新書推薦：
《
股市趋势技术分析（原书第11版）
》
售價：HK$
221.8
《
汉匈战争全史
》
售價：HK$
99.7
《
恶的哲学研究（社会思想丛书）
》
售價：HK$
109.8
《
不止江湖
》
售價：HK$
98.6
《
天才留步！——从文艺复兴到新艺术运动（一本关于艺术天才的鲜活故事集，聚焦艺术史的高光时刻！）
》
售價：HK$
154.6
《
双城史
》
售價：HK$
110.9
《
冯友兰和青年谈心系列：不是问题的问题（哲学大师冯友兰和年轻人谈心，命运解读）
》
售價：HK$
55.8
《
月与蟹（青鲤文库）荣获第144届直木奖，天才推理作家经典作品全新译本。一部青春狂想曲，带你登上心理悬疑之巅。
》
售價：HK$
50.4
|
| 內容簡介： |
本书作为机器学习的入门书，涉及机器学习基础知识的各方面内容。对于常用的算法，本书首先介绍其基本思想和具体实现步骤，然后讲解其在具体案例中的应用，让读者对算法有一个直观的认识。
本书共包含11章内容，具体安排为：第1章讲解机器学习的基础知识；第2～6章讲解监督学习中常用的分类算法；第7章讲解监督学习中常用的回归算法；第8章介绍神经网络，其既可以用于分类，又可以用于回归；第9～10章讲解无监督学习中的常用算法；第11章介绍通过降维技术来简化数据。
本书可以作为高等院校计算机相关专业的本科生教材。
|
| 關於作者： |
|
杨坡，硕士，南开大学滨海学院讲师，主要研究领域为模式识别、机器学习等。长年教授C 、PHP、Python等课程。主编书籍《HTML5 canvas游戏开发基础》。省级产学研合作项目——Python课程建设的主要参与人。
|
| 目錄：
|
第1章绪论1
1.1机器学习定义1
1.2机器学习发展历程1
1.3机器学习分类2
1.3.1有监督学习2
1.3.2分类模型评判指标3
1.3.3无监督学习5
1.3.4增强学习5
1.4实验环境介绍5
1.4.1语言的选择5
1.4.2Python的安装5
1.4.3PyCharm编辑器8
1.5本章小结13
第2章k近邻14
2.1k近邻算法介绍14
2.2入门实例14
2.3k近邻算法的深入讨论15
2.3.1k值对结果的影响15
2.3.2相似程度的度量16
2.3.3决策策略17
2.4实际应用17
2.4.1KNeighborsClassifier类介绍17
2.4.2小试牛刀18
2.4.3实战演示19
2.5本章小结21
第3章决策树22
3.1决策树算法介绍22
3.2构建决策树的方法23
3.2.1信息熵23
3.2.2信息增益25
3.2.3ID3算法25
3.2.4C4.5算法32
3.2.5CART算法33
3.3模型评估方法36
3.3.1保留法36
3.3.2k折交叉验证法37
3.3.3自助法37
3.4实际应用38
3.4.1DecisionTreeClassifier类介绍38
3.4.2小试牛刀38
3.4.3实战演示40
3.5本章小结41
第4章朴素贝叶斯42
4.1贝叶斯定理42
4.2朴素贝叶斯算法介绍43
4.3入门实例43
4.4Laplace修正47
4.5实际应用50
4.5.1GussianNB类介绍50
4.5.2小试牛刀51
4.5.3实战演示52
4.6本章小结53
第5章支持向量机54
5.1支持向量机算法介绍54
5.1.1间隔54
5.1.2得到决策边界的方法55
5.1.3松弛变量56
5.1.4核函数58
5.2多分类支持向量机60
5.2.1一对多60
5.2.2一对一61
5.2.3支持向量机树61
5.3实际应用62
5.3.1支持向量机类介绍62
5.3.2小试牛刀63
5.3.3实战演示64
5.4本章小结68
第6章AdaBoost69
6.1AdaBoost算法介绍69
6.1.1强分类器与弱分类器69
6.1.2集成学习69
6.1.3AdaBoost算法思想70
6.1.4AdaBoost算法流程70
6.1.5AdaBoost实例演示71
6.1.6AdaBoost的优缺点73
6.2AdaBoost算法演变73
6.2.1多分类AdaBoost算法73
6.2.2抑制样本噪声73
6.3实际应用74
6.3.1AdaBoostClassifier类介绍74
6.3.2小试牛刀75
6.3.3实战演示76
6.4本章小结78
第7章线性回归79
7.1线性回归介绍79
7.1.1回归79
7.1.2线性模型79
