机器学习Python版
全新正版 极速发货
￥ 86.23 5.8折 ￥ 149 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者(美)马克·E.芬纳
出版社机械工业出版社
ISBN9787111706007
出版时间2022-07
装帧平装
开本16开
定价149元
货号1202681249
上书时间2024-06-14
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
马克·E.芬纳（Mark E. Fenner）博士从1999年开始，一直从事成.人计算机和数学的教学工作，教授过的学员有大学一年级的新生，也有头发斑白的行业资深人士。在从事教学工作的同时，芬纳博士还从事机器学习、生物信息学和计算机安全方面的研究工作。芬纳博士参与的项目涉及机器学习和数值算法的设计、实现与性能调优，软件仓库的安全性分析，用户异常检测的机器学习系统，蛋白质功能的概率建模，以及生态数据和显微镜数据的分析与可视化等。芬纳博士对计算机、数学、历史和冒险运动有着深厚的兴趣。在写作、教学或者编码之余，他会骑着山地车在树林里自由地纵情驰骋，或者纵情驰骋后惬意地在游泳池边喝啤酒。芬纳博士的柔道级别为二段，同时也是一名通过认证的野外急救员。芬纳博士和他的妻子都是埃里格尼学院和匹兹堡大学的毕业生。芬纳博士拥有计算机科学博士学位。他和家人住在宾夕法尼亚州东北部，并在自己开办的公司Fenner Training and Consulting，LLC工作。
目录
译者序<br/>推荐序<br/>前言<br/>作者简介<br/>第一部分 机器学习入门<br/>第1章 机器学习概论 2<br/>1.1 欢迎来到机器学习的世界 2<br/>1.2 范围、术语、预测和数据 3<br/>1.2.1 特征 4<br/>1.2.2 目标值和预测值 5<br/>1.3 让机器开始机器学习 6<br/>1.4 学习系统举例 8<br/>1.4.1 预测类别：分类器举例 8<br/>1.4.2 预测值：回归器举例 9<br/>1.5 评估机器学习系统 10<br/>1.5.1 准确率 10<br/>1.5.2 资源消耗 11<br/>1.6 创建机器学习系统的过程 12<br/>1.7 机器学习的假设和现实 13<br/>1.8 本章参考阅读资料 15<br/>1.8.1 本书内容 15<br/>1.8.2 章节注释 16<br/>第2章 相关技术背景 18<br/>2.1 编程环境配置 18<br/>2.2 数学语言的必要性 18<br/>2.3 用于解决机器学习问题的软件 19<br/>2.4 概率 20<br/>2.4.1 基本事件 21<br/>2.4.2 独立性 22<br/>2.4.3 条件概率 23<br/>2.4.4 概率分布 24<br/>2.5 线性组合、加权和以及点积 27<br/>2.5.1 加权平均 29<br/>2.5.2 平方和 31<br/>2.5.3 误差平方和 32<br/>2.6 几何视图：空间中的点 33<br/>2.6.1 直线 33<br/>2.6.2 直线拓展 37<br/>2.7 表示法和加1技巧 41<br/>2.8 渐入佳境：突破线性和非线性 42<br/>2.9 NumPy与“数学无所不在” 45<br/>2.10 浮点数问题 49<br/>2.11 本章参考阅读资料 50<br/>2.11.1 本章小结 50<br/>2.11.2 章节注释 51<br/>第3章 预测类别：分类入门 52<br/>3.1 分类任务 52<br/>3.2 一个简单的分类数据集 53<br/>3.3 训练和测试：请勿应试教育 55<br/>3.4 评估：考试评分 58<br/>3.5 简单分类器#1：最近邻分类器、远距离关系和假设 59<br/>3.5.1 定义相似性 60<br/>3.5.2 k?-最近邻中的k 61<br/>3.5.3 答案组合 61<br/>3.5.4 k?-最近邻、参数和非参数方法 61<br/>3.5.5 建立一个k?