展开全部

主编推荐语

本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。

内容简介

本书结合了机器学习、数据分析和Python语言,通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。 全书共20章,大致分为4个部分。第一部分介绍了Python的工具包,包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib;第2部分讲解了机器学习中的经典算法,例如回归算法、决策树、集成算法、支持向量机、聚类算法等;第3部分介绍了深度学习中的常用算法,包括神经网络、卷积神经网络、递归神经网络;第4部分是项目实战,基于真实数据集,将算法模型应用到实际业务中。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第1章 人工智能入门指南
  • 1.1 AI时代首选Python
  • 1.1.1 Python的特点
  • 1.1.2 Python该怎么学
  • 1.2 人工智能的核心——机器学习
  • 1.2.1 什么是机器学习
  • 1.2.2 机器学习的流程
  • 1.2.3 机器学习该怎么学
  • 1.3 环境配置
  • 1.3.1 Anaconda大礼包
  • 1.3.2 Jupyter Notebook
  • 1.3.3 上哪儿找资源
  • 本章总结
  • 第2章 科学计算库(Numpy)
  • 2.1 Numpy的基本操作
  • 2.1.1 array数组
  • 2.1.2 数组特性
  • 2.1.3 数组属性操作
  • 2.2 索引与切片
  • 2.2.1 数值索引
  • 2.2.2 bool索引
  • 2.3 数据类型与数值计算
  • 2.3.1 数据类型
  • 2.3.2 复制与赋值
  • 2.3.3 数值运算
  • 2.3.4 矩阵乘法
  • 2.4 常用功能模块
  • 2.4.1 排序操作
  • 2.4.2 数组形状操作
  • 2.4.3 数组的拼接
  • 2.4.4 创建数组函数
  • 2.4.5 随机模块
  • 2.4.6 文件读写
  • 本章总结
  • 第3章 数据分析处理库(Pandas)
  • 3.1 数据预处理
  • 3.1.1 数据读取
  • 3.1.2 DataFrame结构
  • 3.1.3 数据索引
  • 3.1.4 创建DataFrame
  • 3.1.5 Series操作
  • 3.2 数据分析
  • 3.2.1 统计分析
  • 3.2.2 pivot数据透视表
  • 3.2.3 groupby操作
  • 3.3 常用函数操作
  • 3.3.1 Merge操作
  • 3.3.2 排序操作
  • 3.3.3 缺失值处理
  • 3.3.4 apply自定义函数
  • 3.3.5 时间操作
  • 3.3.6 绘图操作
  • 3.4 大数据处理技巧
  • 3.4.1 数值类型转换
  • 3.4.2 属性类型转换
  • 本章总结
  • 第4章 数据可视化库(Matplotlib)
  • 4.1 常规绘图方法
  • 4.1.1 细节设置
  • 4.1.2 子图与标注
  • 4.1.3 风格设置
  • 4.2 常用图表绘制
  • 4.2.1 条形图
  • 4.2.2 盒图
  • 4.2.3 直方图与散点图
  • 4.2.4 3D图
  • 4.2.5 布局设置
  • 本章总结
  • 第5章 回归算法
  • 5.1 线性回归算法
  • 5.1.1 线性回归方程
  • 5.1.2 误差项分析
  • 5.1.3 似然函数求解
  • 5.1.4 线性回归求解
  • 5.2 梯度下降算法
  • 5.2.1 下山方向选择
  • 5.2.2 梯度下降优化
  • 5.2.3 梯度下降策略对比
  • 5.2.4 学习率对结果的影响
  • 5.3 逻辑回归算法
  • 5.3.1 原理推导
  • 5.3.2 逻辑回归求解
  • 本章总结
  • 第6章 逻辑回归项目实战——信用卡欺诈检测
  • 6.1 数据分析与预处理
  • 6.1.1 数据读取与分析
  • 6.1.2 样本不均衡解决方案
  • 6.1.3 特征标准化
  • 6.2 下采样方案
  • 6.2.1 交叉验证
  • 6.2.2 模型评估方法
  • 6.2.3 正则化惩罚
  • 6.3 逻辑回归模型
  • 6.3.1 参数对结果的影响
  • 6.3.2 混淆矩阵
  • 6.3.3 分类阈值对结果的影响
  • 6.4 过采样方案
  • 6.4.1 SMOTE数据生成策略
  • 6.4.2 过采样应用效果
  • 项目总结
  • 第7章 决策树
  • 7.1 决策树原理
  • 7.1.1 决策树的基本概念
  • 7.1.2 衡量标准
  • 7.1.3 信息增益
  • 7.1.4 决策树构造实例
  • 7.1.5 连续值问题
  • 7.1.6 信息增益率
  • 7.1.7 回归问题求解
  • 7.2 决策树剪枝策略
  • 7.2.1 剪枝策略
  • 7.2.2 决策树算法涉及参数
  • 本章总结
  • 第8章 集成算法
  • 8.1 bagging算法
  • 8.1.1 并行的集成
  • 8.1.2 随机森林
  • 8.2 boosting算法
  • 8.2.1 串行的集成
  • 8.2.2 Adaboost算法
  • 8.3 stacking模型
  • 本章总结
  • 第9章 随机森林项目实战——气温预测
  • 9.1 随机森林建模
  • 9.1.1 特征可视化与预处理
  • 9.1.2 随机森林回归模型
  • 9.1.3 树模型可视化方法
  • 9.1.4 特征重要性
  • 9.2 数据与特征对结果影响分析
  • 9.2.1 特征工程
  • 9.2.2 数据量对结果影响分析
