python机器学 人工智能 (新加坡)李伟梦 新华正版
¥
34.8
5.1折
¥
68
全新
库存3件
作者(新加坡)李伟梦
出版社清华大学出版社
ISBN9787302551973
出版时间2020-06
版次1
装帧平装
开本32
页数600页
字数368千字
定价68元
货号737_9787302551973
上书时间2024-06-26
商品详情
- 品相描述:全新
-
正版特价新书
- 商品描述
-
主编:
" 随着计算能力的快速增长,大量任务都可在台式机上完成;在这样的背景下,机器学应运而生,成为当今炙手可热的话题。但初出茅庐的新手常对机器学感到十分畏惧;为给这些新手扫清障碍,python机器学采用循序渐进的方式,先讲解底层技术,然后引导读者学更的机器学。
本书首先介绍python机器学的一些基本库,包括numpy、panda和matplotlib。一旦牢固地掌握了基础知识,即可开始基于python和cikitlearn库进行机器学,深入了解各种机器学算法(如回归、聚类和分类)的底层工作。本书专门用一章的篇幅讲解如何使用azure machine learning tudio进行机器学;利用该台,开发人员不必编写代码即可开始构建机器学模型。本书后讨论如何部署供客户端应用程序使用的已构建模型。"
目录:
章 机器学简介 1
1.1 什么是机器学? 2
1.1.1 在本书中机器学将解决什么问题? 3
1.1.2 机器学算法的类型 4
1.2 可得到的工具 7
1.2.1 获取anaconda 8
1.2.2 安装anaconda 8
1.3 本章小结 17
第2章 使用numpy扩展python 19
2.1 numpy是什么? 19
2.2 创建numpy数组 20
2.3 数组索引 22
2.3.1 布尔索引 22
2.3.2 切片数组 23
2.3.3 numpy切片是一个引用 25
2.4 重塑数组 26
2.5 数组数学 27
2.5.1 点积 29
2.5.2 矩阵 30
2.5.3 累积和 31
2.5.4 numpy排序 32
2.6 数组赋值 34
2.6.1 通过引用复制 34
2.6.2 按视图复制(浅复制) 35
2.6.3 按值复制(深度复制) 37
2.7 本章小结 37
第3章 使用pandas处理表格数据 39
3.1 pandas是什么? 39
3.2 pandas series 40
3.2.1 使用指定索引创建series 41
3.2.2 访问series中的元素 41
3.2.3 指定datetime范围作为series的索引 42
3.2.4 期范围 43
3.3 pandas dataframe 44
3.3.1 创建dataframe 45
3.3.2 在dataframe中指定索引 46
3.3.3 生成dataframe的描述统计信息 47
3.3.4 从dataframe中提取 48
3.3.5 选择dataframe中的单个单元格 54
3.3.6 基于单元格值进行选择 54
3.3.7 转置dataframe 54
3.3.8 检查结果是dataframe还是series 55
3.3.9 在dataframe中排序数据 55
3.3.10 将函数应用于dataframe 57
3.3.11 在dataframe中添加和删除行和列 60
3.3.12 生成交表 63
3.4 本章小结 64
第4章 使用matplotlib显示数据 67
4.1 什么是matplotlib? 67
4.2 绘制折线图 67
4.2.1 添加标题和标签 69
4.2.2 样式 69
4.2.3 在同一图表中绘制多条线 71
4.2.4 添加图例 72
4.3 绘制柱状图 73
4.3.1 在图表中添加另一个柱状图 74
4.3.2 更改刻度标签 76
4.4 绘制饼图 77
4.4.1 分解各部分 79
4.4.2 显示自定义 79
4.4.3 旋转饼状图 80
4.4.4 显示图例 81
4.4.5 保存图表 83
4.5 绘制散点图 83
4.5.1 合并图形 84
4.5.2 子图 85
4.6 使用seaborn绘图 86
4.6.1 显示分类图 87
4.6.2 显示lmplot 89
4.6.3 显示swarmplot 90
4.7 本章小结 92
第5章 使用scikit-learn开始机器学 93
5.1 scikit-learn简介 93
5.2 获取数据集 93
5.2.1 使用scikit-learn数据集 94
5.2.2 使用kaggle数据集 97
5.2.3 使用uci机器学存储库 97
5.2.4 生成自己的数据集 97
5.3 scikit-learn入门 100
5.3.1 使用linearregression类对模型进行拟合 101
5.3.2 进行预测 101
5.3.3 绘制线回归线 102
5.3.4 得到线回归线的斜率和截距 103
5.3.5 通过计算残差方和检验模型的能 104
5.3.6 使用测试数据集评估模型 105
5.3.7 持久化模型 106