-最近邻分类模型 62<br/>3.6 简单分类器#2：朴素贝叶斯分类器、<br/> 概率和违背承诺 64<br/>3.7 分类器的简单评估 66<br/>3.7.1 机器学习的性能 66<br/>3.7.2 分类器的资源消耗 67<br/>3.7.3 独立资源评估 73<br/>3.8 本章参考阅读资料 77<br/>3.8.1 局限性和尚未解决的问题 77<br/>3.8.2 本章小结 77<br/>3.8.3 章节注释 77<br/>3.8.4 练习题 79<br/>第4章 预测数值：回归入门 80<br/>4.1 一个简单的回归数据集 80<br/>4.2 最近邻回归和汇总统计 82<br/>4.2.1 中心度量方法：中位数和均值 83<br/>4.2.2 构建一个k?-最近邻回归模型 85<br/>4.3 线性回归和误差 86<br/>4.3.1 地面总是不平坦的：为什么需要斜坡 86<br/>4.3.2 倾斜直线 89<br/>4.3.3 执行线性回归 91<br/>4.4 优化：选择最佳答案 92<br/>4.4.1 随机猜测 92<br/>4.4.2 随机调整 93<br/>4.4.3 智能调整 94<br/>4.4.4 计算的捷径 94<br/>4.4.5 线性回归的应用 95<br/>4.5 回归器的简单评估和比较 95<br/>4.5.1 均方根误差 95<br/>4.5.2 机器学习的性能 96<br/>4.5.3 回归过程中的资源消耗 96<br/>4.6 本章参考阅读资料 98<br/>4.6.1 局限性和尚未解决的问题 98<br/>4.6.2 本章小结 99<br/>4.6.3 章节注释 99<br/>4.6.4 练习题 99<br/>第二部分 通用评估技术<br/>第5章 机器学习算法的评估和比较分析 102<br/>5.1 评估和大道至简的原则 102<br/>5.2 机器学习阶段的术语 103<br/>5.2.1 有关机器的重新讨论 104<br/>5.2.2 更规范的阐述 106<br/>5.3 过拟合和欠拟合 109<br/>5.3.1 合成数据和线性回归 109<br/>5.3.2 手动操控模型的复杂度 111<br/>5.3.3 金凤花姑娘（“恰到好处”原则）：可视化过拟合、欠拟合和“最佳拟合” 112<br/>5.3.4 简单性 115<br/>5.3.5 关于过拟合必须牢记的注意事项 116<br/>5.4 从误差到成本 116<br/>5.4.1 损失 116<br/>5.4.2 成本 117<br/>5.4.3 评分 118<br/>5.5 （重新）抽样：以少胜多 119<br/>5.5.1 交叉验证 119<br/>5.5.2 分层抽样 122<br/>5.5.3 重复的训练-测试集拆分 124<br/>5.5.4 一种更好的方法和混排 127<br/>5.5.5 留一交叉验证 131<br/>5.6 分解：将误差分解为偏差和方差 132<br/>5.6.1 数据的方差 133<br/>5.6.2 模型的方差 133<br/>5.6.3 模型的偏差 134<br/>5.6.4 结合所有的因素 134<br/>5.6.5 偏差-方差权衡示例 135<br/>5.7 图形可视化评估和比较 139<br/>5.7.1 学习曲线：到底需要多少数据 139<br/>5.7.2 复杂度曲线 141<br/>5.8 使用交叉验证比较机器学习模型 143<br/>5.9 本章参考阅读资料 144<br/>5.9.1 本章小结 144<br/>5.9.2 章节注释 144<br/>5.9.3 练习题 146<br/>第6章 评估分类器 147<br/>6.1 基线分类器 147<br/>6.2 准确率以外：分类器的其他度量指标 149<br/>6.2.1 从混淆矩阵中消除混淆 151<br/>6.2.2 错误的方式 151<br/>6.2.3 基于混淆矩阵的度量指标 152<br/>6.2.4 混淆矩阵编码 154<br/>6.2.5 处理多元类别：多元类别平均 156<br/>6.2.6 F1分数 158<br/>6.3 ROC曲线 