python机器学 与实践 大中专文科经管 薛薇
新华书店全新正版书籍 支持7天无理由
¥
27.6
4.0折
¥
69
全新
库存2件
作者薛薇
出版社中国人民大学出版社
ISBN9787300287317
出版时间2021-01
版次1
装帧平装
开本16
页数376页
字数570千字
定价69元
货号400_9787300287317
上书时间2024-06-29
商品详情
- 品相描述:全新
-
正版特价新书
- 商品描述
-
目录:
章机器学与python概述
1.1机器学与人工智能1.1.1符号主义人工智能
1.1.2基于机器学的人工智能
1.2机器学能做什么
1.2.1机器学的学对象:数据集
1.2.2机器学的任务
1.3python实践课:初识python
1.3.1实践一:python和anaconda
1.3.2实践二:python第三方包的引用
1.3.3实践三:学python的numpy包
1.3.4实践四:学python的pandas包
1.3.5实践五:学python的matplotlib包
1.3.6实践六:了解python的scikit-learn包
附录
第2章数据预测中的相关问题
2.1数据预测与预测建模
2.1.1预测模型
2.1.2预测模型的几何理解
2.1.3预测模型参数估计的基本策略
2.2预测模型的评价
2.2.1模型误差的评价指标
2.2.2模型的图形化评价工具
2.2.3泛化误差的估计方法
2.2.4数据集的划分策略
2.3预测模型的选择问题
2.3.1几个重要观点
2.3.2模型过拟合
2.3.3预测模型的偏差和方差
2.4python实践课:加深理论理解,探索应用实践
2.4.1实践一:预测模型中的一般线回归模型和logistic回归模型
2.4.2实践二:预测模型的评价指标和图形化评价工具
2.4.3实践三:不同复杂度模型下的训练误差和测试误差
2.4.4实践四:数据集划分以及测试误差估计
2.4.5实践五:模型的过拟合以及偏差和方差
附录
第3章数据预测建模:贝叶斯分类器
3.1贝叶斯概率和贝叶斯法则
3.1.1贝叶斯概率
3.1.2贝叶斯法则
3.2贝叶斯和朴素贝叶斯分类器
3.2.1贝叶斯和朴素贝叶斯分类器的一般内容
3.2.2贝叶斯分类器的先验分布
3.3贝叶斯分类器的分类边界
3.4python实践课:加深理论理解,探索应用实践
3.4.1实践一:探索不同参数下的贝塔分布特点
3.4.2实践二:绘制贝叶斯分类器的分类边界
3.4.3实践三:二分类的空气污染预测
3.4.4实践四:多分类的文本分类预测
附录
第4章数据预测建模:近邻分析
4.1近邻分析:k-近邻法
4.1.1距离:k-近邻法的近邻度量
4.1.2参数k:1-近邻法还是k-近邻法
4.2基于观测相似的加权k-近邻法
4.2.1加权k-近邻法的权重
4.2.2加权k-近邻法的预测
4.2.3加权k-近邻法的分类边界
4.3k-近邻法的适用
4.4python实践课:加深理论理解,探索应用实践
4.4.1实践一:k-近邻法不同参数k下的分类边界
4.4.2实践二:探讨加权k-近邻法中不同核函数的特点
4.4.3实践三:加权k{近邻法不同参数和加权策略下的分类边界
4.4.4实践三:空气质量等级预测中的优参数k
4.4.5k-近邻法的回归预测问题
附录
第5章数据预测建模:决策树
5.1决策树的核心问题
5.1.1什么是决策树
5.1.2分类树的分类边界
5.1.3回归树的回归面
5.1.4决策树的生长和剪枝
5.2分类回归树的生长
5.2.1分类树中的异质度量
5.2.2回归树中的异质度量
5.3分类回归树的剪枝
5.3.1代价复杂度和小代价复杂度
5.3.2分类回归树的剪枝过程
5.4python实践课:加深理论理解,探索应用实践
5.4.1实践一:回归树的回归面
5.4.2实践二:不同树深度下分类树的分类边界
