNN算法 56
4.3.5 如何测试分类器 57
4.4 习题 58
第5章 决策树 59
5.1 决策树的基本概念 60
5.1.1 定义 60
5.1.2 决策树的构造 60
5.2 决策树学习基础算法 60
5.3 *优属性的选择 61
5.3.1 ID3——信息增益(Gain) 61
5.3.2 C4.5——信息增益率(Gain_ratio) 62
5.3.3 CART——基尼指数(Gini_index) 63
5.4 决策树的剪枝 63
5.5 应用实例——性别决策 64
5.6 Python实现过程 65
5.6.1 计算给定数据集的信息熵 65
5.6.2 数据集的划分 66
5.6.3 递归构建决策树 67
5.7 使用Matplotlib绘制决策树 69
5.7.1 Matplotlib注解 69
5.7.2 绘制决策树 69
5.8 习题 72
第6章 支持向量机 74
6.1 基于*大间隔分隔数据 74
6.2 寻找*大间隔 76
6.2.1 拉格朗日对偶性 78
6.2.2 SMO算法 82
6.3 软间隔*大化 83
6.4 核函数 85
6.5 径向基函数 88
6.6 应用实例 88
6.7 习题 95
第7章 神经网络 97
7.1 神经元模型 97
7.2 感知机与多层前馈神经网络 100
7.2.1 感知机 100
7.2.2 多层前馈神经网络 102
7.3 BP神经网络 103
7.4 其他常见神经网络 106
7.4.1 RBF网络 106
7.4.2 ART网络 106
7.4.3 SOM网络 107
7.4.4 级联相关网络 107
7.4.5 Elman网络 108
7.5 应用实例——从疝气病症预测病马的死亡率 109
7.5.1 处理数据中的缺失值 109
7.5.2 用BP神经网络进行预测 110
7.6 习题 113
第8章 深度学习 115
8.1 卷积神经网络 116
8.2 典型的卷积神经网络 119
8.2.1 LeNet 119
8.2.2 AlexNet 120
8.2.3 VGGNet 120
8.2.4 ResNet 121
8.3 循环神经网络 123
8.4 深度学习框架 125
8.4.1 深度学习框架的作用 125
8.4.2 常见的深度学习框架 125
8.4.3 飞桨概述——深度学习开源平台PaddlePaddle 126
8.5 线性回归小实例在飞桨深度学习平台的应用 129
8.6 深度学习应用实例——口罩识别 139
8.7 习题 156
第9章 集成学习方法 157
9.1 集成学习的分类 157
9.2 Bagging和随机森林 158
9.2.1 Bagging并行集成学习 158
9.2.2 随机森林 160
9.3 Boosting集成学习方法 161
9.4 基于AdaBoost的分类 162
9.5 基于XGBoost的分类 164
9.5.1 GBDT 164
9.5.2 XGBoost 166
9.6 应用实例 168
9.6.1 基于AdaBoost算法 168
9.6.2 基于XGBoost算法 172
9.7 习题 175
第10章 K-均值聚类 177
10.1 K-均值聚类算法 177
10.1.1 模型 178
10.1.2 算法 178
10.1.3 算法特性 180
10.2 二分K-均值算法 180
10.2.1 使用后处理来提高聚类性能 180
10.2.2 二分K-均值聚类算法 181
10.3 应用实例 182
10.4 习题 187
第11章 Apriori算法及关联分析 189
11.1 关联分析 190
11.1.1 频繁项集的评估标准 190
11.1.2 关联分析算法过程 191
11.2 Apriori算法基本原理 192
11.3 使用Apriori算法来发现频繁项集 193
11.4 从频繁项集中挖掘关联规则 195
11.5 应用实例 196
11.6 习题 200
第12章 FP-growth算法及频繁项集的挖掘 201
12.1 FP树介绍 202
12.2 构造FP树 203
12.2.1 头指针表的建立 204
12.2.2 FP树的建立 204
12.3 从FP树中挖掘频繁项集 207
12.3.1 抽取条件模式基 208
12.3.2 FP算法归纳 210
12.4 应用实例 211
12.5 习题 215
第13章 PCA及数据降维 216
13.1 降维技术 216
13.2 PCA技术 217
13.2.1 PCA的推导：基于*小投影距离 219
13.2.2 PCA的推导：基于*大投影方差 220
13.2.3 PCA算法流程 221
13.3 应用实例 222
13.4 习题 225
第14章 奇异值分解及应用 226
14.1 奇异值分解的应用 226
14.1.1 隐形语义索引 226
14.1.2 推荐系统 227
14.2 奇异值分解原理 227
14.2.1 特征值与特征向量的回顾 228
14.2.2 奇异值分解的定义 228
14.2.3 紧奇异值分解与截断奇异值分解 230
14.3 应用实例 232
14.3.1 观影数据的生成 232
14.3.2 基于协同过滤的推荐引擎 233
14.3.3 基于物品的相似度和基于用户的相似度 234
14.3.4 示例：电影推荐引擎 234
14.4 习题 237
第15章 综合实例 238
15.1 综合实例一 238
15.2 综合实例二 251
15.3 综合实例三 266
15.4 综合实例四 282
参考文献 288
展开全部
机器学习导论与实践 作者简介
饶泓，女，1973年生，博士，南昌大学教授，现任南昌大学信息工程学院副院长，博士生导师。曾先后赴美国伊利诺伊州立大学、美国堪萨斯大学访学。主要研究方向为机器学习、数据挖掘、大数据处理算法及其应用。近年来致力于机器学习领域的多分类模型研究，并将机器学习理论应用于特种设备监测、大型桥梁健康监测及预测，网络广告的精准推荐、舆情监测与预测、自然语言理解等领域。
书友推荐
- >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0 - >
史学评论
史学评论
¥13.4¥42.0 - >
巴金－再思录
巴金－再思录
¥14.7¥46.0 - >
月亮虎
月亮虎
¥20.2¥48.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥14.7¥45.8 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥9.7¥14.0 - >
烟与镜
烟与镜
¥15.4¥48.0 - >
龙榆生：词曲概论/大家小书
龙榆生：词曲概论/大家小书
¥7.7¥24.0
