机器学习与算法应用

图书标准信息

• 作者 许桂秋
• 出版社 电子工业出版社
• 出版时间 2022-12
• 版次 1
• ISBN 9787121447099
• 定价 69.80元
• 装帧 其他
• 页数 300页

【内容简介】

本教材从实用的角度出发，采用理论与实践相结合的方式，介绍机器学习算法与应用的基础知识，力求培养读者使用机器学习相关算法进行数据分析的能力。本教材的主要内容有机器学习概述，机器学习的Python常用库，回归分析与应用，特征工程、降维与超参数调优，分类算法与应用，关联规则，聚类算法与应用，神经网络，文本分析，图像数据分析，深度学习入门。本教材可以作为人工智能学科相关的机器学习技术的入门教材，目的不在于覆盖机器学习技术的所有知识点，而是介绍机器学习的常用算法及其应用，使读者了解机器学习的基本构成及不同场景下使用何种机器学习算法。为了增强实践效果，本教材引入了多个基础技术案例及综合实践案例，以帮助读者了解机器学习涉及的基本知识和技能。本教材可作为高等院校机器学习算法与应用课程的教材，也可供对机器学习技术感兴趣的读者阅读参考。

【作者简介】

许桂秋，运营总监。2000年9月—2004年6月，厦门大学，计算机科学与技术专业学习，获工学学士；2007年8月—2011年4月，中国石油天然气股份有限公司，项目经理，工程师；2011年6月—2016年7月，曙光信息产业股份有限公司，项目经理，工程师；2016年7月—至今，中科瑞翼（北京）教育科技有限公司，运营总监。主要著作出版情况：《大数据导论》、《Python编程基础与应用》、《NoSQL数据库原理与应用》、《数据挖掘与机器学习》等9本系列教材，浙江科技出版社，2019年。

