消息 首页 搜索 举报
  • Python机器学习核心算法编程实例
21年品牌 40万+商家 超1.5亿件商品

Python机器学习核心算法编程实例

全新正版现货

￥ 54.6 7.0折 ￥ 78 全新

仅1件

四川成都
认证卖家担保交易快速发货售后保障

作者丁伟雄

出版社电子工业出版社

ISBN9787121382475

出版时间2020-01

装帧平装

开本16开

纸张胶版纸

定价78元

货号28520543

上书时间2024-07-06

天涯淘书阁

五年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
正版全新
商品描述

【编辑推荐】:

在数据科学家的技能中，机器学习和Python应该是位列前五的两项。机器学习灸手可热，在互联网、金融保险、电商、电信、制造业、零售业、医疗等领域发挥了越来越大的作用，关注度也越来越高。Python是全球前四大流行语言之一，它具有简单易学、应用几乎无限制等特性，因此在开发从业者眼中是全栈开发的。
针对机器学习与Python软件的特点，作者将两者相结合编写了本书，希望对读者有所帮助。



【内容简介】:

在大数据时代背景下，机器学习是人工智能研究领域中一个其重要的方向，本书是一本机器学习方面的入门读物，注重理论与实践相结合，书中以Python 3.6.5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。通过本书的学习，除使读者轻松掌握Python外，还能利用Python简单、快捷地解决各种机器学习问题。本书适合Python初学者，也适合研究Python的广大科研人员、学者、工程技术人员。



【作者简介】:

丁伟雄（1971年生），男，北京航空航天大学毕业，佛山科学技术学院创业学院副院长，高实验师。研究方向：计算机应用技术。编写的图书实例丰富，实用性强。



【目录】:

