机器学习（Python实现）

图书标准信息

• 作者 孙家泽；王曙燕；路龙宾；田振洲；王红玉
• 出版社 清华大学出版社
• 出版时间 2023-07
• 版次 1
• ISBN 9787302632115
• 定价 69.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸

【内容简介】

机器学习是人工智能的重要分支。本书立足实用且易于上手实践的原则，系统地介绍机器学习领域的经典算法，以及这些算法的Python实现和典型应用。本书分4部分: 第1部分介绍监督学习，包括线性模型、决策树分类、贝叶斯分类器、集成学习和支持向量机；第2部分介绍无监督学习，包括关联规则、聚类分析和数据降维；第3部分介绍深度学习，包括神经网络、深度学习和生成对抗网络；第4部分介绍强化学习。本书所介绍的经典机器学习算法及其应用案例均给出了相关实验数据和Python代码实现，每章末尾还给出了习题和实验题，便于读者巩固知识和开展课内实验。 本书可作为高等学校信息类以及相关专业高年级本科生和研究生的教材，也可供对机器学习感兴趣的工程技术人员阅读参考。

【目录】

第1章绪论/1

1.1什么是机器学习1

1.1.1机器学习的定义1

1.1.2机器学习的三要素3

1.1.3机器学习与数据挖掘3

1.2为什么要进行机器学习5

1.3机器学习的发展历程5

1.4机器学习算法9

1.4.1监督学习9

1.4.2无监督学习10

1.4.3半监督学习11

1.4.4强化学习12

1.5机器学习的应用12

1.6机器学习开发工具与框架13

1.6.1机器学习常用开发工具13

1.6.2机器学习常用框架15

1.7机器学习数据集16

习题17

第1部分监 督 学 习

第2章线性模型/212.1基本形式21

2.2线性回归22

2.3线性分类25

2.4多分类策略28

习题33

本章实验34

第3章决策树分类/35

3.1基本概念35

3.1.1什么是分类35

3.1.2分类过程36

3.1.3分类器常见的构造方法37

3.1.4决策树分类38

3.2CART算法39

3.2.1CART算法介绍39

3.2.2CART算法原理40

3.2.3CART算法实例40

3.2.4CART算法Python实现42

3.2.5CART算法的优缺点43

3.3ID3算法43

3.3.1ID3算法介绍43

3.3.2ID3算法原理44

3.3.3ID3算法实例45

3.3.4ID3算法Python实现48

3.3.5ID3的优缺点51

3.4C4.5算法52

3.4.1C4.5算法介绍52

3.4.2C4.5算法原理52

3.4.3C4.5算法实例53

3.4.4C4.5算法Python实现58

3.4.5C4.5算法的优缺点59

3.53种算法的比较59

3.6分类算法评价60

3.6.1常用术语60

3.6.2评价指标61

3.6.3分类器性能的表示62

3.6.4分类器性能的评估方法65

习题66

本章实验68

〖1〗机器学习（Python实现）目录〖3〗〖3〗第4章贝叶斯分类器/69

4.1贝叶斯理论69

4.1.1条件概率和乘法定理69

4.1.2全概率公式和贝叶斯定理70

4.1.3极大后验假设和极大似然假设70

4.2朴素贝叶斯分类算法72

4.2.1NBC算法原理72

4.2.2朴素贝叶斯分类器的特点75

4.3朴素贝叶斯分类器在破产预测中的应用76

4.3.1实验环境及数据集76

4.3.2数据处理77

4.3.3模型构建77

4.3.4模型评价分析78

4.4极大期望算法79

4.4.1极大似然估计79

4.4.2极大期望算法81

4.4.3EM算法的优缺点86

4.5EM算法求解三硬币模型参数87

4.5.1三硬币模型87

4.5.2三硬币模型Python实现87

习题89

本章实验90

第5章集成学习/91

5.1基本概念91

5.1.1算法起源91

5.1.2基本概念91

5.2Bagging算法与随机森林93

5.2.1Bagging算法93

5.2.2随机森林94

5.3Boosting算法102

5.3.1Boosting算法概述102

5.3.2AdaBoost算法103

5.3.3GBDT和XGBoost118

习题119

本章实验120

第6章支持向量机/121

6.1最大间隔分类121

6.2支持向量机模型求解123

6.3核支持向量机模型130

6.4软件间隔支持向量机135

习题140

本章实验141