7.1.3梯度下降算法80
7.1.4一元线性回归80
7.1.5决定系数84
7.2算法优化84
7.2.1损失函数优化84
7.2.2随机抽样一致算法85
7.2.3多项式回归87
7.3实际应用89
7.3.1数据说明89
7.3.2数据导入与划分90
7.3.3简单线性模型90
7.3.4多项式回归90
7.4本章小结92
第8章神经网络93
8.1神经网络的概念93
8.2MP神经元模型93
8.3感知器96
8.3.1感知器简介96
8.3.2感知器学习策略96
8.3.3原始形式97
8.3.4原始形式的实际应用97
8.3.5对偶形式100
8.3.6对偶形式的实际应用101
8.3.7感知器总结104
8.4反向传播神经网络104
8.4.1前向传播104
8.4.2梯度下降与反向传播106
8.4.3训练过程107
8.4.4BP神经网络算法的实际应用108
8.4.5BP神经网络算法总结111
8.5多层神经网络112
8.5.1深度学习112
8.5.2卷积神经网络113
8.5.3循环神经网络115
8.5.4实战演示116
8.6本章小结123
第9章kmeans124
9.1kmeans算法介绍124
9.2kmeans算法深入讨论124
9.2.1k值的选择124
9.2.2相似程度的度量125
9.2.3终止条件125
9.3入门实例125
9.4实际应用126
9.4.1KMeans类介绍126
9.4.2小试牛刀127
9.4.3实战演示129
9.5本章小结132
第10章Apriori关联分析133
10.1Apriori关联分析介绍133
10.1.1关联分析简介133
10.1.2Apriori135
10.2实际应用140
10.2.1Groceries数据集140
10.2.2关联分析141
10.2.3数据集分析142
10.2.4基于提升度的关联分析142
10.3本章小结143
第11章PCA降维144
11.1降维思路144
11.2PCA思路145
11.3数学基础145
11.3.1方差145
11.3.2协方差145
11.3.3特征值分解146
11.4PCA的实现步骤146
11.5实际应用147
11.5.1PCA类介绍147
11.5.2小试牛刀147
11.5.3实战演示151
11.6本章小结153
参考文献154
附录A线性代数基础155
A.1基本概念155
A.1.1矩阵155
A.1.2三角形矩阵155
A.1.3单位矩阵156
A.1.4零矩阵156
A.2矩阵运算156
A.2.1矩阵加法156
A.2.2矩阵减法157
A.2.3矩阵与数相乘157
A.2.4矩阵与矩阵相乘157
A.2.5矩阵转置157
A.3逆矩阵158
A.3.1逆矩阵的定义158
A.3.2代数余子式158
A.3.3伴随矩阵158
A.3.4矩阵求逆158
A.4矩阵初等变换159
A.4.1矩阵行初等变换159
A.4.2矩阵列初等变换159
A.5向量159
A.5.1向量的定义159
A.5.2向量的内积159
A.5.3向量的长度160
A.5.4向量的范数160
附录B概率论基础161
B.1随机实验161
B.2概率161
B.3频率161
B.4等可能概型162
B.5联合概率162
B.6条件概率162
B.7概率的重要性质163
B.8统计推断163
附录CPython基础164
C.1变量164
C.2注释164
C.2.1单行注释164
C.2.2多行注释165
C.3输入、输出165
C.3.1输入165
C.3.2输出165
C.4数据类型165
C.4.1List（列表）166
C.4.2Tuple（元组）166
C.4.3Set（集合）166
C.4.4Dictionary（字典）167
C.5运算符167
C.6条件语句168
C.7循环语句168
C.7.1for循环168
C.7.2while循环169
C.7.3循环控制169
C.8函数169
C.9类和对象170
C.10文件操作170
C.10.1文件的打开、关闭170
C.10.2文件的读、写171
C.11模块、包171
C.12常用的第三方库172
C.12.1numpy库172
C.12.2matplotlib库172
C.12.3sklearn库173
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