【目录】

第1章  机器学习概述1

1.1　机器学习简介1

1.1.1  机器学习简史1

1.1.2  机器学习主要流派3

1.2　人工智能、数据挖掘和机器学习5

1.2.1  什么是人工智能5

1.2.2  什么是数据挖掘6

1.2.3  人工智能、数据挖掘和机器学习的关系7

1.3　典型机器学习应用领域7

1.3.1  艺术创作7

1.3.2  金融领域8

1.3.3  医疗领域9

1.3.4  自然语言处理10

1.3.5  网络安全12

1.4　机器学习算法分类14

1.4.1  分类算法15

1.4.2  关联分析19

1.4.3  回归分析19

1.4.4  深度学习20

1.5　机器学习的一般流程22

第2章  机器学习的Python常用库24

2.1　Numpy简介及基础使用24

2.1.1  Numpy简介24

2.1.2  Numpy基础使用27

2.2　Pandas简介及基础使用31

2.2.1  Pandas简介31

2.2.2  Pandas自行车数据统计分析36

2.3　Matplotlib简介及基础使用42

2.3.1  Matplotlib简介42

2.3.2  Matplotlib绘图实例45

2.4　Scikit-Learn简介及基础使用52

2.4.1  Scikit-Learn安装与简介52

2.4.2  Scikit-Learn基础使用56

2.5　波士顿房价预测实验59

第3章  回归分析与应用64

3.1　回归分析问题64

3.1.1  介绍64

3.1.2  常见回归数据集66

3.2　线性回归68

3.2.1  原理与应用场景68

3.2.2  实现线性回归70

3.2.3  Python实现最小二乘法拟合直线71

3.3　岭回归和Lasso回归72

3.3.1  原理与应用场景73

3.3.2  实现岭回归75

3.3.3  实现Lasso回归76

3.4　逻辑回归76

3.4.1  原理与应用场景76

3.4.2  实现逻辑回归78

第4章  特征工程、降维与超参数调优80

4.1　特征工程80

4.1.1  缺失值处理81

4.1.2  数据的特征值化87

4.1.3  特征选择89

4.1.4  特征构建89

4.2　降维与超参数调优91

4.2.1  降维91

4.2.2  实现降维92

4.2.3  超参数调优93

第5章  分类算法与应用97

5.1　分类问题简介97

5.1.1  分类问题的流程与任务97

5.1.2  常用的分类数据集98

5.2　K近邻算法102

5.2.1  K近邻算法原理与应用场景102

5.2.2  基于K近邻算法实现分类任务103

5.2.3  使用Python实现KNN算法110

5.3　概率模型111

5.3.1  原理111

5.3.2  应用场景111

5.4　朴素贝叶斯分类112

5.4.1  原理与应用场景112

5.4.2  朴素贝叶斯算法应用115

5.5　向量空间模型115

5.5.1  原理与应用场景115

5.5.2  向量空间模型应用116

5.6　支持向量机120

5.6.1  支持向量机概述120

5.6.2  支持向量机实现分类122

5.6.3  支持向量机实现回归123

5.6.4  支持向量机异常检测123

5.6.5  过拟合问题125

5.7　集成学习129

5.7.1  集成学习概述129

5.7.2  决策树131

5.7.3  随机森林135

5.7.4  Adaboost算法137

第6章  关联规则140

6.1　关联规则的概念140

6.1.1  什么是关联规则140

6.1.2  关联规则的挖掘过程141

6.2　Apriori算法142

6.2.1  Apriori算法概念142

6.2.2  Apriori算法实现原理142

6.2.3  实现Apriori算法144

第7章  聚类算法与应用148

7.1　无监督学习问题148

7.1.1  无监督学习148

7.1.2  聚类分析的基本概念与原理149

7.1.3  常见聚类数据集150

7.2　划分聚类152

7.2.1  划分聚类概述152

7.2.2  K-Means算法152

7.2.3  sklearn中K-Means算法聚类的使用155

7.2.4  使用聚类进行图像压缩156

7.2.5  Numpy实现K-Means聚类158

7.3　层次聚类159

7.3.1  层次聚类算法159

7.3.2  使用层次聚类算法聚类161

7.4　密度聚类162

7.4.1  DBSCAN算法163

7.4.2  OPTICS算法167

7.4.3  DENCLUE算法168

7.5　聚类效果评测169

第8章  神经网络172

8.1　神经网络介绍172

8.1.1  神经元原理173

8.1.2  前馈神经网络174

8.1.3  反馈神经网络175

8.1.4  自组织神经网络176

8.2　神经网络相关概念177

8.2.1  激活函数177

8.2.2  Softmax算法与损失函数182

8.2.3  梯度下降算法185

8.2.4  学习率186

8.2.5  过拟合与欠拟合187

8.2.6  神经网络模型的评估指标189

8.3　神经网络识别MNIST手写数据集190

第9章  文本分析198

9.1　文本数据处理的相关概念198

9.2　中英文的文本数据处理方法对比199

9.2.1  中英文分词与分词粒度200

9.2.2  中英文的多种形态200

9.2.3  词性标注方法的差异201

9.2.4  句法结构分析方法201

9.3　文本数据处理分析案例202

9.3.1  使用NLTK进行文本数据分析202

9.3.2  使用jieba进行文本数据分析215

9.4　自然语言处理的应用221

第10章  图像数据分析226

10.1　图像数据226

10.2　图像数据分析方法228

10.3　图像数据分析案例230

10.3.1  PIL：Python图像处理类库应用示例230

10.3.2  Numpy图像数据分析示例235

10.3.3  SciPy图像数据分析示例238

10.3.4  Scikit-Image241

10.3.5  OpenCV246

10.4　计算机视觉的应用255

10.4.1  图像分类256

10.4.2  目标检测257

10.4.3  图像分割258

10.4.4  风格迁移260

10.4.5  图像重构260

10.4.6  超分辨率261

10.4.7  图像生成261

10.4.8  人脸图像的应用262

10.4.9  其他262

第11章  深度学习入门263

11.1　深度学习的概述263

11.2　卷积神经网络264

11.2.1  卷积神经网络简介264

11.2.2  卷积神经网络的整体结构265

11.2.3  常见的卷积神经网络267

11.3　循环神经网络276

11.3.1  RNN基本原理276

11.3.2  长短期记忆网络278

11.3.3  门限循环单元282

11.4　深度学习流行框架283

11.5　基于卷积神经网络识别手写数字的实战284

11.5.1  实验目的284

11.5.2  实验背景284

11.5.3  实验原理285

11.5.4  实验环境285

11.5.5  实验步骤285