5.4.3实践三:分类树中的基尼系数和熵
5.4.4实践四:空气质量等级的分类预测
5.4.5实践五:回归树和过拟合
附录
第6章数据预测建模:集成学
6.1集成学的一般问题
6.1.1集成学:解决高方差问题
6.1.2集成学:从弱模型到强模型
6.2基于重抽样自举法的集成学
6.2.1重抽样自举法
6.2.2袋装策略
6.2.3森林
6.3集成学:从弱模型到强模型
6.3.1提升策略
6.3.2adaboost.m1算法
6.3.3samme算法和samme.r算法
6.3.4回归预测中的提升策略
6.4梯度提升树
6.4.1梯度提升算法
6.4.2梯度提升回归树
6.4.3梯度提升分类树
6.5xgboost算法精要
6.5.1xgboost算法中的目标函数
6.5.2目标函数的近似表达
6.5.3决策树的求解
6.6python实践课:加深理论理解,探索应用实践
6.6.1实践一:探讨袋装策略和森林的方差
6.6.2实践二:探讨提升策略集成学的预测效果
6.6.3实践三:提升策略集成学下高权重样本观测的变化
6.6.4实践四:不同损失函数下adaboost回归预测
6.6.5实践五:梯度提升算法和提升策略集成学的对比
6.6.6实践六:基于空气质量监测数据,对比集成学的各种策略
附录
第7章数据预测建模:人工神经网络
7.1人工神经网络的基本概念
7.1.1网络的基本构成
7.1.2网络节点的功能
7.2感知机网络
7.2.1感知机网络中的节点
7.2.2感知机节点中的加法器
7.2.3感知机节点中的激活函数
7.2.4感知机的权重训练
7.3多层感知机及b-p反向传播算法
7.3.1多层网络的结构
7.3.2多层网络的隐藏节点
7.3.3b-p反向传播算法
7.3.4多层网络的其他问题
7.4python实践课:加深理论理解,探索应用实践
7.4.1实践一:探讨二层感知机输出节点不同激活函数的情况
7.4.2实践二:利用模拟数据探讨多层感知机网络中隐藏节点的影响
7.4.3实践三:基于手写体邮政编码点阵数据实现数字识别
7.4.4实践四:基于空气质量监测数据对pm2.5的浓度进行预测
附录
第8章数据预测建模:支持向量机
8.1支持向量分类的一般问题
8.1.1支持向量分类的基本思路
8.1.2支持向量分类的三种情况
8.2线可分下的支持向量分类
8.2.1如何求解超面
8.2.2参数求解的拉格朗乘子法
8.2.3支持向量分类的预测
8.3广义线可分下的支持向量分类
8.3.1广义线可分下的超面
8.3.2广义线可分下的错误惩罚和目标函数
8.3.3广义线可分下的超面参数求解
8.4线不可分问题下的支持向量分类
8.4.1线不可分问题的一般解决方式
8.4.2支持向量分类克服维灾难的途径
8.5支持向量回归
8.5.1支持向量回归的基本思路
8.5.2支持向量回归的目标函数和约束条件
8.6python实践课:加深理论理解,探索应用实践
8.6.1实践一:探讨支持向量机分类的意义
8.6.2实践二:探讨线可分下的支持向量分类
8.6.3实践三:探讨广义线可分下不同惩罚参数c下的分类边界
8.6.4实践四:探讨非线可分下的空间变化思路
8.6.5实践五:探讨非线可分下不同惩罚参数c和核函数下的分类曲面
8.6.6实践六:探讨支持向量回归中不同惩罚参数c和ɛ对回归的影响
附录
第9章特征选择:过滤、包裹和嵌入策略
9.1过滤式策略下的特征选择
9.1.1低方差过滤法
9.1.2分类预测中的高相关过滤法:f统计量
9.1.3分类预测中的高相关过滤法:x2统计量
9.1.4分类预测中的高相关过滤法:其他统计量
9.2包裹式策略下的特征选择
9.2.1包裹式策略的基本思路
9.2.2递归式特征剔除法
9.2.3基于交验证的递归式特征剔除法
9.3嵌入式策略下的特征选择
9.3.1岭回归和lasso回归
9.3.2弹网回归
