消息 首页 搜索 举报
  • 机器学习实践：基于Python进行数据分析
21年品牌 40万+商家 超1.5亿件商品

机器学习实践：基于Python进行数据分析

①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。

￥ 101 7.3折 ￥ 139 全新

仅1件

浙江嘉兴
认证卖家担保交易快速发货售后保障

作者阿卜杜勒哈密特·苏巴西（沙）

出版社机械工业出版社

ISBN9787111698180

出版时间2022-01

装帧平装

开本16开

定价139元

货号31344910

上书时间2024-10-12

倒爷图书专营店

三年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
前言

 
 
 
 

目录
译者序<br/>前言<br/>致谢<br/>第1章　简介1<br/>1.1　什么是机器学习1<br/>1.1.1　为什么需要使用机器学习2<br/>1.1.2　做出数据驱动决策3<br/>1.1.3　定义以及关键术语4<br/>1.1.4　机器学习的关键任务6<br/>1.1.5　机器学习技术6<br/>1.2　机器学习框架6<br/>1.2.1　数据收集7<br/>1.2.2　数据描述7<br/>1.2.3　探索性数据分析7<br/>1.2.4　数据质量分析8<br/>1.2.5　数据准备8<br/>1.2.6　数据集成8<br/>1.2.7　数据整理8<br/>1.2.8　特征缩放和特征提取9<br/>1.2.9　特征选择及降维9<br/>1.2.10　建模9<br/>1.2.11　选择建模技术9<br/>1.2.12　构建模型10<br/>1.2.13　模型评估及调优10<br/>1.2.14　实现以及检验已经创建的模型10<br/>1.2.15　监督学习框架11<br/>1.2.16　无监督学习框架11<br/>1.3　性能评估12<br/>1.3.1　混淆矩阵13<br/>1.3.2　F值分析14<br/>1.3.3　ROC分析15<br/>1.3.4　Kappa统计量15<br/>1.3.5　度量了什么16<br/>1.3.6　如何度量17<br/>1.3.7　如何解释估计17<br/>1.3.8　scikit-learn中的k折交叉验证18<br/>1.3.9　如何选择正确的算法18<br/>1.4　Python机器学习环境18<br/>1.4.1　缺陷20<br/>1.4.2　缺点20<br/>1.4.3　NumPy库20<br/>1.4.4　Pandas20<br/>1.5　本章小结21<br/>1.6　参考文献22<br/>第2章　数据预处理23<br/>2.1　简介23<br/>2.2　特征提取和转换24<br/>2.2.1　特征类型24<br/>2.2.2　统计特征25<br/>2.2.3　结构化特征27<br/>2.2.4　特征转换28<br/>2.2.5　阈值化和离散化28<br/>2.2.6　数据操作28<br/>2.2.7　标准化29<br/>2.2.8　归一化和校准33<br/>2.2.9　不完整的特征34<br/>2.2.10　特征提取的方法36<br/>2.2.11　使用小波变换进行特征提取38<br/>2.3　降维45<br/>2.3.1　特征构造和选择47<br/>2.3.2　单变量特征选择48<br/>2.3.3　递归式特征消除51<br/>2.3.4　从模型选择特征52<br/>2.3.5　主成分分析53<br/>2.3.6　增量PCA57<br/>2.3.7　核PCA58<br/>2.3.8　邻近成分分析59<br/>2.3.9　独立成分分析61<br/>2.3.10　线性判别分析65<br/>2.3.11　熵67<br/>2.4　基于聚类的特征提取和降维68<br/>2.5　参考文献75<br/>第3章　机器学习技术77<br/>3.1　简介77<br/>3.2　什么是机器学习78<br/>3.2.1　理解机器学习78<br/>3.2.2　如何让机器学习78<br/>3.2.3　多学科领域79<br/>3.2.4　机器学习问题80<br/>3.2.5　机器学习的目标80<br/>3.2.6　机器学习的挑战81<br/>3.3　Python库81<br/>3.3.1　scikit-learn81<br/>3.3.2　TensorFlow83<br/>3.3.3　Keras84<br/>3.3.4　使用Keras构建模型84<br/>3.3.5　自然语言工具包85<br/>3.4　学习场景87<br/>3.5　监督学习算法88<br/>3.5.1　分类89<br/>3.5.2　预报、预测和回归90<br/>3.5.3　线性模型90<br/>3.5.4　感知机98<br/>3.5.5　逻辑回归100<br/>3.5.6　线性判别分析102<br/>3.5.7　人工神经网络105<br/>3.5.8　 