计算机
类型
可以朗读
语音朗读
120千字
字数
2019-12-01
发行日期
展开全部
主编推荐语
机器学习入门进阶书：理论实践结合，Python编写，全面覆盖主要算法。
内容简介
机器学习是人工智能研究领域中的一个极其重要的方向，利用机器学习将数据中有用的信息萃取出来，使得研究数据的这一领域越来越为人们所瞩目。本书是一本机器学习的入门与进阶读物，注重理论与实践相结合，书中以Python3.6.5为编写平台，共分13章，主要包括机器学习绪论、线性模型、树回归、K—means聚类算法、朴素贝叶斯、数据降维、支持向量机、随机森林、人工神经网络、协同过滤算法、基于矩阵分解的推荐算法、集成学习、数据预处理等内容。
目录
- 封面
- 书名页
- 内容简介
- 版权页
- 前言
- 目录
- 第1章 机器学习绪论
- 1.1 机器学习的定义
- 1.1.1 概论
- 1.1.2 机器学习发展历程
- 1.1.3 机器学习算法的分类
- 1.1.4 通用机器学习算法
- 1.2 学习算法
- 1.2.1 监督学习
- 1.2.2 无监督学习
- 1.3 机器学习应用程序的步骤
- 1.4 Python语言
- 1.4.1 Python的风格
- 1.4.2 Python的优势
- 1.4.3 Python语言的缺点
- 1.5 Python的环境搭建
- 1.5.1 安装
- 1.5.2 使用pip安装第三方库
- 1.6 NumPy函数库基础
- 1.7 Python的基础知识
- 1.7.1 数和表达式
- 1.7.2 Python的标识符
- 1.7.3 Python的保留字符
- 1.7.4 行和缩进
- 1.7.5 多行语句
- 1.7.6 Python引号
- 1.7.7 Python空行
- 1.7.8 同一行显示多条语句
- 1.7.9 Print输出
- 第2章 线性模型
- 2.1 一般线性回归
- 2.1.1 线性回归公式表示法
- 2.1.2 线性回归的Python实现
- 2.2 局部加权线性回归
- 2.3 广义线性模型
- 2.4 逻辑回归分析
- 2.5 牛顿法
- 2.5.1 基本牛顿法的原理
- 2.5.2 基本牛顿法的流程
- 2.5.3 全局牛顿法
- 2.5.4 Armijo搜索
- 2.5.5 全局牛顿法求解线性回归模型
- 2.6 缩减法
- 2.6.1 岭回归
- 2.6.2 lasso回归
- 2.6.3 前向逐步线性回归
- 2.7 利用线性回归进行预测
- 2.7.1 训练线性回归模型
- 2.7.2 对新数据的预测
- 第3章 树回归
- 3.1 构建决策树的准备工作
- 3.1.1 特征选择
- 3.1.2 决策树的生成和修剪
- 3.2 Matplotlib注释绘制树形图
- 3.3 使用决策树执行分类
- 3.4 决策树的存储
- 3.5 Sklearn使用决策树预测隐形眼镜类型
- 3.5.1 实战背景
- 3.5.2 使用Sklearn构建决策树
- 3.6 复杂数据的局部性建模
- 3.7 连续型和离散型特征的树构建
- 3.8 分类回归树
- 3.8.1 构建树
- 3.8.2 剪枝
- 3.8.3 模型树
- 3.8.4 分类回归的Python实现
- 第4章 K-means聚类算法
- 4.1 K-means聚类算法概述
- 4.2 相似性的度量
- 4.2.1 闵可夫斯基距离
- 4.2.2 曼哈顿距离
- 4.2.3 欧氏距离
- 4.3 K-means聚类算法的原理
- 4.3.1 K-means聚类算法的步骤
- 4.3.2 K-means聚类算法与矩阵分解
- 4.3.3 K-means聚类算法的实现
- 4.4 K-近邻算法
- 4.5 各种聚类算法
- 4.5.1 划分聚类法
- 4.5.2 层次聚类法
- 4.5.3 密度聚类法
- 4.5.4 谱聚类法
- 4.5.5 Birch聚类法
- 4.5.6 混合高斯模型
- 4.6 K-means++算法
- 4.6.1 K-means算法存在的问题
- 4.6.2 K-means++算法的思路
- 第5章 朴素贝叶斯
- 5.1 朴素贝叶斯理论
- 5.1.1 贝叶斯决策理论
- 5.1.2 条件概率
- 5.1.3 全概率公式
- 5.1.4 贝叶斯推断
- 5.1.5 朴素贝叶斯推断
- 5.2 朴素贝叶斯算法
- 5.3 朴素贝叶斯算法的优缺点
- 第6章 数据降维
- 6.1 维度灾难与降维
- 6.2 高维数据降维的方法
- 6.2.1 线性降维
- 6.2.2 非线性降维
- 6.2.3 SVD降维
- 6.2.4 流形学习降维
- 6.2.5 多维缩放降维
- 第7章 支持向量机
- 7.1 支持向量机概述
- 7.2 分类间隔
- 7.2.1 函数间距
- 7.2.2 几何间距
- 7.3 拉格朗日乘子
- 7.3.1 拉格朗日对偶性
- 7.3.2 优化间隔分类器
- 7.4 核函数
- 7.4.1 核函数的选择
- 7.4.2 松弛变量与软间隔最大化
- 7.5 SOM算法
- 7.5.1 坐标上升算法
- 7.5.2 SOM
- 7.6 SVM的优缺点
- 7.7 SVM的Python实现
- 第8章 随机森林
- 8.1 什么是随机森林
- 8.2 集成学习
- 8.2.1 集成学习的思想
- 8.2.2 集成学习中的典型方法
- 8.3 Stacking学习算法
- 8.3.1 Stacking的基本思想
- 8.3.2 Stacking学习的实现
- 8.4 随机森林算法
- 8.4.1 随机森林的特点
- 8.4.2 随机森林算法流程
- 8.5 随机森林算法实践
- 8.6 美国人口普查的例子
- 8.6.1 数据预处理
- 8.6.2 模型训练及验证
- 第9章 人工神经网络
- 9.1 感知机模型
- 9.1.1 感知机的定义
- 9.1.2 感知机的学习策略
- 9.1.3 感知机学习算法
- 9.1.4 感知机的Python实现
- 9.2 从感知机到神经网络
- 9.3 多层前馈神经网络
- 9.3.1 BP网络算法
- 9.3.2 BP神经网络的学习过程
- 9.3.3 BP神经网络中参数的设置
- 9.4 神经网络的Python实现
- 第10章 协同过滤算法
- 10.1 协同过滤的核心
- 10.2 协同过滤的分类
- 10.3 相似性的度量方法
- 10.3.1 欧氏距离
- 10.3.2 皮尔逊相关系数
- 10.3.3 余弦相似度
- 10.3.4 用Python实现余弦相似度的计算
- 10.4 基于用户的协同过滤算法
- 10.4.1 基于物品的协同过滤算法
- 10.4.2 基于矩阵分解的协同过滤算法
- 10.4.3 Python实现
- 10.5 基于项的协同过滤算法
- 10.6 利用协同过滤算法进行推荐
- 10.6.1 导入用户-商品数据
- 10.6.2 利用基于用户的协同过滤算法进行推荐
- 10.6.3 利用基于项的协同过滤算法进行推荐
- 第11章 基于矩阵分解的推荐算法
- 11.1 矩阵分解
- 11.2 利用矩阵分解进行预测
- 11.2.1 损失函数
- 11.2.2 损失函数的求解
- 11.2.3 加入正则项的损失函数及求解方法
- 11.2.4 预测
- 11.2.5 程序实现
- 11.3 非负矩阵分解
- 11.3.1 非负矩阵分解的形式定义
- 11.3.2 损失函数
- 11.3.3 优化问题的求解
- 11.3.4 利用乘法规则进行分解和预测
- 11.4 基于矩阵分解的推荐方法
- 11.4.1 LFM法
- 11.4.2 SVD法
- 11.4.3 SVD++法
- 第12章 集成学习
- 12.1 集成学习的原理及误差
- 12.2 集成学习方法
- 12.2.1 Boosting算法
- 12.2.2 AdaBoost算法
- 12.2.3 AdaBoost与加法模型
- 12.2.4 提升树
- 12.2.5 Bagging算法
- 12.2.6 误差-分歧分解
- 12.2.7 多样性增强
- 12.2.8 Stacking算法
- 12.3 Python实现
- 第13章 数据预处理
- 13.1 数据预处理概述
- 13.1.1 为什么要对数据进行预处理
- 13.1.2 数据预处理的主要任务
- 13.2 去除唯一属性
- 13.3 处理缺失值
- 13.3.1 直接使用
- 13.3.2 删除特征
- 13.3.3 缺失值补全
- 13.3.4 数据清理
- 13.3.5 特征编码
- 13.3.6 数据标准化
- 13.3.7 正则化
- 13.3.8 特征选择
- 13.3.9 稀疏表示和字典学习
- 13.4 Python实现
- 参考文献
- 反侵权盗版声明
- 封底
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
