新書推薦：
《
黄金圈法则
》
售價：HK$
93.6
《
全球治理理论：权威、合法性与论争
》
售價：HK$
117.6
《
华尔街幽灵：一位股票投资大师的告白
》
售價：HK$
95.8
《
人生幸好有快乐（一代大师梁实秋至诚分享八十余年的快乐哲学！）
》
售價：HK$
64.8
《
中世纪文明（400-1500年）（格致人文）
》
售價：HK$
141.6
《
女子运动术（维持肌肉是更高级的抗衰！变瘦的同时有效增肌，成为更好的自己！）
》
售價：HK$
69.6
《
你有多敏感，就有多珍贵
》
售價：HK$
70.8
《
独立战争与世界重启：一部新的十八世纪晚期全球史（方尖碑书系）
》
售價：HK$
141.6
|
| 內容簡介： |
|
本书是一本创建真实世界智能系统的问题解决指南。提供了一种包含概念、实践、实际示例和代码示例的综合方法，教给读者理解和解决机器学习不同问题所需的重要技能。通过介绍Python机器学习生态系统中的真实案例研究，教授成为一个成功的实践者所必需的机器学习技术。本书还侧重于机器学习的基础知识，以解决不同领域的真实世界案例，包括生物医学信号分析、医疗保健、安全、经济和金融。此外，它涵盖了广泛的机器学习模型，包括回归、分类和预测。
|
| 目錄：
|
|
译者序前言致谢第1章 简介11.1 什么是机器学习11.1.1 为什么需要使用机器学习21.1.2 做出数据驱动决策31.1.3 定义以及关键术语41.1.4 机器学习的关键任务61.1.5 机器学习技术61.2 机器学习框架61.2.1 数据收集71.2.2 数据描述71.2.3 探索性数据分析71.2.4 数据质量分析81.2.5 数据准备81.2.6 数据集成81.2.7 数据整理81.2.8 特征缩放和特征提取91.2.9 特征选择及降维91.2.10 建模91.2.11 选择建模技术91.2.12 构建模型101.2.13 模型评估及调优101.2.14 实现以及检验已经创建的模型101.2.15 监督学习框架111.2.16 无监督学习框架111.3 性能评估121.3.1 混淆矩阵131.3.2 F值分析141.3.3 ROC分析151.3.4 Kappa统计量151.3.5 度量了什么161.3.6 如何度量171.3.7 如何解释估计171.3.8 scikit-learn中的k折交叉验证181.3.9 如何选择正确的算法181.4 Python机器学习环境181.4.1 缺陷201.4.2 缺点201.4.3 NumPy库201.4.4 Pandas201.5 本章小结211.6 参考文献22第2章 数据预处理232.1 简介232.2 特征提取和转换242.2.1 特征类型242.2.2 统计特征252.2.3 结构化特征272.2.4 特征转换282.2.5 阈值化和离散化282.2.6 数据操作282.2.7 标准化292.2.8 归一化和校准332.2.9 不完整的特征342.2.10 特征提取的方法362.2.11 使用小波变换进行特征提取382.3 降维452.3.1 特征构造和选择472.3.2 单变量特征选择482.3.3 递归式特征消除512.3.4 从模型选择特征522.3.5 主成分分析532.3.6 增量PCA572.3.7 核PCA582.3.8 邻近成分分析592.3.9 独立成分分析612.3.10 线性判别分析652.3.11 熵672.4 基于聚类的特征提取和降维682.5 参考文献75第3章 机器学习技术773.1 简介773.2 什么是机器学习783.2.1 理解机器学习783.2.2 如何让机器学习783.2.3 多学科领域793.2.4 机器学习问题803.2.5 机器学习的目标803.2.6 机器学习的挑战813.3 Python库813.3.1 scikit-learn813.3.2 TensorFlow833.3.3 Keras843.3.4 使用Keras构建模型843.3.5 自然语言工具包853.4 学习场景873.5 监督学习算法883.5.1 分类893.5.2 预报、预测和回归903.5.3 线性模型903.5.4 感知机983.5.5 逻辑回归1003.5.6 线性判别分析1023.5.7 人工神经网络1053.5.8 k近邻1093.5.9 支持向量机1133.5.10 决策树分类器1183.5.11 朴素贝叶斯1233.5.12 集成学习1263.5.13 bagging算法1273.5.14 随机森林1313.5.15 boosting算法1363.5.16 其他集成方法1463.5.17 深度学习1513.5.18 深度神经网络1523.5.19 循环神经网络1553.5.20 自编码器1573.5.21 长短期记忆网络1573.5.22 卷积神经网络1603.6 无监督学习1623.6.1 k均值算法1633.6.2 轮廓系数1653.6.3 异常检测1673.6.4 关联规则挖掘1703.7 强化学习1703.8 基于实例的学习1713.9 本章小结1713.10 参考文献172第4章 医疗保健分类示例1744.1 简介1744.2 脑电图信号分析1754.2.1 癫痫症的预测和检测1764.2.2 情绪识别1944.2.3 局灶性和非局灶性癫痫EEG信号的分类2014.2.4 偏头痛检测2124.3 EMG信号分析2174.3.1 神经肌肉疾病的诊断2184.3.2 假体控制中的EMG信号2254.3.3 康复机器人中的EMG信号2324.4 心电图信号分析2384.5 人类活动识别2474.5.1 基于传感器的人类活动识别2484.5.2 基于智能手机的人类活动识别2504.6 用于癌症检测的微阵列基因表达数据分类2564.7 乳腺癌检测2574.8 预测胎儿风险的心电图数据分类2604.9 