159<br/>6.3.1 ROC模式 161<br/>6.3.2 二元分类ROC 162<br/>6.3.3 AUC：（ROC）曲线下的面积 165<br/>6.3.4 多元分类机器学习模型、“一对其他”和ROC 166<br/>6.4 多元分类的另一种方法：“一对一” 168<br/>6.4.1 “一对一”方法 168<br/>6.4.2 多元分类AUC第二部分：寻找单一值 170<br/>6.5 精确率-召回率曲线 173<br/>6.5.1 关于精确率-召回率权衡的说明 173<br/>6.5.2 构建精确率-召回率曲线 174<br/>6.6 累积响应和提升曲线 174<br/>6.7 更复杂的分类器评估：第二阶段 177<br/>6.7.1 二元分类 177<br/>6.7.2 一个新颖的多元分类问题 182<br/>6.8 本章参考阅读资料 187<br/>6.8.1 本章小结 187<br/>6.8.2 章节注释 187<br/>6.8.3 练习题 189<br/>第7章 评估回归器 190<br/>7.1 基线回归器 191<br/>7.2 回归器的其他度量指标 192<br/>7.2.1 创建自定义的评估指标 192<br/>7.2.2 其他内置的回归度量指标 193<br/>7.2.3 R2 194<br/>7.3 误差图和残差图 199<br/>7.3.1 误差图 199<br/>7.3.2 残差图 202<br/>7.4 标准化初探 205<br/>7.5 使用更复杂的方法评估回归系数：第二阶段 209<br/>7.5.1 多个度量指标的交叉验证结果 210<br/>7.5.2 交叉验证结果汇总 213<br/>7.5.3 残差 214<br/>7.6 本章参考阅读资料 216<br/>7.6.1 本章小结 216<br/>7.6.2 章节注释 216<b/>7.6.3 练习题 218<br/>第三部分 更多方法和其他技术<br/>第8章 更多分类方法 220<br/>8.1 重温分类知识 220<br/>8.2 决策树 222<br/>8.2.1 树构建算法 224<br/>8.2.2 让我们开始吧：决策树时间 227<br/>8.2.3 决策树中的偏差和方差 230<br/>8.3 支持向量分类器 230<br/>8.3.1 执行支持向量分类器 233<br/>8.3.2 SVC中的偏差和方差 236<br/>8.4 逻辑回归 238<br/>8.4.1 投注几率 239<br/>8.4.2 概率、几率和对数几率 241<br/>8.4.3 实现操作：逻辑回归版本 245<br/>8.4.4 逻辑回归：空间奇异性 247<br/>8.5 判别分析 248<br/>8.5.1 协方差 249<br/>8.5.2 方法 259<br/>8.5.3 执行判别分析 260<br/>8.6 假设、偏差和分类器 262<br/>8.7 分类器的比较：第三阶段 264<br/>8.8 本章参考阅读资料 267<br/>8.8.1 本章小结 267<br/>8.8.2 章节注释 267<br/>8.8.3 练习题 270<br/>第9章 更多回归方法 271<br/>9.1 惩罚框中的线性回归：正则化 272<br/>9.1.1 正则化回归概述 272<br/>9.1.2 执行正则化回归 276<br/>9.2 支持向量回归 277<br/>9.2.1 铰链损失 277<br/>9.2.2 从线性回归到正则化回归再到支持向量回归 280<br/>9.2.3 实践应用：支持向量回归风格 282<br/>9.3 分段常数回归 282<br/>9.3.1 实施分段常数回归器 284<br/>9.3.2 模型实现的一般说明 285<br/>9.4 回归树 287<br/>9.5 回归器比较：第三阶段 288<br/>9.6 本章参考阅读资料 291<br/>9.6.1 本章小结 291<br/>9.6.2 章节注释 291<br/>9.6.3 练习题 292<br/>第10章 手动特征工程：操作数据的乐趣和意义 293<br/>10.1 特征工程的术语和动机 