Python机器学习

图书标准信息

• 作者 赵涓涓、强彦 著
• 出版社 机械工业出版社
• 出版时间 2019-07
• 版次 1
• ISBN 9787111630524
• 定价 69.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 230页

【内容简介】

本书以案例驱动的方式讲解机器学习算法的知识点，并以Python语言作为基础开发语言实现算法，包括目前机器学习主流算法的原理、算法流程图、算法的详细设计步骤、算法实例、算法应用、算法的改进与优化等环节。 

全书共分 17 章，前两章介绍机器学习与 Python 语言的相关基础知识，后面各章以案例的方式分别介绍线性回归算法、逻辑回归算法、K *近邻算法、PCA 降维算法、k-means算法、支持向量机算法、AdaBoost算法、决策树算法、高斯混合模型算法、随机森林算法、朴素贝叶斯算法、隐马尔可夫模型算法、BP 神经网络算法、卷积神经网络算法、递归神经网络算法。 

本书适合作为高等院校人工智能、大数据、计算机科学、软件工程等相关专业本科生和研究生有关课程的教材，也适用于各种计算机编程、人工智能学习认证体系，还可供广大人工智能领域技术人员参考。

【作者简介】

强彦，太原理工大学信息与计算机学院副院长，教授，博士生导师。中国计算机学会理事，中国计算机学会杰出会员。主要从事智能信息处理、模式识别、影像大数据、人工智能等方面的科研与教学工作。主讲教育部国家精品视频公开课“面向对象的编程思想概览”，在爱课程、网易公开课、中国大学MOOC平台等众多教学平台上都有呈现，受众百万。出版高校教材15部，重量规划教材3部，译著2部，2017年获山西省教学成果奖一等奖、山西省“五一劳动奖章”、山西省高校“很美教师”称号。