目 录 

第1章　机器学习绪论 1 
1.1　机器学习的定义 1 
1.1.1　绪论 1 
1.1.2　机器学习发展历程 2 
1.1.3　机器学习算法的分类 3 
1.2　学习算法 4 
1.2.1　监督学习 4 
1.2.2　无监督学习 5 
1.3　机器学习应用程序的步骤 6 
1.4　Python语言 7 
1.4.1　Python的风格 7 
1.4.2　Python的优势 7 
1.4.3　Python语言的缺点 8 
1.5　Python的环境搭建 9 
1.5.1　安装 10 
1.5.2　使用pip安装第三方库 13 
1.6　NumPy函数库基础 14 
1.7　Python的基础知识 16 
1.7.1　数和表达式 16 
1.7.2　Python的标识符 18 
1.7.3　Python的保留字符 19 
1.7.4　行和缩进 19 
1.7.5　多行语句 20 
1.7.6　Python引号 20 
1.7.7　Python空行 20 
1.7.8　同一行显示多条语句 20 
1.7.9　Print输出 21 
第2章　线性模型 22 
2.1　一般线性回归 23 
2.1.1　线性回归公式表示法 23 
2.1.2　线性回归的Python实现 25 
2.2　局部加权线性回归 27 
2.3　广义线性模型 30 
2.4　逻辑回归分析 36 
2.5　牛顿法 40 
2.5.1　基本牛顿法的原理 40 
2.5.2　基本牛顿法的流程 40 
2.5.3　全局牛顿法 40 
2.5.4　Armijo搜索 42 
2.5.5　全局牛顿法求解线性回归模型 42 
2.6　缩减法 43 
2.6.1　岭回归 44 
2.6.2　lasso回归 46 
2.7　利用线性回归进行预测 47 
2.7.1　训练线性回归模型 47 
2.7.2　对新数据的预测 49 
第3章　树回归 51 
3.1　构建决策树的准备工作 52 
3.1.1　特征选择 52 
3.1.2　决策树的生成和修剪 60 
3.2　Matplotlib注释绘制树形图 60 
3.3　使用决策树执行分类 67 
3.4　决策树的存储 71 
3.5　Sklearn使用决策树预测隐形眼镜类型 73 
3.5.1　实战背景 73 
3.5.2　使用Sklearn构建决策树 73 
3.6　复杂数据的局部性建模 80 
3.7　连续型和离散型特征的树构建 81 
3.8　分类回归树 82 
3.8.1　构建树 83 
3.8.2　剪枝 85 
3.8.3　模型树 87 
3.8.4　分类回归的Python实现 88 
第4章 K-means聚类算法 92 
4.1　K-means聚类算法的概述 92 
4.2　相似性的度量 93 
4.2.1　闵可夫斯基距离 93 
4.2.2　曼哈顿距离 93 
4.2.3　欧氏距离 93 
4.3　K-means聚类算法的原理 94 
4.3.1　K-means聚类算法的步骤 94 
4.3.2　K-means算法与矩阵分解 95 
4.3.3　K-means聚类算法的实现 96 
4.4　K-近邻算法 104 
4.5　各种聚类算法 107 
4.5.1　划分聚类法 107 
4.5.2　层次聚类法 108 
4.5.3　密度聚类法 111 
4.5.4　谱聚类法 116 
4.5.5　Birch聚类 119 
4.5.6　混合高斯模型 121 
4.6　K-means  算法 122 
4.6.1　K-means算法存在的问题 122 
4.6.2　K-means  算法的思路 123 
第5章　朴素贝叶斯 127 
5.1　朴素贝叶斯理论 127 
5.1.1　贝叶斯决策理论 127 
5.1.2　条件概率 128 
5.1.3　全概率公式 128 
5.1.4　贝叶斯推断 129 
5.1.5　朴素贝叶斯推断 130 
5.2　朴素贝叶斯算法 131 
5.3　朴素贝叶斯算法的优缺点 140 
第6章　数据降维 141 
6.1　维度灾难与降维 141 
6.2　高维数据降维的方法 141 
6.2.1　线性降维 142 
6.2.2　非线性降维 146 
6.2.3　SVD降维 153 
6.2.4　流形学习降维 159 
6.2.5　多维缩放降维 166 
第7章　支持向量机 170 
7.1　支持向量机概述 170 
7.2　分类间隔 171 
7.2.1　函数间距 172 
7.2.2　几何间距 173 
7.3　拉格朗日乘子 175 
7.3.1　拉格朗日对偶性 175 
7.3.2　优化间隔分类器 176 
7.4　核函数 178 
7.4.1　核函数的选择 180 
7.4.2　松弛向量与软间隔*化 180 
7.5　SOM算法 181 
7.5.1　坐标上升算法 182 
7.5.2　SOM 182 
7.6　SVM的优缺点 185 
7.7　SVM的Python实现 185 
第8章　随机森林 192 
8.1　什么是随机森林 192 
8.2　集成学习 192 
8.2.1　集成学习的思想 193 
8.2.2　集成学习中的典型方法 193 
8.3　Stacking 194 
8.3.1　Stacking的基本思想 194 
8.3.2　Stacking的实现 195 
8.4　随机森林算法 198 
8.4.1　随机森林的特点 198 
8.4.2　随机森林算法流程 199 
8.5　随机森林算法实践 201 
8.6　美国人口普查年收入50k分类 207 
8.6.1　数据预处理 208 
8.6.2　模型训练及验证 212 
第9章　人工神经网络 217 
9.1　感知机模型 217 
9.1.1　感知机的定义 217 
9.1.2　感知机的学习策略 218 
9.1.3　感知机学习算法 218 
9.1.4　感知机的Python实现 226 
9.2　从感知机到神经网络 236 
9.3　多层前馈神经网络 238 
9.3.1　BP网络算法 241 
9.3.2　BP神经网络的学习过程 244 
9.3.3　BP神经网络中参数的设置 249 
9.4　神经网络的Python实现 253 
第10章　协同过滤算法 272 
10.1　协同过滤的核心 272 
10.2　协同过滤的分类 272 
10.3　相似性的度量方法 273 
10.3.1　欧氏距离 273 
10.3.2　皮尔逊相关系数 273 
10.3.3　余弦相似度 274 
10.3.4　用Python实现余弦相似度的计算 274 
10.4　基于用户的协同过滤算法 275 
10.4.1　基于物品的协同过滤算法 275 
10.4.2　基于矩阵分解的协同过滤算法 276 
10.4.3　Python实现 276 
10.5　基于项的协同过滤算法 280 
10.6　利用协同过滤算法进行推荐 281 
10.6.1　导入用户-商品数据 281 
10.6.2　利用基于用户的协同过滤算法进行推荐 282 
10.6.3　利用基于项的协同过滤算法进行推荐 283 
第11章　基于矩阵分解的推荐算法 285 
11.1　矩阵分解 285 
11.2　利用矩阵分解进行预测 286 
11.2.1　损失函数 286 
11.2.2　损失函数的求解 286 
11.2.3　加入正则项的损失函数即求解方法 286 
11.2.4　预测 288 
11.2.5　程序实现 289 
11.3　非负矩阵分解 291 
11.3.1 非负矩阵分解的形式定义 291 
11.3.2　损失函数 291 
11.3.3　优化问题的求解 292 
11.3.4　利用乘法规则进行分解和预测 294 
11.4　基于矩阵分解的推荐方法 295 
11.4.1　LFM法 295 
11.4.2　SVD法 298 
11.4.3　SVD  法 300 
第12章　集成学习 304 
12.1　集成学习的原理及误差 304 
12.2　集成学习方法 305 
12.2.1　Boosting算法 305 
12.2.2　AdaBoost算法 305 
12.2.3　AdaBoost与加法模型 309 
12.2.4　提升树 310 
12.2.5　Bagging算法 313 
12.2.6　误差-分歧分解 314 
12.2.7　多样性增强 315 
12.2.8　Stacking算法 316 
12.3　Python实现 317 
第13章　数据预处理 322 
13.1　数据预处理概述 322 
13.1.1　为什么要对数据进行预处理 322 
13.1.2　数据预处理的主要任务 323 
13.2　去除*属性 323 
13.3　处理缺失值 324 
13.3.1　直接使用 324 
13.3.2　删除特征 324 
13.3.3　缺失值补全 324 
13.3.4　数据清理 328 
13.3.5　特征编码 330 
13.3.6　数据标准化 331 
13.3.7　正则化 332 
13.3.8　特征选择 333 
13.3.9　稀疏表示和字典学习 335 
13.4　Python实现 337 
参考文献 352


   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

正版全新
此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP