Python无监督学习
全新正版 极速发货
¥
47.43
6.0折
¥
79
全新
仅1件
作者(德)朱塞佩·博纳科尔索
出版社人民邮电出版社
ISBN9787115540720
出版时间2020-09
装帧平装
开本16开
定价79元
货号1202120527
上书时间2024-09-05
商品详情
- 品相描述:全新
- 商品描述
-
作者简介
朱塞佩·博纳科尔索,(Giuseppe Bonaccorso)拥有12年机器学习和大数据方面的经验。他拥有意大利卡塔尼亚大学电子工程专业工程学硕士学位,然后在意大利罗马第二大学、英国埃塞克斯大学深造过。在他的职业生涯中,担任过公共管理、军事、公用事业、医疗保健、诊断和广告等多个业务领域的IT工程师,使用Java、Python, Hadoop, Spark, Theano和TensorFlow等多种技术进行过项目开发与管理。他的主要研究兴趣包括人工智能、机器学习、数据科学等。
目录
章无监督学习入门1
1.1技术要求1
1.2为什么需要机器学习2
1.2.1描述性分析3
1.2.2诊断性分析4
1.2.3预测性分析4
1.2.4规范性分析7
1.3机器学习算法的类型7
1.3.1有监督学习算法8
1.3.2无监督学习算法11
1.3.3半监督学习算法16
1.3.4强化学习算法17
1.4为什么用Python进行数据科学和机器学习18
1.5总结19
1.6问题19
第2章聚类基础知识20
2.1技术要求20
2.2聚类介绍21
2.3K-means26
2.4威斯康星州乳腺癌数据集分析27
2.5评估指标33
2.5.1最小化惯性33
2.5.2轮廓分数38
2.5.3完整性分数40
2.5.4同质性分数42
2.5.5调整后的相互信息分数43
2.5.6调整后的兰德分数44
2.5.7列联矩阵45
2.6K-近邻46
2.7向量量化50
2.8总结56
2.9问题57
第3章不错聚类58
3.1技术要求58
3.2谱聚类59
3.3均值漂移63
3.4DBSCAN67
3.4.1Calinski-Harabasz分数69
3.4.2使用DBSCAN分析工作数据集中的缺勤率69
3.4.3聚类不稳定性作为性能指标76
3.5K-medoids79
3.6联机聚类83
3.6.1Mini-batchK-means83
3.6.2BIRCH84
3.6.3Mini-batchK-means与BIRCH的比较86
3.7总结89
3.8问题90
第4章实操中的层次聚类91
4.1技术要求91
4.2聚类层次结构92
4.3凝聚聚类93
4.3.1单一链和完整链94
4.3.2平均链95
4.3.3Ward链96
4.4树状图分析96
4.5同表型相关性系数作为一种性能指标101
4.6水处理厂数据集的凝聚聚类103
4.7连通性约束109
4.8总结113
4.9问题113
第5章软聚类和高斯混合模型115
5.1技术要求115
5.2软聚类116
5.3Fuzzyc-means117
5.4高斯混合121
5.4.1高斯混合的EM算法123
5.4.2用AIC和BIC方法评估高斯混合的性能129
5.4.3贝叶斯高斯混合选择成分131
5.4.4生成高斯混合135
5.5总结139
5.6问题140
第6章异常检测141
6.1技术要求141
6.2概率密度函数142
6.2.1作为异常值或新值的异常143
6.2.2数据集结构144
6.3直方图145
6.4核密度估计148
6.4.1高斯内核148
6.4.2Epanechnikov内核149
6.4.3指数内核150
6.4.4均匀/Tophat内核151
6.4.5估计密度151
6.5应用异常检测156
6.6单类支持向量机164
6.7基于孤立森林的异常检测168
6.8总结172
6.9问题173
第7章降维与分量分析175
7.1技术要求175
7.2主成分分析176
7.2.1具有奇异值分解的PCA178
7.2.2具有MNIST数据集的PCA181
7.2.3基于内核的主成分分析183
7.2.4通过因子分析增加异方差噪声的强壮性186
7.2.5稀疏主成分分析与字典学习188
7.2.6非负矩阵分解190
7.3独立成分分析193
7.4具有潜在Dirichlet分配的主题建模197
7.5总结202
7.6问题202
第8章无监督神经网络模型204
8.1技术要求204
8.2自编码器205
8.2.1深度卷积自编码器示例206
8.2.2去噪自编码器211
8.2.3稀疏自编码器213
8.2.4变分自编码器215
8.3基于赫布的主成分分析221
8.3.1Sanger网络221
8.3.2Rubner-Tavan网络226
8.4无监督的深度置信网络230
8.4.1受限玻尔兹曼机231
8.4.2深度置信网络232
8.4.3无监督DBN示例233
8.5总结235
8.6问题236
第9章生成式对抗网络和自组织映射237
9.1技术要求237
9.2生成式对抗网络238
9.2.1GAN分析240
9.2.2深度卷积GAN示例242
9.2.3WassersteinGAN251
9.3自组织映射260
9.4总结265
9.5问题266
0章问题解答267
10.1章267
10.2第2章268
10.3第3章268
10.4第4章269
10.5第5章269
10.6第6章270
10.7第7章271
10.8第8章271
10.9第9章272
内容摘要
机器学习是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。无监督学习是机器学习中的一种学习方式,是数据科学的一个重要分支,常用于数据挖掘领域,通过构建模型来为业务决策提供依据。
本书通过Python语言讲解无监督学习,全书内容包括10章,前面9章由浅入深地讲解了无监督学习的基础知识、聚类的基础知识、不错聚类、层次聚类、软聚类和高斯混合模型、异常检测、降维和分量分析、无监督神经网络模型、生成式对抗网络和自组织映射,0章以问题解答的形式对前面9章涉及的问题给出了解决方案。
本书适合数据科学家、机器学习从业者和普通的软件开发人员阅读,通过学习本书介绍的无监督学习理论和Python编程方法,读者能够在业务实践中获得有价值的参考。
主编推荐
1.无监督学习是数据科学中一个重要的分支,常用于数据挖掘领域,是个有趣的热点话题;
2.本书通过Python语言讲解无监督学习,基于python图书的优势,更容易被读者接受;
3.实战导向,为读者提供可以立即使用和可供评估的不同方法,构建高效且实用的解决方案;
4.作者是机器学习领域的专家,曾参与了不同业务环境下的解决方案设计、管理和交付。
— 没有更多了 —
以下为对购买帮助不大的评价