9.4python实践课:加深理论理解,探索应用实践
9.4.1实践一:探讨低方差过滤法的应用意义
9.4.2实践二:探索高相关过滤法中的f分布和卡方分布特点及应用
9.4.3实践三:探索包裹式策略下的特征选择及应用
9.4.4实践四:探索lasso回归中收缩参数ɑ变化对特征选择的影响
9.4.5实践五:探索弹网回归中不同l2范数率变化对模型的影响
附录
0章特征提取:空间变换策略
10.1主成分分析
10.1.1主成分分析的基本出发点
10.1.2主成分分析的基本
10.1.3确定主成分
10.2矩阵的奇异值分解
10.2.1奇异值分解的基本思路
10.2.2基于奇异值分解的特征提取
10.3核主成分分析
10.3.1核主成分分析的出发点
10.3.2核主成分分析的基本
10.3.3核主成分分析中的核函数
10.4因子分析
10.4.1因子分析的基本出发点
10.4.2因子分析的基本
10.4.3因子载荷矩阵的求解
10.4.4因子得分的计算
10.4.5因子分析的其他问题
10.5python实践课:加深理论理解,探索应用实践
10.5.1实践一:探索主成分分析的基本和实践
10.5.2实践二:基于脸部点阵灰度数据,探索奇异值分解的应用
10.5.3实践三:探索核主成分分析的意义和应用
10.5.4实践四:探索因子分析的基本
10.5.5实践五:基于空气质量监测数据,探索因子分析的应用
附录
1章揭示数据内在结构:聚类分析
11.1聚类分析的一般问题
11.1.1聚类分析的目的
11.1.2聚类算法概述
11.1.3聚类解的评价
11.1.4聚类解的可视化
11.2基于质心的聚类模型:k-均值聚类
11.2.1k-均值聚类基本过程
11.2.2k-均值聚类中的聚类数目
11.2.3基于k-均值聚类的预测
11.3基于联通的聚类模型:系统聚类
11.3.1系统聚类的基本过程
11.3.2系统聚类中距离的联通测度
11.3.3系统聚类中的聚类数目
11.3.4系统聚类中的其他问题
11.4基于高斯分布的聚类模型:em聚类
11.4.1基于高斯分布聚类的出发点:有限混合分布
11.4.2em聚类算法
11.5python实践课:加深理论理解,探索实践应用
11.5.1实践一:探讨k-值聚类特点和确定聚类数目k的方法
11.5.2实践二:探讨系统聚类过程和可视化工具
11.5.3实践三:探讨聚类分析的实际应用
11.5.4实践四:探讨em聚类的适用场景和聚类实现
附录
2章揭示数据内在结构:特聚类
12.1基于密度的聚类:dbscan聚类
12.1.1dbscan聚类中的相关概念
12.1.2dbscan聚类过程
12.1.3dbscan聚类的参数敏感
12.2mean-shift聚类
12.2.1什么是核密度估计
12.2.2核密度估计在mean-shift聚类中的意义
12.2.3mean-shift聚类过程
12.3birch聚类
12.3.1birch聚类的特点
12.3.2birch算法中的聚类特征树
12.3.3birch聚类的核心步骤
12.3.4birch聚类的在线动态聚类
12.3.5birch聚类解的优化
12.4python实践课:加深理论理解,探索应用实践
12.4.1探索dbscan聚类算法的异形聚类特点以及参数敏感
12.4.2实现单变量的核密度估计,理解mean-shift聚类算法
12.4.3探讨birch聚类的动态特点
附录
内容简介:
本书读者进入python机器学领域。理论上突出机器学讲解的可读并兼具知识深度和广度,实践上强调机器学的可作并兼具应用广泛。本书不仅对进行了深入透彻的理论讲解,而且通过python编程给出了的直观解释以及可作实现的应用案例。本书适合作为高等院校相关专业的机器学用书,也可作为python机器学研究应用人员的参用书。
— 没有更多了 —
正版特价新书
以下为对购买帮助不大的评价