Python机器学习核心算法编程实例
全新正版 极速发货
￥ 30.3 3.9折 ￥ 78 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者编者:丁伟雄|责编:陈韦凯
出版社电子工业
ISBN9787121382475
出版时间2019-12
装帧其他
开本其他
定价78元
货号30828378
上书时间2024-06-03
商品详情
- 品相描述：全新
- 商品描述
-
目录
目 录
第1章 机器学习绪论1
1.1 机器学习的定义1
1.1.1 绪论1
1.1.2 机器学习发展历程2
1.1.3 机器学习算法的分类3
1.2 学习算法4
1.2.1 监督学习4
1.2.2 无监督学习5
1.3 机器学习应用程序的步骤6
1.4 Python语言7
1.4.1 Python的风格7
1.4.2 Python的优势7
1.4.3 Python语言的缺点8
1.5 Python的环境搭建9
1.5.1 安装10
1.5.2 使用pip安装第三方库13
1.6 NumPy函数库基础14
1.7 Python的基础知识16
1.7.1 数和表达式16
1.7.2 Python的标识符18
1.7.3 Python的保留字符19
1.7.4 行和缩进19
1.7.5 多行语句20
1.7.6 Python引号20
1.7.7 Python空行20
1.7.8 同一行显示多条语句20
1.7.9 Print输出21
第2章 线性模型22
2.1 一般线性回归23
2.1.1 线性回归公式表示法23
2.1.2 线性回归的Python实现25
2.2 局部加权线性回归27
2.3 广义线性模型30
2.4 逻辑回归分析36
2.5 牛顿法40
2.5.1 基本牛顿法的原理40
2.5.2 基本牛顿法的流程40
2.5.3 全局牛顿法40
2.5.4 Armijo搜索42
2.5.5 全局牛顿法求解线性回归模型42
2.6 缩减法43
2.6.1 岭回归44
2.6.2 lasso回归46
2.7 利用线性回归进行预测47
2.7.1 训练线性回归模型47
2.7.2 对新数据的预测49
第3章 树回归51
3.1 构建决策树的准备工作52
3.1.1 特征选择52
3.1.2 决策树的生成和修剪60
3.2 Matplotlib注释绘制树形图60
3.3 使用决策树执行分类67
3.4 决策树的存储71
3.5 Sklearn使用决策树预测隐形眼镜类型73
3.5.1 实战背景73
3.5.2 使用Sklearn构建决策树73
3.6 复杂数据的局部性建模80
3.7 连续型和离散型特征的树构建81
3.8 分类回归树82
3.8.1 构建树83
3.8.2 剪枝85
3.8.3 模型树87
3.8.4 分类回归的Python实现88
第4章 K-means聚类算法92
4.1 K-means聚类算法的概述92
4.2 相似性的度量93
4.2.1 闵可夫斯基距离93
4.2.2 曼哈顿距离93
4.2.3 欧氏距离93
4.3 K-means聚类算法的原理94
4.3.1 K-means聚类算法的步骤94
4.3.2 K-means算法与矩阵分解95
4.3.3 K-means聚类算法的实现96
4.4 K-近邻算法104
4.5 各种聚类算法107
4.5.1 划分聚类法107
4.5.2 层次聚类法108
4.5.3 密度聚类法111
4.5.4 谱聚类法116
4.5.5 Birch聚类119
4.5.6 混合高斯模型121
4.6 K-means++算法122
4.6.1 K-means算法存在的问题122
4.6.2 K-means++算法的思路123
第5章 朴素贝叶斯127
5.1 朴素贝叶斯理论127
5.1.1 贝叶斯决策理论127
5.1.2 条件概率128
5.1.3 全概率公式128
5.1.4 贝叶斯推断129
5.1.5 朴素贝叶斯推断130
5.2 朴素贝叶斯算法131
5.3 朴素贝叶斯算法的优缺点140
第6章 数据降维141
6.1 维度灾难与降维141
6.2 高维数据降维的方法141
6.2.1 线性降维142
6.2.2 非线性降维146
6.2.3 SVD降维153
6.2.4 流形学习降维159
6.2.5 多维缩放降维166
第7章 支持向量机170
7.1 支持向量机概述170
7.2 分类间隔171
7.2.1 函数间距172
7.2.2 几何间距173
7.3 拉格朗日乘子175
7.3.1 拉格朗日对偶性175
7.3.2 优化间隔分类器176
7.4 核函数178
7.4.1 核函数的选择180
