Python机器学习

图书标准信息

• 作者 林耿、赖军将、罗金炎、徐海平、柯小玲 编
• 出版社 电子工业出版社
• 出版时间 2021-07
• 版次 1
• ISBN 9787121411908
• 定价 68.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 260页
• 字数 99999千字

【内容简介】

  机器学习是人工智能的核心，也是数据科学的关键技术之一。《Python机器学习》以Python语言为基础从理论和实践两个层面介绍了机器学习的各种方法。全书共10章，内容涉及机器学习的基本概念、模型评估与选择、特征提取与降维、无监督学习、关联规则及推荐算法、各种启发式学习算法、集成学习、强化学习及人工神经网络等。每章都有对应的实例供实践参考。

【目录】

第1章 了解机器学习
1．1 机器学习的基本术语
1．1．1 大数据相关概念
1．1．2 机器学习的发展历程概述
1．1．3 机器学习的应用现状
1．2 机器学习的基本流程
1．3 机器学习的发展现状
1．4 机器学习的环境搭建
1．4．1 Anaconda
1．4．2 PyCharm
1．4．3 汉诺塔案例
1．4．4 机器学习常用package的安装与介绍

第2章 线性回归
2．1 线性回归与逻辑回归
2．1．1 线性回归模型
2．1．2 优化方法
2．1．3 损失函数
2．1．4 损失函数的优化
2．1．5 过拟合和欠拟合
2．1．6 利用正则化解决过拟合问题
2．1．7 逻辑回归
2．1．8 逻辑回归的损失函数
2．1．9 逻辑回归实现多分类
2．1．10 逻辑回归与线性回归的比较
2．2 决策树
2．2．1 决策树的建立
2．2．2 剪枝
2．2．3 CART剪枝
2．3 贝叶斯分类器
2．3．1 贝叶斯最优分类器
2．3．2 极大似然估计
2．3．3 朴素贝叶斯分类器
2．4 支持向量机
2．4．1 支持向量机的原理
2．4．2 线性可分支持向量机
2．4．3 非线性支持向量机和核函数
2．4．4 线性支持向量机与松弛变量
2．5 案例
2．5．1 线性回归案例
2．5．2 逻辑回归案例
2．5．3 决策树分类案例
2．5．4 支持向量机分类案例

第3章 模型评估与选择
3．1 经验误差和过拟合
3．1．1 从统计学的角度介绍模型的概念
3．1．2 关于误差的说法
3．1．3 统计学中的过拟合
3．1．4 机器学习中的过拟合与欠拟合
3．2 模型验证策略
3．2．1 留出法
3．2．2 交叉验证法
3．3 模型的性能度量
3．3．1 基本概念
3．3．2 性能度量
3．3．3 回归性能度量指标
3．3．4 回归问题的评估方法

第4章 特征提取与降维
4．1 特征提取方法――过滤法
4．1．1 过滤法的原理及特点
4．1．2 过滤法的基本类型
4．1．3 过滤法的具体方法
4．2 特征提取方法――封装法
4．2．1 封装法的思想
4．2．2 封装法的代表方法
4．3 特征提取方法――嵌入法
4．3．1 嵌入法的思想
4．3．2 嵌入法的代表方法
4．4 K-近邻学习
4．4．1 K-近邻学习简介
4．4．2 KNN模型
4．4．3 KNN模型举例
4．4．4 KNN模型的特点
4．5 主成分分析
4．5．1 主成分分析的定义
4．5．2 主成分分析原理
4．6 K-近邻学习案例
4．6．1 实验步骤
4．6．2 实验结果
4．7 主成分分析案例（PCA降维）
4．7．1 实验步骤
4．7．2 实验结果
4．7．3 PCA参数介绍

第5章 无监督学习
5．1 K-means聚类模型原理
5．1．1 无监督学习
5．1．2 聚类简介
5．1．3 K-means聚类模型原理
5．2 基于层次的分群
5．2．1 层次聚类简介
5．2．2 层次聚类的原理
5．3 基于密度的分群
5．3．1 DBSCAN算法介绍
5．3．2 DBSCAN算法评价
5．4 聚类模型性能度量
5．4．1 聚类结果好坏的评估指标
5．4．2 距离度量
5．5 案例分析
5．5．1 二分K-means聚类案例
5．5．2 基于DBSCAN和AGNES算法的聚类

第6章 关联规则及推荐算法
6．1 关联规则
6．1．1 关联规则简介
6．1．2 关联规则相关术语
6．1．3 关联规则算法
6．2 Apriori算法简介
6．3 基于内容的过滤和协同过滤
6．3．1 基于内容的过滤
6．3．2 基于协同过滤的推荐
6．3．3 基于用户的协同过滤
6．3．4 推荐算法的条件
6．4 基于项目的协同过滤
6．4．1 协同过滤简介
6．4．2 协同过滤算法的主要步骤
6．4．3 应用场景
6．4．4 基于人口统计学的推荐机制
6．5 案例分析
6．5．1 Apriori算法的实验步骤
6．5．2 基于用户的协同过滤算法的实验步骤
6．5．3 基于项目的推荐算法的实验步骤

第7章 启发式学习
7．1 启发式学习的介绍
7．1．1 搜索算法
7．1．2 预测建模算法
7．2 爬山算法
7．2．1 爬山算法的描述
7．2．2 爬山算法优缺点的分析
7．3 遗传算法
7．3．1 遗传算法概述
7．3．2 遗传算法的过程
7．3．3 遗传算法实例
7．4 模拟退火
7．4．1 模拟退火算法简介
7．4．2 模拟退火参数控制
7．4．3 模拟退火算法的步骤
7．5 粒子群算法
7．5．1 粒子群算法简介
7．5．2 粒子群算法的流程
7．6 案例分析
7．6．1 粒子群算法案例
7．6．2 爬山算法案例
7．6．3 遗传算法案例
7．6．4 退火算法案例

第8章 集成学习
8．1 集成学习的基本术语
8．1．1 集成学习的相关概念
8．1．2 集成学习的分类
8．2 Boosting算法
8．3 AdaBoost算法
8．4 Bagging算法
8．5 随机森林
8．6 结合策略
8．7 集成学习案例
8．7．1 随机森林案例
8．7．2 AdaBoost案例

第9章 强化学习
9．1 强化学习概述
9．1．1 强化学习的定义
9．1．2 强化学习的特点
9．2 K-摇臂赌博机模型
9．2．1 K-摇臂赌博机简介
9．2．2 ?-贪心算法
9．2．3 Softmax算法
9．3 策略迭代原理
9．3．1 马尔可夫决策过程
9．3．2 价值函数
9．3．3 策略迭代法
9．4 蒙特卡罗强化学习
9．4．1 蒙特卡罗方法的基本思想
9．4．2 强化学习中的蒙特卡罗方法
9．4．3 蒙特卡罗策略估计
……
第10章 人工神经网络