包邮机器学习——Python实战(微课版)

作者：夏林中

出版社：西安电子科技大学出版社出版时间：2024-08-01

开本： 大16开 页数： 224

本类榜单：计算机/网络销量榜

中图价:¥41.3(6.5折) 定价 ~~¥64.0~~ 登录后可看到会员价

加入购物车收藏

开年大促， 全场包邮

?新疆、西藏除外

本类五星书更多>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥14.4¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥44.1¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥56.2¥69
>
第一行代码Android

第一行代码Android

¥55.4¥99
>
JAVA持续交付

JAVA持续交付

¥58.1¥119
>
EXCEL最强教科书(完全版)(全彩印刷)

EXCEL最强教科书(完全版)(全彩印刷)

¥31.1¥69.9
>
深度学习

深度学习

¥92.4¥168

商品详情
商品评论(0条)

中图价:¥41.3 加入购物车

版权信息
本书特色
内容简介
目录

机器学习——Python实战(微课版) 版权信息

ISBN：9787560672939
条形码：9787560672939 ; 978-7-5606-7293-9
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机教材

机器学习——Python实战(微课版) 本书特色

本书的主要特点如下： 1. 图文并茂、循序渐进本书图文并茂、突出实用性，并提供了大量的操作示例和代码，较好地将学习与应用结合在一起；内容由浅入深，循序渐进，适合不同层次的读者阅读。 2. 理论教学与实际项目开发紧密结合为了使读者能快速地掌握相关技术并按实际项目开发要求熟练运用所学知识，本书在各模块中都设计了相关实训。 3. 案例典型，轻松易学本书所选用的案例均与日常生活密切相关，如房价数据分析、鸢尾花分类等，可使读者在学习的时候不会觉得陌生，更容易接受，从而提高学习效率。 4. 紧跟行业技术发展机器学习技术发展很快，本书着重于当前主流技术的讲解，与行业联系密切，所有内容紧跟行业技术的发展。 5. “教、学、做”一体化本书精心设计了以企业典型项目为载体、任务驱动、“教、学、做”一体化的教学内容，注重通过实训引导学生在实践的基础上理解并掌握理论知识，从而掌握相关岗位的基本技能，提升综合应用能力。每个模块除了安排技能实训，还安排有拓展实训，拓展实训相关步骤由学生自己完成，实现学中做、做中学的教学模式。 6. 教学资源丰富本书不仅采用了传统教材的知识体系，还融入了现代信息技术，提供了多样化的教学资源，读者扫描书中的二维码即可学习。微课版教材的特点在于其灵活性和互动性。本书通过凝练的视频课程，将复杂的知识点分解成易于理解和消化的小块内容，使读者能够在任何时间、任何地点通过移动设备轻松学习。通过这种创新的模式，读者将能够更加深入地掌握知识，提高学习效率。本书加了*的模块是课程的拓展部分，可满足职业本科层次以上学生的学习需求，高等职业教育学生可根据实际情况选用。

机器学习——Python实战(微课版) 内容简介

本书较为全面地介绍了机器学习的核心算法和理论。全书共10个模块，包括机器学习入门基础、机器学习数学基础、回归算法、朴素贝叶斯分类算法、决策树分类算法、逻辑回归、支持向量机、聚类、集成学习之随机森林算法与Ada Boost算法等，各模块均配有技能实训和拓展实训，可帮助读者强化所学内容。本书可作为高等职业教育电子信息相关专业机器学习、数据分析、数据挖掘等课程的教材，也可作为程序员、数据分析师、数据科学家等相关人员解决实际问题的工具书，还可作为机器学习初学者的入门参考书和工程技术人员的参考资料。