7.4.2 松弛向量与软间隔最大化180
7.5 SOM算法181
7.5.1 坐标上升算法182
7.5.2 SOM182
7.6 SVM的优缺点185
7.7 SVM的Python实现185
第8章 随机森林192
8.1 什么是随机森林192
8.2 集成学习192
8.2.1 集成学习的思想193
8.2.2 集成学习中的典型方法193
8.3 Stacking194
8.3.1 Stacking的基本思想194
8.3.2 Stacking的实现195
8.4 随机森林算法198
8.4.1 随机森林的特点198
8.4.2 随机森林算法流程199
8.5 随机森林算法实践201
8.6 美国人口普查年收入50k分类207
8.6.1 数据预处理208
8.6.2 模型训练及验证212
第9章 人工神经网络217
9.1 感知机模型217
9.1.1 感知机的定义217
9.1.2 感知机的学习策略218
9.1.3 感知机学习算法218
9.1.4 感知机的Python实现226
9.2 从感知机到神经网络236
9.3 多层前馈神经网络238
9.3.1 BP网络算法241
9.3.2 BP神经网络的学习过程244
9.3.3 BP神经网络中参数的设置249
9.4 神经网络的Python实现253
第10章 协同过滤算法272
10.1 协同过滤的核心272
10.2 协同过滤的分类272
10.3 相似性的度量方法273
10.3.1 欧氏距离273
10.3.2 皮尔逊相关系数273
10.3.3 余弦相似度274
10.3.4 用Python实现余弦相似度的计算274
10.4 基于用户的协同过滤算法275
10.4.1 基于物品的协同过滤算法275
10.4.2 基于矩阵分解的协同过滤算法276
10.4.3 Python实现276
10.5 基于项的协同过滤算法280
10.6 利用协同过滤算法进行推荐281
10.6.1 导入用户-商品数据281
10.6.2 利用基于用户的协同过滤算法进行推荐282
10.6.3 利用基于项的协同过滤算法进行推荐283
第11章 基于矩阵分解的推荐算法285
11.1 矩阵分解285
11.2 利用矩阵分解进行预测286
11.2.1 损失函数286
11.2.2 损失函数的求解286
11.2.3 加入正则项的损失函数即求解方法286
11.2.4 预测288
11.2.5 程序实现289
11.3 非负矩阵分解291
11.3.1 非负矩阵分解的形式定义291
11.3.2 损失函数291
11.3.3 优化问题的求解292
11.3.4 利用乘法规则进行分解和预测294
11.4 基于矩阵分解的推荐方法295
11.4.1 LFM法295
11.4.2 SVD法298
11.4.3 SVD++法300
第12章 集成学习304
12.1 集成学习的原理及误差304
12.2 集成学习方法305
12.2.1 Boosting算法305
12.2.2 AdaBoost算法305
12.2.3 AdaBoost与加法模型309
12.2.4 提升树310
12.2.5 Bagging算法313
12.2.6 误差-分歧分解314
12.2.7 多样性增强315
12.2.8 Stacking算法316
12.3 Python实现317
第13章 数据预处理322
13.1 数据预处理概述322
13.1.1 为什么要对数据进行预处理322
13.1.2 数据预处理的主要任务323
13.2 去除唯一属性323
13.3 处理缺失值324
13.3.1 直接使用324
13.3.2 删除特征324
13.3.3 缺失值补全324
13.3.4 数据清理328
13.3.5 特征编码330
13.3.6 数据标准化331
13.3.7 正则化332
13.3.8 特征选择333
13.3.9 稀疏表示和字典学习335
13.4 Python实现337
参考文献352
内容摘要
在大数据时代背景下，机器学习是人工智能研究领域中一个极其重要的方向，本书是一本机器学习方面的入门读物，注重理论与实践相结合，书中以Python3.6.5为编写平台，共分13章，主要包括机器学习绪论、线性模型、树回归、K-means聚类算法、朴素贝叶斯、数据降维、支持向量机、随机森林、人工神经网络、协同过滤算法、基于矩阵分解的推荐算法、集成学习、数据预处理等内容。通过本书的学习，除使读者轻松掌握Python外，还能利用Python简单、快捷地解决各种机器学习问题。本书适合Python初学者，也适合研究Python的广大科研人员、学者、工程技术人员。
— 没有更多了 —
以下为对购买帮助不大的评价