293<br/>10.1.1 为什么选择特征工程 294<br/>10.1.2 何时开始特征工程 294<br/>10.1.3 特征工程是如何发生的 296<br/>10.2 特征选择和数据简化：清除垃圾 296<br/>10.3 特征缩放 297<br/>10.4 离散化 300<br/>10.5 分类编码 303<br/>10.5.1 数据的编码技术 303<br/>10.5.2 编码的另一种方式以及无截距的奇怪情况 306<br/>10.6 关系和相互作用 312<br/>10.6.1 手动特征构造 312<br/>10.6.2 相互作用 314<br/>10.6.3 使用转换器添加特征 319<br/>10.7 对输入空间和目标的相关操作 320<br/>10.7.1 对输入空间的相关操作 321<br/>10.7.2 对目标的相关操作 323<br/>10.8 本章参考阅读资料 325<br/>10.8.1 本章小结 325<br/>10.8.2 章节注释 326<br/>10.8.3 练习题 326<br/>第11章 调整超参数和管道技术 328<br/>11.1 模型、参数、超参数 329<br/>11.2 调整超参数 330<br/>11.2.1 关于计算机科学和机器学习术语的说明 331<br/>11.2.2 关于完整搜索的示例 331<br/>11.2.3 使用随机性在大海捞针 337<br/>11.3 递归的神奇世界：嵌套交叉验证 337<br/>11.3.1 重温交叉验证 338<br/>11.3.2 作为模型的网格搜索 339<br/>11.3.3 交叉验证中嵌套的交叉验证 340<br/>11.3.4 关于嵌套交叉验证的注释 341<br/>11.4 管道技术 344<br/>11.4.1 一个简单的管道 344<br/>11.4.2 更复杂的管道 346<br/>11.5 管道和调参相结合 347<br/>11.6 本章参考阅读资料 348<br/>11.6.1 本章小结 348<br/>11.6.2 章节注释 348<br/>11.6.3 练习题 349<br/>第四部分 高级主题<br/>第12章 组合机器学习模型 352<br/>12.1 集成 352<br/>12.2 投票集成 354<br/>12.3 装袋法和随机森林 355<br/>12.3.1 自举 355<br/>12.3.2 从自举到装袋法 358<br/>12.3.3 随机森林 360<br/>12.4 提升方法 362<br/>12.4.1 提升方法的核心理念 362<br/>12.4.2 提升方法实现细节 363<br/>12.5 各种树集成方法的比较 365<br/>12.6 本章参考阅读资料 368<br/>12.6.1 本章小结 368<br/>12.6.2 章节注释 368<br/>12.6.3 练习题 370<br/>第13章 提供特征工程的模型 371<br/>13.1 特征选择 373<br/>13.1.1 基于度量特征的“单步筛选”方法 374<br/>13.1.2 基于模型的特征选择 384<br/>13.1.3 将特征选择与机器学习管道相集成 387<br/>13.2 基于核的特征构造 389<br/>13.2.1 核激励因子 389<br/>13.2.2 手动核方法 394<br/>13.2.3 核方法和核选项 398<br/>13.2.4 核化支持向量分类器：支持向量机 401<br/>13.2.5 关于SVM的建议和示例 403<br/>13.3 主成分分析：一种无监督技术 404<br/>13.3.1 预热：中心化数据 405<br/>13.3.2 寻找不同的最佳线路 406<br/>13.3.3 第一次执行PCA 407<br/>13.3.4 PCA的内部原理 410<br/>13.3.5 结局：对一般PCA的评论 415<br/>13.3.6 核心PCA和流形方法 415<br/>13.4 本章参考阅读资料 419<br/>13.4.1 本章小结 419<br/>13.4.2 章节注
— 没有更多了 —
以下为对购买帮助不大的评价