机器学习基础与实践
全新正版 极速发货
￥ 23.03 5.9折 ￥ 39 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
作者杨金坤 等 编
出版社清华大学出版社
ISBN9787302571865
出版时间2021-03
装帧平装
开本16开
定价39元
货号1202309970
上书时间2024-11-26
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
"山西大学认知科学哲学方向硕士。主要从事人工智能算法方向的研究工作，具有丰富的人工智能教育类项目管理经验和高校授课经验。在CSSCI中文核心期刊《科学技术哲学研究》发表《对笛卡尔预设批判与重建》一文。
"
目录
第1章机器学习概览1
1.1人工智能技术发展史和机器学习定义1
1.2必要的基础概念3
1.3机器学习项目工作流程5
1.4机器学习任务场景6
小结与讨论8
习题8第2章特征工程方法9
2.1特征类型9
2.2特征处理10
2.3特征选择11
2.4案例1：北京房价数据特征工程12
2.4.1案例介绍12
2.4.2案例目标13
2.4.3案例拆解13
2.5案例2:泰坦尼克号乘客逃生数据特征工程16
2.5.1案例介绍16
2.5.2案例目标17
2.5.3案例拆解17
小结与讨论20
习题20第3章决策树21
3.1决策树实现过程21
3.2决策树的目标函数24
3.3案例1:鸢尾花分类26
3.3.1案例介绍26
3.3.2案例目标26
3.3.3案例拆解26
3.4案例2:信用卡欺诈预测31
3.4.1案例介绍31
3.4.2案例目标31
3.4.3案例拆解31
小结与讨论41
习题42第4章K最近邻43
4.1K最近邻实现43
4.2距离度量45
4.3案例1:O2O优惠券使用日期预测46
4.3.1案例介绍46
4.3.2案例目标46
4.3.3案例拆解47
4.4案例2:葡萄酒原产地预测52
4.4.1案例介绍52
4.4.2案例目标52
4.4.3案例拆解52
小结与讨论61
习题61第5章支持向量机62
5.1SVM建模思路62
5.2核技巧64
5.3案例1:手写数字识别69
5.3.1案例介绍69
5.3.2案例目标70
5.3.3案例拆解70
5.4案例2:地铁人流量预测71
5.4.1案例介绍71
5.4.2案例目标71
5.4.3案例拆解71
小结与讨论77
习题78第6章朴素贝叶斯79
6.1贝叶斯基础和最大后验概率79
6.2朴素贝叶斯的实现81
6.3案例1：糖尿病病情预测85
6.3.1案例介绍85
6.3.2案例目标85
6.3.3案例拆解85
6.4案例2:亚马逊消费者投诉分析91
6.4.1案例介绍91
6.4.2案例目标91
6.4.3案例拆解92
小结与讨论98
习题98第7章线性回归与逻辑回归99
7.1线性回归的实现99
7.2逻辑回归的实现100
7.3案例1：广告点击率预测101
7.3.1案例介绍101
7.3.2案例目标101
7.3.3案例拆解101
7.4案例2:波士顿房价预测105
7.4.1案例介绍105
7.4.2案例目标105
7.4.3案例拆解105
小结与讨论110
习题110第8章集成思想111
8.1随机森林111
8.2梯度提升决策树112
8.3案例1：美国居民收入预测112
8.3.1案例介绍112
8.3.2案例目标112
8.3.3案例拆解112
8.4案例2:公共自行车租赁预测120
8.4.1案例介绍120
8.4.2案例目标120
8.4.3案例拆解120
小结与讨论125
习题125第9章聚类与降维126
9.1聚类概述126
9.2KMeans算法的实现过程129
9.3案例1：蘑菇数据聚类131
9.3.1案例介绍131
9.3.2案例目标131
9.3.3案例拆解131
9.4案例2:图像数据压缩136
9.4.1案例介绍136
9.4.2案例目标136
9.4.3案例拆解136
小结与讨论138
习题138第10章神经网络方法139
10.1神经网络方法基础原理139
10.2全连接神经网络的组成139
10.3案例1:时装图像分类140
10.3.1案例介绍140
10.3.2案例目标140
10.3.3案例拆解140
10.4案例2:人脸图像识别143
10.4.1案例介绍143
10.4.2案例目标143
10.4.3案例拆解143
小结与讨论147
习题148
附录A环境问题QA149
内容摘要
人工智能是当今关注度较高的话题之一，机器学习是其重要的细分领域。本书立意成为该领域的实操性教材，在内容上通过大量案例拆分引导学生从项目中很大限度地学习机器学习各方面的基础知识。本书共分10章，大体上可以分为4部分：第1～2章为第1部分，主要介绍机器学习的基础知识（机器学习概览、特征工程方法）；第3～8章为第2部分，主要介绍有监督学习场景的经典且常用的机器学习算法及实践方法（决策树、K最近邻、支持向量机、朴素贝叶斯，线性回归与逻辑回归、集成思想）；第9章和第10章分别为第3部分和第4部分，介绍无监督学习场景常用算法（聚类与降维）和神经网络方法。本书可作为高等院校人工智能、计算机及相关专业的本科生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价