第2部分无监督学习

第7章关联规则/1457.1基本概念145

7.2Apriori算法149

7.2.1Apriori算法150

7.2.2Apriori算法实例154

7.2.3Apriori算法实现157

7.2.4Apriori算法总结162

7.3FPGrowth算法163

7.3.1FPGrowth算法简介164

7.3.2FPGrowth算法实例171

7.3.3FPGrowth算法实现173

7.3.4FPGrowth算法总结178

习题178

本章实验180

第8章聚类分析/181

8.1聚类分析优化模型181

8.1.1聚类分析概念181

8.1.2聚类优化模型182

8.2基于划分的聚类算法183

8.2.1Kmeans算法183

8.2.2Kmeans算法应用: 图像减色压缩186

8.2.3Kmeans算法的优缺点188

8.3基于层次的聚类算法189

8.3.1AGNES算法190

8.3.2DIANA算法194

8.4基于密度的聚类算法198

8.4.1DBSCAN198

8.4.2OPTICS204

8.4.3DENCLUE210

8.5聚类效果评估方法211

8.5.1估计聚类趋势212

8.5.2确定簇数213

8.5.3评估聚类质量214

习题220

本章实验221

第9章数据降维/222

9.1主成分分析222

9.2线性判别分析225

9.3核线性降维229

习题234

本章实验234

第3部分深 度 学 习

第10章神经网络/23710.1人工神经网络237

10.1.1人工神经网络介绍237

10.1.2人工神经网络的发展历史237

10.2前馈神经网络239

10.2.1神经元介绍239

10.2.2网络结构243

10.2.3前馈神经网络244

10.3反向传播算法246

10.3.1梯度下降246

10.3.2反向传播250

10.3.3神经网络优化中的挑战254

10.3.4神经网络调参方法256

10.4神经网络案例257

10.4.1前馈计算257

10.4.2反向传播计算258

10.5总结260

习题261

本章实验261

第11章深度学习/262

11.1卷积神经网络262

11.1.1卷积及卷积层262

11.1.2汇聚层266

11.1.3几种典型的卷积神经网络268

11.2循环神经网络281

11.2.1基础的循环神经网络281

11.2.2基于门控的循环神经网络286

11.2.3典型应用与实现289

11.3Transformer和大型语言模型297

11.3.1自注意力和Transformer架构297

11.3.2基于Transformer的预训练模型304

11.3.3ChatGPT308

习题313

本章实验314

第12章生成对抗网络/315

12.1算法原理315

12.2数学模型317

12.2.1GAN优化目标317

12.2.2GAN训练算法318

12.2.3分布距离度量319

12.2.4生成器G的全局最优解320

12.2.5GAN优势和劣势321

12.3变体模型322

12.3.1基于Wasserstein距离的生成对抗网络322

12.3.2深度卷积生成对抗网络325

12.4评价标准329

12.4.1IS系列330

12.4.2弗雷切特初始距离331

12.4.3最大均值差异332

12.4.4标准化相对鉴别分数332

12.5GAN实现手写体数字图片生成334

习题342

本章实验342

第4部分强 化 学 习

第13章强化学习/34513.1强化学习概述345

13.1.1基本原理345

13.1.2强化学习和有监督学习345

13.1.3强化学习方法分类346

13.1.4强化学习的发展与应用347

13.2QLearning算法348

13.2.1QLearning算法介绍348

13.2.2QLearning算法实现350

13.2.3QLearning算法实例350

13.2.4QLearning算法评价353

13.3SARSA算法353

13.3.1SARSA算法介绍353

13.3.2SARSA算法原理354

13.3.3SARSA算法实例354

13.3.4SARSA算法评价357

13.4DQN算法358

13.4.1DQN算法介绍358

13.4.2DQN算法原理359

13.4.3DQN算法实例359

13.4.4DQN算法评价362

习题362

本章实验362