机器学习——Python实战(微课版) 目录

模块1 机器学习入门基础 1 1.1 机器学习的概念 2 1.2 机器学习的原理 3 1.3 机器学习的分类 5 1.4 机器学习的实施流程 6 1.4.1 数据收集 6 1.4.2 数据清洗 6 1.4.3 特征提取与选择 7 1.4.4 模型训练 8 1.4.5 模型评估测试 8 1.4.6 模型部署应用 8 1.5 机器学习的应用领域 9 1.6 机器学习的开发工具 10 1.6.1 一站式开发环境Anaconda 10 1.6.2 集成开发环境PyCharm 11 实训一安装一站式开发环境Anaconda 12 实训二安装集成开发环境PyCharm 22 模块2 机器学习数学基础 33 2.1 线性代数 34 2.1.1 向量空间 34 2.1.2 矩阵分析 40 2.2 概率与统计 43 2.2.1 概率与条件概率 43 2.2.2 贝叶斯理论 44 2.2.3 信息论基础 45 2.3* 多元微积分 47 2.3.1 导数与偏导数 47 2.3.2 梯度和海森矩阵 48 2.3.3 *速下降法 50 2.3.4 随机梯度下降法 51 实训一利用Python实现线性代数相关方法 52 实训二利用Python实现概率论相关方法 55 模块3 回归算法 58 3.1 线性回归 59 3.1.1 一元线性回归 60 3.1.2 多元线性回归 61 3.2 代价(损失)函数 61 3.3 梯度下降法 62 3.3.1 梯度下降法的数学描述 63 3.3.2 梯度下降法的调优 64 3.4 标准方程法 65 3.5 非线性回归 66 实训一利用scikit-learn基于波士顿房价数据集实现线性回归算法 67 实训二利用scikit-learn多元线性回归建立美国加利福尼亚地区的房价预测模型 68 实训三通过广告花费预测产品销售额 71 模块4 朴素贝叶斯分类算法 78 4.1 贝叶斯分类算法 79 4.1.1 贝叶斯定理 79 4.1.2 贝叶斯定理的一个简单例子 80 4.1.3 贝叶斯分类算法的原理 80 4.2 朴素贝叶斯分类算法简述 81 4.2.1 朴素贝叶斯分类算法的原理 81 4.2.2 朴素贝叶斯分类算法的参数估计 82 4.2.3 朴素贝叶斯分类算法的优缺点 83 4.3 高斯朴素贝叶斯分类算法 83 4.4 多项式朴素贝叶斯分类算法 84 实训一高斯朴素贝叶斯分类算法的Python实现——鸢尾花分类 85 实训二多项式朴素贝叶斯分类算法的Python实现——新闻分类 88 模块5 决策树分类算法 93 5.1 决策树分类算法的基本概念 95 5.1.1 以信息论为基础的分类原理 95 5.1.2 决策树度量标准 96 5.1.3 决策树的具体用法 96 5.1.4 决策树分类算法的优缺点 97 5.2 常用的决策树分类算法 98 5.2.1 ID3决策树分类算法 98 5.2.2 C4.5决策树分类算法 102 5.2.3 CART分类算法 103 5.3 决策树剪枝 104 实训一利用scikit-learn的决策树编写一个广告屏蔽程序 105 实训二利用CART分类算法创建分类树 108 实训三实现CART回归树 109 模块6 逻辑回归 113 6.1 逻辑回归概述 114 6.2 逻辑回归原理 116 6.2.1 逻辑回归模型 116 6.2.2 逻辑回归学习策略 117 6.2.3 逻辑回归优化算法 118 6.3 多项逻辑回归 119 实训对鸢尾花数据进行逻辑回归 121 模块7 支持向量机 126 7.1 支持向量机的基础知识 128 7.2 不同情形下的支持向量机 130 7.2.1 线性可分下的支持向量机 130 7.2.2 线性不可分下的支持向量机 131 7.2.3 非线性支持向量机 131 7.2.4 多分类支持向量机 132 7.2.5 支持向量回归机 132 实训一线性SVM 133 实训二非线性SVM 137 模块8 聚类 141 8.1 聚类概述 142 8.1.1 聚类算法简介 142 8.1.2 性能度量和距离计算 143 8.1.3 聚类算法的分类 143 8.2 K-means聚类 144 8.2.1 K-means聚类过程和原理 144 8.2.2 K-means算法优化 145 8.2.3 K-means应用实例 146 8.3 层次聚类 149 8.3.1 层次聚类的过程和原理 150 8.3.2 凝聚层次聚类 151 8.3.3 Hierarchical Clustering算法简介 152 8.3.4 BIRCH算法简介 153 8.3.5 层次聚类应用实例 154 8.4 密度聚类 155 8.4.1 密度聚类的过程和原理 155 8.4.2 密度聚类应用实例 158 实训 K-means的电信客户流失群体分析 160 模块9* 集成学习之随机森林算法 171 9.1 集成学习算法思想 172 9.2 随机森林 175 9.2.1 随机森林的基本概念及原理 175 9.2.2 样例分析 176 9.2.3 随机森林的特点 178 9.2.4 与其他有监督学习算法的对比 179 9.3 随机森林的推广——极端随机树 179 9.4 随机森林算法的scikit-learn实现 180 9.4.1 scikit-learn随机森林类库概述 180 9.4.2 随机森林算法的框架参数 180 9.4.3 随机森林算法的输出参数 182 实训利用随机森林算法对鸢尾花进行数据分析 182 模块10* 集成学习之AdaBoost算法 195 10.1 AdaBoost算法 196 10.1.1 AdaBoost算法概述 196 10.1.2 AdaBoost算法的分类 197 10.2 AdaBoost算法的scikit-learn实现 201 10.2.1 AdaBoost算法的框架 201 10.2.2 AdaBoost算法的超参数 201 10.2.3 AdaBoost算法的模型参数 202 实训一 AdaBoost算法的scikit-learn实现 203 实训二 AdaBoost算法的波士顿房价预测 205 附录 scikit-learn简单动手实践 210 参考文献 216

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