k近邻109<br/>3.5.9　支持向量机113<br/>3.5.10　决策树分类器118<br/>3.5.11　朴素贝叶斯123<br/>3.5.12　集成学习126<br/>3.5.13　bagging算法127<br/>3.5.14　随机森林131<br/>3.5.15　boosting算法136<br/>3.5.16　其他集成方法146<br/>3.5.17　深度学习151<br/>3.5.18　深度神经网络152<br/>3.5.19　循环神经网络155<br/>3.5.20　自编码器157<br/>3.5.21　长短期记忆网络157<br/>3.5.22　卷积神经网络160<br/>3.6　无监督学习162<br/>3.6.1　k均值算法163<br/>3.6.2　轮廓系数165<br/>3.6.3　异常检测167<br/>3.6.4　关联规则挖掘170<br/>3.7　强化学习170<br/>3.8　基于实例的学习171<br/>3.9　本章小结171<br/>3.10　参考文献172<br/>第4章　医疗保健分类示例174<br/>4.1　简介174<br/>4.2　脑电图信号分析175<br/>4.2.1　癫痫症的预测和检测176<br/>4.2.2　情绪识别194<br/>4.2.3　局灶性和非局灶性癫痫EEG信号的分类201<br/>4.2.4　偏头痛检测212<br/>4.3　EMG信号分析217<br/>4.3.1　神经肌肉疾病的诊断218<br/>4.3.2　假体控制中的EMG信号225<br/>4.3.3　康复机器人中的EMG信号232<br/>4.4　心电图信号分析238<br/>4.5　人类活动识别247<br/>4.5.1　基于传感器的人类活动识别248<br/>4.5.2　基于智能手机的人类活动识别250<br/>4.6　用于癌症检测的微阵列基因表达数据分类256<br/>4.7　乳腺癌检测257<br/>4.8　预测胎儿风险的心电图数据分类260<br/>4.9　糖尿病检测263<br/>4.10　心脏病检测267<br/>4.11　慢性肾脏病的诊断270<br/>4.12　本章小结273<br/>4.13　参考文献273<br/>第5章　其他分类示例277<br/>5.1　入侵检测277<br/>5.2　钓鱼网站检测280<br/>5.3　垃圾邮件检测283<br/>5.4　信用评分287<br/>5.5　信用卡欺诈检测290<br/>5.6　使用CNN进行手写数字识别297<br/>5.7　使用CNN进行Fashion-MNIST图像分类306<br/>5.8　使用CNN进行CIFAR图像分类313<br/>5.9　文本分类321<br/>5.10　本章小结334<br/>5.11　参考文献334<br/>第6章　回归示例337<br/>6.1　简介337<br/>6.2　股票市场价格指数收益预测338<br/>6.3　通货膨胀预测356<br/>6.4　电力负荷预测358<br/>6.5　风速预测365<br/>6.6　旅游需求预测370<br/>6.7　房价预测380<br/>6.8　单车使用情况预测395<br/>6.9　本章小结399<br/>6.10　参考文献400<br/>第7章　聚类示例402<br/>7.1　简介402<br/>7.2　聚类403<br/>7.2.1　评估聚类输出404<br/>7.2.2　聚类分析的应用404<br/>7.2.3　可能的聚类数405<br/>7.2.4　聚类算法种类405<br/>7.3　k均值聚类算法406<br/>7.4　k中心点聚类算法408<br/>7.5　层次聚类409<br/>7.5.1　聚集聚类算法409<br/>7.5.2　分裂聚类算法412<br/>7.6　模糊c均值聚类算法416<br/>7.7　基于密度的聚类算法418<br/>7.7.1　DBSCAN算法418<br/>7.7.2　OPTICS聚类算法420<br/>7.8　基于期望最大化的混合高斯模型聚类算法423<br/>7.9　贝叶斯聚类426<br/>7.10　轮廓分析428<br/>7.11　基于聚类的图像分割430<br/>7.12　基于聚类的特征提取433<br/>7.13　基于聚类的分类439<br/>7.14　本章小结442<br/>7.15　参考文献442

内容摘要
本书是一本创建真实世界智能系统的问题解决指南。提供了一种包含概念、实践、实际示例和代码示例的综合方法，教给读者理解和解决机器学习不同问题所需的重要技能。通过介绍Python机器学习生态系统中的真实案例研究，教授成为一个成功的实践者所必需的机器学习技术。本书还侧重于机器学习的基础知识，以解决不同领域的真实世界案例，包括生物医学信号分析、医疗保健、安全、经济和金融。此外，它涵盖了广泛的机器学习模型，包括回归、分类和预测。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP