机器学习原理及应用

图书标准信息

• 作者 吕云翔 王渌汀 袁琪 编著
• 出版社 机械工业出版社
• 出版时间 2021-08
• 版次 1
• ISBN 9787111682943
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 220页
• 字数 339千字

【内容简介】

《机器学习原理及应用》以机器学习及其算法为主题，详细介绍其理论细节与应用方法。《机器学习原理及应用》共19章，分别介绍了机器学习概述、线性回归与*大熵模型、k-近邻算法、决策树模型、朴素贝叶斯分类器、支持向量机模型、集成学习、EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法，以及8个综合项目实例。《机器学习原理及应用》重视理论与实践相结合，希望为读者提供全面而细致的学习指导。
  《机器学习原理及应用》可作为高等院校计算机科学与技术、软件工程等相关专业的教材，也适合机器学习初学者、相关行业从业人员阅读。

【目录】

前言

章机器学概述

1.1机器学的组成

1.2分类问题和回归问题

1.3监督学、半监督学和无监督学

1.4生成模型和判别模型

1.5模型评估

1.5.1训练误差和泛化误差

1.5.2过拟合和欠拟合

1.6正则化

1.7scikitlearn模块

1.7.1数据集

1.7.2模型选择

1.8题

第2章线回归及优选熵模型

2.1线回归

2.1.1一元线回归

2.1.2多元线回归

2.2广义线回归

2.2.1逻辑回归

2.2.2多分类逻辑回归

2.2.3交熵损失函数

2.3优选熵模型

2.3.1优选熵模型的导出

2.3.2优选熵模型与逻辑回归之间的关系

2.4评价指标

2.4.1混淆矩阵

2.4.2准确率

2.4.3准确率与召回率

2.4.4pr曲线

2.4.5roc曲线与auc曲线

2.5实例：基于逻辑回归实现乳腺癌预测

2.6题

第3章k近邻算法

3.1k值的选取

3.2距离的度量

3.3快速检索

3.4实例：基于k近邻实现鸢尾花分类

3.5题

第4章决策树模型

4.1特征选择

4.1.1信息增益

4.1.2信息增益比

4.2决策树生成算法cart

4.3决策树剪枝

4.3.1预剪枝

4.3.2后剪枝

4.4实例：基于决策树实现葡萄酒分类

4.5题

第5章朴素贝叶斯分类器

5.1极大似然估计

5.2朴素贝叶斯分类

5.3拉普拉斯滑

5.4朴素贝叶斯分类器的极大似然估计解释

5.5实例：基于朴素贝叶斯实现垃圾短信分类

5.6题

第6章支持向量机模型

6.1优选间隔及超面

6.2线可分支持向量机

6.3合页损失函数

6.4核

6.5二分类问题与多分类问题

6.5.1一对一

6.5.2一对多

6.5.3多对多

6.6实例：基于支持向量机实现葡萄酒分类

6.7题

第7章集成学

7.1偏差与方差

7.2bagging及森林

7.2.1bagging

7.2.2森林

7.3boosting及adaboost

7.3.1boosting

7.3.3adaboost

7.4提升树

7.4.1残差提升树

7.4.2gbdt

7.4.3xgboost

7.5stacking

7.6实例：基于梯度下降树实现波士顿房价预测

7.7题

第8章em算法及其应用

8.1jensen不等式

8.2em算法

8.3高斯混合模型

8.4隐马尔可夫模型

8.4.1计算观测概率的输出

8.4.2估计隐马尔可夫模型的参数

8.4.3隐变量序列预测

8.5实例：基于高斯混合模型实现鸢尾花分类

8.6题

第9章降维算法

9.1主成分分析

9.1.1方差即协方差的无偏估计

9.1.2实例：基于主成分分析实现鸢尾花数据降维

9.2奇异值分解

9.2.1奇异值分解的构造

9.2.2奇异值分解用于数据压缩

9.2.3svd与pca的关系

9.2.4奇异值分解的几何解释

9.2.5实例：基于奇异值分解实现图片压缩

9.3题

0章聚类算法

10.1距离度量

10.1.1闵可夫斯基距离

10.1.2余弦相似度

10.1.3马氏距离

10.1.4汉明距离

10.2层次聚类

10.3kmeans聚类

10.4kmedoids聚类

10.5dbscan

10.6实例：基于kmeans实现鸢尾花聚类

10.7题

1章神经网络与深度学

11.1神经元模型

11.2多层感知机

11.3损失函数

11.4反向传播算法

11.4.1梯度下降法

11.4.2梯度消失及梯度爆炸

11.积神经网络

11.5.1卷积

11.5.2池化

11.5.3网络架构

11.6循环神经网络

11.7生成对抗网络

11.8图卷积神经网络

11.9深度学发展

11.10实例：基于卷积神经网络实现手写数字识别

11.10.1minst数据集

11.10.2基于卷积神经网络的手写数字识别

11.11题

2章案例1：基于回归问题、xgboost的房价预测

12.1xgboost模型介绍

12.2技术方案

12.2.1数据分析

12.2.2xgboost模型参数

12.2.3调参过程

12.3完整代码及结果展示

3章案例2：影评数据分析与电影

13.1明确目标与数据准备

13.2工具选择

13.3初步分析

13.3.1用户角度分析

13.3.2电影角度分析

13.4电影

4章案例3：汽车贷款违约的数据分析

14.1数据分析常用的python工具库

14.2数据样本分析

14.2.1数据样本概述

14.2.2变量类型分析

14.2.3python代码实践

14.3数据分析的预处理

14.3.1目标变量探索

14.3.2x变量初步探索

14.3.3连续变量的缺失值处理

14.3.4分类变量的缺失值处理

14.4数据分析的模型建立与模型评估

14.4.1数据的预处理与训练集划分

14.4.2采用回归模型进行数据分析

14.4.3采用决策树模型进行数据分析

14.4.4采用森林模型优化决策树模型

5章案例4：基于knn模型预测葡萄酒种类的数据分析与可视化

15.1knn模型的初级构建

15.2使用专业工具包构建knn模型

15.3数据可视化

6章案例5：使用keras进行人脸关键点检测

16.1深度学模型

16.1.1数据集获取

16.1.2卷积神经网络的搭建与训练

16.2模型评价

16.3训练历史可视化

7章案例6：股价预测

17.1使用tsfresh进行升维和特征工程

17.2程序设计思路

17.3程序设计步骤

17.3.1读入数据，分析数据

17.3.2移窗

17.3.3升维

17.3.4方差过滤

17.3.5使用adaboost模型进行回归预测

17.3.6预测结果分析

8章案例7：用户流失预警

18.1读入数据

18.2数据预处理

18.3五折交验证

18.4代入三种模型

18.5调整prob阈值，输出精度评估

9章案例8：机器人很优路径走迷宫

19.1关键技术

19.1.1马尔科夫决策过程

19.1.2bellman方程

19.2程序设计步骤

19.2.1初始化迷宫地图

19.2.2计算不同位置很优路径

参文献