Python机器学习：原理与实践
￥ 16 2.3折 ￥ 69 九五品
仅1件
北京通州
认证卖家担保交易快速发货售后保障
作者薛薇
出版社中国人民大学出版社
ISBN9787300287317
出版时间2021-01
版次1
装帧平装
开本16开
纸张胶版纸
定价69元
上书时间2024-05-11
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:Python机器学习：原理与实践
定价：69.00元
作者:薛薇
出版社：中国人民大学出版社
出版日期：2021-01-01
ISBN：9787300287317
字数：
页码：
版次：
装帧：平装
开本：
商品重量：
编辑推荐
内容提要
目录
章 机器学习与Python 概述1.1 机器学习与人工智能1.1.1 符号主义人工智能1.1.2 基于机器学习的人工智能1.2 机器学习能做什么1.2.1 机器学习的学习对象: 数据集1.2.2 机器学习的任务1.3 Python 实践课: 初识Python1.3.1 实践一: Python 和Anaconda1.3.2 实践二: Python 第三方包的引用1.3.3 实践三: 学习Python 的NumPy 包1.3.4 实践四: 学习Python 的Pandas 包1.3.5 实践五: 学习Python 的Matplotlib 包1.3.6 实践六: 了解Python 的Scikit-learn 包附录第2章数据预测中的相关问题2.1 数据预测与预测建模2.1.1 预测模型2.1.2 预测模型的几何理解2.1.3 预测模型参数估计的基本策略2.2 预测模型的评价2.2.1 模型误差的评价指标2.2.2 模型的图形化评价工具2.2.3 泛化误差的估计方法2.2.4 数据集的划分策略2.3 预测模型的选择问题2.3.1 几个重要观点2.3.2 模型过拟合2.3.3 预测模型的偏差和方差2.4 Python 实践课: 加深理论理解，探索应用实践2.4.1 实践一: 预测模型中的一般线性回归模型和Logistic 回归模型2.4.2 实践二: 预测模型的评价指标和图形化评价工具2.4.3 实践三: 不同复杂度模型下的训练误差和测试误差2.4.4 实践四: 数据集划分以及测试误差估计2.4.5 实践五: 模型的过拟合以及偏差和方差附录第3章 数据预测建模: 贝叶斯分类器3.1 贝叶斯概率和贝叶斯法则3.1.1 贝叶斯概率3.1.2 贝叶斯法则3.2 贝叶斯和朴素贝叶斯分类器3.2.1 贝叶斯和朴素贝叶斯分类器的一般内容3.2.2 贝叶斯分类器的先验分布3.3 贝叶斯分类器的分类边界3.4 Python 实践课: 加深理论理解，探索应用实践3.4.1 实践一: 探索不同参数下的贝塔分布特点3.4.2 实践二: 绘制贝叶斯分类器的分类边界3.4.3 实践三: 二分类的空气污染预测3.4.4 实践四: 多分类的文本分类预测附录第4章 数据预测建模: 近邻分析4.1 近邻分析: K-近邻法4.1.1 距离: K-近邻法的近邻度量4.1.2 参数K: 1-近邻法还是K-近邻法4.2 基于观测相似性的加权K-近邻法4.2.1 加权K-近邻法的权重4.2.2 加权K-近邻法的预测4.2.3 加权K-近邻法的分类边界4.3 K-近邻法的适用性4.4 Python 实践课: 加深理论理解，探索应用实践4.4.1 实践一: K-近邻法不同参数K下的分类边界4.4.2 实践二: 探讨加权K-近邻法中不同核函数的特点4.4.3 实践三: 加权K{近邻法不同参数和加权策略下的分类边界4.4.4 实践三: 空气质量等级预测中的参数K 4.4.5 K-近邻法的回归预测问题附录第5章 数据预测建模: 决策树5.1 决策树的核心问题5.1.1 什么是决策树5.1.2 分类树的分类边界5.1.3 回归树的回归平面5.1.4 决策树的生长和剪枝5.2 分类回归树的生长5.2.1 分类树中的异质性度量5.2.2 回归树中的异质性度量5.3 分类回归树的剪枝5.3.1 代价复杂度和代价复杂度5.3.2 分类回归树的剪枝过程5.4 Python 实践课: 加深理论理解，探索应用实践5.4.1 实践一: 回归树的回归面5.4.2 实践二: 不同树深度下分类树的分类边界5.4.3 实践三: 分类树中的基尼系数和熵5.4.4 实践四: 空气质量等级的分类预测5.4.5 实践五: 回归树和过拟合附录第6章 数据预测建模: 集成学习6.1 集成学习的一般问题6.1.1 集成学习: 解决高方差问题6.1.2 集成学习: 从弱模型到强模型6.2 基于重抽样自举法的集成学习6.
作者介绍
薛薇，中国人民大学统计学院副教授，中国人民大学应用统计科学研究中心研究员。所撰写著作曾获“十二五”普通高等教育本科国家级规划教材、北京市高等教育精品教材。主要开设课程包括机器学习，统计分析软件等。研究方向为机器学习与深度学习算法及应用研究。
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价