  • 9.2.3 特征数量对结果影响分析
  • 9.3 模型调参
  • 9.3.1 随机参数选择
  • 9.3.2 网络参数搜索
  • 项目总结
  • 第10章 特征工程
  • 10.1 数值特征
  • 10.1.1 字符串编码
  • 10.1.2 二值与多项式特征
  • 10.1.3 连续值离散化
  • 10.1.4 对数与时间变换
  • 10.2 文本特征
  • 10.2.1 词袋模型
  • 10.2.2 常用文本特征构造方法
  • 10.3 论文与benchmark
  • 本章总结
  • 第11章 贝叶斯算法项目实战——新闻分类
  • 11.1 贝叶斯算法
  • 11.1.1 贝叶斯公式
  • 11.1.2 拼写纠错实例
  • 11.1.3 垃圾邮件分类
  • 11.2 新闻分类任务
  • 11.2.1 数据清洗
  • 11.2.2 TF-IDF关键词提取
  • 项目总结
  • 第12章 支持向量机
  • 12.1 支持向量机工作原理
  • 12.1.1 支持向量机要解决的问题
  • 12.1.2 距离与标签定义
  • 12.1.3 目标函数
  • 12.1.4 拉格朗日乘子法
  • 12.2 支持向量的作用
  • 12.2.1 支持向量机求解
  • 12.2.2 支持向量的作用
  • 12.3 支持向量机涉及参数
  • 12.3.1 软间隔参数的选择
  • 12.3.2 核函数的作用
  • 12.4 案例:参数对结果的影响
  • 12.4.1 SVM基本模型
  • 12.4.2 核函数变换
  • 12.4.3 SVM参数选择
  • 12.4.4 SVM人脸识别实例
  • 本章总结
  • 第13章 推荐系统
  • 13.1 推荐系统的应用
  • 13.2 协同过滤算法
  • 13.2.1 基于用户的协同过滤
  • 13.2.2 基于商品的协同过滤
  • 13.3 隐语义模型
  • 13.3.1 矩阵分解思想
  • 13.3.2 隐语义模型求解
  • 13.3.3 评估方法
  • 本章总结
  • 第14章 推荐系统项目实战——打造音乐推荐系统
  • 14.1 数据集清洗
  • 14.1.1 统计分析
  • 14.1.2 数据集整合
  • 14.2 基于相似度的推荐
  • 14.2.1 排行榜推荐
  • 14.2.2 基于歌曲相似度的推荐
  • 14.3 基于矩阵分解的推荐
  • 14.3.1 奇异值分解
  • 14.3.2 使用SVD算法进行音乐推荐
  • 项目总结
  • 第15章 降维算法
  • 15.1 线性判别分析
  • 15.1.1 降维原理概述
  • 15.1.2 优化的目标
  • 15.1.3 线性判别分析求解
  • 15.1.4 Python实现线性判别分析降维
  • 15.2 主成分分析
  • 15.2.1 PCA降维基本知识点
  • 15.2.2 PCA优化目标求解
  • 15.2.3 Python实现PCA降维
  • 本章总结
  • 第16章 聚类算法
  • 16.1 K-means算法
  • 16.1.1 聚类的基本特性
  • 16.1.2 K-means算法原理
  • 16.1.3 K-means涉及参数
  • 16.1.4 K-means聚类效果与优缺点
  • 16.2 DBSCAN聚类算法
  • 16.2.1 DBSCAN算法概述
  • 16.2.2 DBSCAN工作流程
  • 16.2.3 半径对结果的影响
  • 16.3 聚类实例
  • 本章总结
  • 第17章 神经网络
  • 17.1 神经网络必备基础
  • 17.1.1 神经网络概述
  • 17.1.2 计算机眼中的图像
  • 17.1.3 得分函数
  • 17.1.4 损失函数
  • 17.1.5 反向传播
  • 17.2 神经网络整体架构
  • 17.2.1 整体框架
  • 17.2.2 神经元的作用
  • 17.2.3 正则化
  • 17.2.4 激活函数
  • 17.3 网络调优细节
  • 17.3.1 数据预处理
  • 17.3.2 Drop-Out
  • 17.3.3 数据增强
  • 17.3.4 网络结构设计
  • 本章总结
  • 第18章 TensorFlow实战
  • 18.1 TensorFlow基本操作
  • 18.1.1 TensorFlow特性
  • 18.1.2 TensorFlow基本操作
  • 18.1.3 TensorFlow实现回归任务
  • 18.2 搭建神经网络进行手写字体识别
  • 本章总结
  • 第19章 卷积神经网络
  • 19.1 卷积操作原理
  • 19.1.1 卷积神经网络应用
  • 19.1.2 卷积操作流程
  • 19.1.3 卷积计算方法
  • 19.1.4 卷积涉及参数
  • 19.1.5 池化层
  • 19.2 经典网络架构
  • 19.2.1 卷积神经网络整体架构
  • 19.2.2 AlexNet网络
  • 19.2.3 VGG网络
  • 19.2.4 ResNet网络
  • 19.3 TensorFlow实战卷积神经网络
  • 本章总结
  • 第20章 神经网络项目实战——影评情感分析
  • 20.1 递归神经网络
  • 20.1.1 RNN网络架构
  • 20.1.2 LSTM网络
  • 20.2 影评数据特征工程
  • 20.2.1 词向量
  • 20.2.2 数据特征制作
  • 20.3 构建RNN模型
  • 项目总结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社,成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”,致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。