【目录】

前言 

第1章　机器学习基础 1 

1.1　引论 1 

1.2　何谓机器学习 2 

1.2.1　概述 2 

1.2.2　引例 2 

1.3　机器学习中的常用算法 4 

1.3.1　按照学习方式划分 4 

1.3.2　按照算法相似性划分 7 

1.4　本章小结 14 

1.5　本章习题 14 

第2章　Python与数据科学 15 

2.1　Python概述 15 

2.2　Python与数据科学的关系 16 

2.3　Python中常用的第三方库 16 

2.3.1　NumPy 16 

2.3.2　SciPy 17 

2.3.3　Pandas 17 

2.3.4　Matplotlib 18 

2.3.5　Scikit-learn 18 

2.4　编译环境 18 

2.4.1　Anaconda 19 

2.4.2　Jupyter Notebook 21 

2.5　本章小结 23 

2.6　本章习题 24 

第3章　线性回归算法 25 

3.1　算法概述 25 

3.2　算法流程 25 

3.3　算法步骤 26 

3.4　算法实例 30 

3.5　算法应用 32 

3.6　算法的改进与优化 34 

3.7　本章小结 34 

3.8　本章习题 34 

第4章　逻辑回归算法 37 

4.1　算法概述 37 

4.2　算法流程 38 

4.3　算法步骤 38 

4.4　算法实例 40 

4.5　算法应用 45 

4.6　算法的改进与优化 49 

4.7　本章小结 49 

4.8　本章习题 49 

第5章　K最近邻算法 51 

5.1　算法概述 51 

5.2　算法流程 52 

5.3　算法步骤 52 

5.4　算法实例 53 

5.5　算法应用 54 

5.6　算法的改进与优化 57 

5.7　本章小结 58 

5.8　本章习题 58 

第6章　PCA降维算法 59 

6.1　算法概述 59 

6.2　算法流程 60 

6.3　算法步骤 60 

6.3.1　内积与投影 60 

6.3.2　方差 62 

6.3.3　协方差 62 

6.3.4　协方差矩阵 63 

6.3.5　协方差矩阵对角化 63 

6.4　算法实例 65 

6.5　算法应用 67 

6.6　算法的改进与优化 68 

6.7　本章小结 68 

6.8　本章习题 69 

第7章　k-means算法 70 

7.1　算法概述 70 

7.2　算法流程 70 

7.3　算法步骤 71 

7.3.1　距离度量 71 

7.3.2　算法核心思想 72 

7.3.3　初始聚类中心的选择 73 

7.3.4　簇类个数k的调整 73 

7.3.5　算法特点 74 

7.4　算法实例 75 

7.5　算法应用 77 

7.6　算法的改进与优化 81 

7.7　本章小结 81 

7.8　本章习题 82 

第8章　支持向量机算法 84 

8.1　算法概述 84 

8.2　算法流程 85 

8.2.1　线性可分支持向量机 85 

8.2.2　非线性支持向量机 85 

8.3　算法步骤 85 

8.3.1　线性分类 85 

8.3.2　函数间隔与几何间隔 87 

8.3.3　对偶方法求解 88 

8.3.4　非线性支持向量机与核函数 90 

8.4　算法实例 93 

8.5　算法应用 95 

8.6　算法的改进与优化 100 

8.7　本章小结 101 

8.8　本章习题 101 

第9章　AdaBoost算法 102 

9.1　算法概述 102 

9.2　算法流程 102 

9.3　算法步骤 103 

9.4　算法实例 105 

9.5　算法应用 106 

9.6　算法的改进与优化 109 

9.7　本章小结 110 

9.8　本章习题 110 

第10章　决策树算法 112 

10.1　算法概述 112 

10.2　算法流程 113 

10.3　算法步骤 113 

10.3.1　两个重要概念 113 

10.3.2　实现步骤 115 

10.4　算法实例 115 

10.5　算法应用 118 

10.6　算法的改进与优化 119 

10.7　本章小结 120 

10.8　本章习题 120 

第11章　高斯混合模型算法 121 

11.1　算法概述 121 

11.2　算法流程 121 

11.3　算法步骤 122 

11.3.1　构建高斯混合模型 122 

11.3.2　EM算法估计模型参数 123 

11.4　算法实例 125 

11.5　算法应用 127 

11.6　算法的改进与优化 129 

11.7　本章小结 130 

11.8　本章习题 130 

第12章　随机森林算法 132 

12.1　算法概述 132 

12.2　算法流程 133 

12.3　算法步骤 134 

12.3.1　构建数据集 134 

12.3.2　基于数据集构建分类器 134 

12.3.3　投票组合得到最终结果并分析 135 

12.4　算法实例 136 

12.5　算法应用 140 

12.6　算法的改进与优化 142 

12.7　本章小结 143 

12.8　本章习题 143 

第13章　朴素贝叶斯算法 145 

13.1　算法概述 145 

13.2　算法流程 145 

13.3　算法步骤 146 

13.4　算法实例 148 

13.5　算法应用 149 

13.6　算法的改进与优化 151 

13.7　本章小结 152 

13.8　本章习题 152 

第14章　隐马尔可夫模型算法 154 

14.1　算法概述 154 

14.2　算法流程 154 

14.3　算法步骤 155 

14.4　算法实例 156 

14.5　算法应用 159 

14.6　算法的改进与优化 165 

14.7　本章小结 166 

14.8　本章习题 166 

第15章　BP神经网络算法 167 

15.1　算法概述 167 

15.2　算法流程 167 

15.3　算法步骤 168 

15.4　算法实例 170 

15.5　算法应用 174 

15.6　算法的改进与优化 176 

15.7　本章小结 177 

15.8　本章习题 177 

第16章　卷积神经网络算法 179 

16.1　算法概述 179 

16.2　算法流程 179 

16.3　算法步骤 180 

16.3.1　向前传播阶段 181 

16.3.2　向后传播阶段 183 

16.4　算法实例 184 

16.5　算法应用 188 

16.6　算法的改进与优化 193 

16.7　本章小结 194 

16.8　本章习题 194 

第17章　递归神经网络算法 196 

17.1　算法概述 196 

17.2　算法流程 197 

17.3　算法步骤 198 

17.4　算法实例 200 

17.5　算法应用 204 

17.6　算法的改进与优化 207 

17.7　本章小结 208 

17.8　本章习题 208 

课后习题答案 210 

参考文献 231