糖尿病检测2634.10 心脏病检测2674.11 慢性肾脏病的诊断2704.12 本章小结2734.13 参考文献273第5章 其他分类示例2775.1 入侵检测2775.2 钓鱼网站检测2805.3 垃圾邮件检测2835.4 信用评分2875.5 信用卡欺诈检测2905.6 使用CNN进行手写数字识别2975.7 使用CNN进行Fashion-MNIST图像分类3065.8 使用CNN进行CIFAR图像分类3135.9 文本分类3215.10 本章小结3345.11 参考文献334第6章 回归示例3376.1 简介3376.2 股票市场价格指数收益预测3386.3 通货膨胀预测3566.4 电力负荷预测3586.5 风速预测3656.6 旅游需求预测3706.7 房价预测3806.8 单车使用情况预测3956.9 本章小结3996.10 参考文献400第7章 聚类示例4027.1 简介4027.2 聚类4037.2.1 评估聚类输出4047.2.2 聚类分析的应用4047.2.3 可能的聚类数4057.2.4 聚类算法种类4057.3 k均值聚类算法4067.4 k中心点聚类算法4087.5 层次聚类4097.5.1 聚集聚类算法4097.5.2 分裂聚类算法4127.6 模糊c均值聚类算法4167.7 基于密度的聚类算法4187.7.1 DBSCAN算法4187.7.2 OPTICS聚类算法4207.8 基于期望化的混合高斯模型聚类算法4237.9 贝叶斯聚类4267.10 轮廓分析4287.11 基于聚类的图像分割4307.12 基于聚类的特征提取4337.13 基于聚类的分类4397.14 本章小结4427.15 参考文献442
|
| 內容試閱：
|
|
机器学习解决方案的飞速发展及其在工业界的广泛应用极大地推动了其从不同领域中观察（学习）数据，从而学习到复杂模型解决实际问题的能力。通常，创造出高效的学习模型并且得到可靠的结果需要付出大量的时间和成本。掌握项目的主要概念一般可以通过以下方式完成：构建可靠的数据流程管道，通过特征提取及选择进行数据分析和可视化，建模。因此，对于一个可靠的机器学习解决方案而言，不仅包括机器学习模型开发框架本身，还包括成功的预处理模块、可视化、系统集成以及健全的运行时部署和维护设定。Python是一种具有多种功能的创新编程语言，其简单的实现和集成、活跃的开发者社区以及不断成长的机器学习生态系统，对于机器学习的发展及广泛应用做出了极大的贡献。技术的不断进步使得智能组织以及数据驱动的企业成为现实。如今，当数据成了重中之重，市场对于机器学习以及数据科学从业人员的需求十分庞大。实际上，我们正面临着数据科学家以及机器学习专家的短缺。从事21世纪热门的职业毫无疑问要在这个领域有专家级的经验。机器学习技术是一系列计算机算法，包括人工神经网络、k近邻算法、支持向量机、决策树算法以及深度学习。机器学习当前应用于许多领域，尤其是经济学、安全、医疗保健、生物医学以及生物医学工程。本书介绍如何使用机器学习技术来分析这些领域的数据。本书作者有很多使用Python及其机器学习生态系统来解决实际问题的经验。本书旨在提升读者的技能水平，使大家能够创建实际的机器学习解决方案。同时，本书亦是一本构建实际智能系统的问题解决指南，它提供了一个包括原则、过程、实际案例以及代码的系统框架。同时，本书也包括读者在理解和解决不同的机器学习问题时所需的重要技能。对于正在进行机器学习开发的读者而言，本书是一本绝佳的参考，因为书中包含了众多使用Python机器学习环境进行开发的实际案例。本书旨在为读者使用机器学习知识解决不同领域的实际问题打下坚实基础，这些实际问题涉及生物医学信号分析、医疗保健、安全、经济以及金融领域。此外，本书还介绍了一系列机器学习模型，包括回归、分类、聚类以及预测等方向。本书共七章。第1章主要介绍基于机器学习的数据分析。第2章概述一些数据预处理技术，例如特征提取、转换、特征选择以及降维。第3章概述一些常见的用于预报、预测和分类的机器学习技术，例如朴素贝叶斯、k近邻、人工神经网络、支持向量机、决策树、随机森林、装袋、提升、堆叠、投票、深度神经网络、循环神经网络和卷积神经网络。第4章主要呈现一些医疗保健领域中的分类案例，包括常用于生物医学信号分析和识别的技术，例如心电图（ECG）、脑电图（EEG）和肌电图（EMG）信号处理。此外，第4章还会介绍一些医疗数据分类案例，例如人体行为识别，基于微阵列基因表达的癌症、乳腺癌、糖尿病和心脏病检测等。第5章主要介绍一些实际应用，包括入侵检测、钓鱼网站检测、垃圾邮件检测、信用评分、信用卡欺诈检测、手写数字识别、图像分类和文本分类。第6章主要介绍一些回归技术的案例，例如股市分析、经济变量预测、电力负荷预测、风速预测、旅游需求预测以及房价预测。第7章包括一些无监督学习技术的案例（聚类）。本书主要目的是帮助包括IT专业人员、分析师、开发人员、数据科学家和工程师在内的广大读者掌握解决实际问题的能力。此外，本书也可作为数据科学和机器学习领域的研究生教材。同时，本书还能帮助研究人员建立起使用机器学习技术进行数据分析的基础。另外，本书还将帮助包括研究人员、专业人士、学者和一系列学科的研究生在内的广大读者，尤其是那些刚开始寻求在生物医学信号分析、医疗数据分析、金融和经济数据预测以及计算机安全等领域应用机器学习技术的读者。执行本书所提供的代码示例需要在macOS、Linux或Microsoft Windows上安装Python 3.x或更高版本。本书中的代码示例经常使用Python的基本库，例如SciPy、NumPy、scikit-learn、matplotlib、pandas、OpenCV、TensorFlow和Keras。
|
|
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