5.4 数据清理 108
5.4.1 使用nan清理行 108
5.4.2 删除重复的行 110
5.4.3 规范化列 112
5.4.4 去除异常值 113
5.5 本章小结 117
第6章 有监督的学——线回归 119
6.1 线回归的类型 119
6.2 线回归 120
6.2.1 使用boston数据集 120
6.2.2 数据清理 125
6.2.3 特征选择 126
6.2.4 多元回归 129
6.2.5 训练模型 131
6.2.6 获得截距和系数 133
6.2.7 绘制三维超面 134
6.3 多项式回归 136
6.3.1 多项式回归公式 138
6.3.2 scikit-learn中的多项式回归 138
6.3.3 理解偏差和方差 142
6.3.4 对boston数据集使用多项式多元回归 145
6.3.5 绘制三维超面 146
6.4 本章小结 149
第7章 有监督的学——使用逻辑回归进行分类 151
7.1 什么是逻辑回归? 151
7.1.1 理解概率 153
7.1.2 logit函数 153
7.1.3 sigmoid曲线 155
7.2 使用威斯康星乳腺癌诊断数据集 156
7.2.1 检查特征之间的关系 157
7.2.2 使用一个特征训练 161
7.2.3 使用所有特训练模型 164
7.3 本章小结 174
第8章 有监督的学——使用支持向量机分类 175
8.1 什么是支持向量机? 175
8.1.1 优选的可分 176
8.1.2 支持向量 177
8.1.3 超面的公式 178
8.1.4 为svm使用scikit-learn 179
8.1.5 绘制超面和边距 182
8.1.6 进行预测 183
8.2 内核的 184
8.2.1 添加第三个维度 185
8.2.2 绘制三维超面 187
8.3 内核的类型 189
8.3.1 c 193
8.3.2 径向基函数(rbf)内核 195
8.3.3 gamma 196
8.3.4 多项式内核 198
8.4 使用svm解决实际问题 199
8.5 本章小结 202
第9章 有监督的学——使用k-近邻(knn)分类 203
9.1 k-近邻是什么? 203
9.1.1 用python实现knn 204
9.1.2 为knn使用scikit-learn的kneiorsclassifier类 209
9.2 本章小结 218
0章 无监督学——使用k-means聚类 219
10.1 什么是无监督学? 219
10.1.1 使用k-means的无监督学 220
10.1.2 k-means中的聚类是如何工作的 220
10.1.3 在python中实现k-means 223
10.1.4 在scikit-learn中使用k-means 228
10.1.5 利用silhouette系数评价聚类的大小 230
10.2 使用k-means解决现实问题 234
10.2.1 导入数据 234
10.2.2 清理数据 235
10.2.3 绘制散点图 236
10.2.4 使用k-means聚类 236
10.2.5 寻找很优尺寸类 238
10.3 本章小结 239
1章 使用 azure machine learning studio 241
11.1 什么是microsoft azure machine learning studio? 241
11.1.1 以泰坦尼克号实验为例 241
11.1.2 使用microsoft azure machine learning studio 243
11.1.3 训练模型 254
11.1.4 将学模型作为web服务发布 258
11.2 本章小结 263
2章 部署机器学模型 265
12.1 部署ml 265
12.2 案例研究 266
12.2.1 加载数据 267
12.2.2 清理数据 267
12.2.3 检查特征之间的相关 269
12.2.4 绘制特征之间的相关 270
12.2.5 评估算法 273
12.2.6 训练并保存模型 275
12.3 部署模型 277
12.4 创建客户机应用程序来使用模型 279
12.5 本章小结 281
内容简介:
随着计算能力的快速增长,大量任务都可在台式机上完成;在这样的背景下,机器学应运而生,成为当今炙手可热的话题。但初出茅庐的新手常对机器学感到十分畏惧;为给这些新手扫清障碍,python机器学采用循序渐进的方式,先讲解底层技术,然后引导读者学更的机器学。 本书首先介绍python机器学的一些基本库,包括numpy、panda和matplotlib。一旦牢固地掌握了基础知识,即可开始基于python和cikit_learn库进行机器学,深入了解各种机器学算法(如回归、聚类和分类)的底层工作。本书专门用一章的篇幅讲解如何使用azure machine learning tudio进行机器学;利用该台,开发人员不必编写代码即可开始构建机器学模型。本书后讨论如何部署供客户端应用程序使用的已构建模型。
— 没有更多了 —
以下为对购买帮助不大的评价