消息 首页 搜索 举报
  • 机器学习基础 肖睿 人民邮电出版
21年品牌 40万+商家 超1.5亿件商品

机器学习基础 肖睿 人民邮电出版

二手图书默认不配有光盘、小册子、答案、视频、激活码等附件无法使用。

￥ 20.4 3.4折 ￥ 59.8 八五品

库存200件

江西南昌
认证卖家担保交易快速发货售后保障

作者肖睿,段小手,刘世军,万文兵,王刚... 著

出版社人民邮电出版社

ISBN9787115562814

出版时间2021-07

装帧平装

开本16开

定价59.8元

货号9787115562814

上书时间2024-08-07

白云图书
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：八五品
商品描述
商品简介

近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学

和计算机科学知识的情况下，能够快速上手，使用 Python 语言实现常用的机器学习算法，并解决一些实际的问题，我们策划并出版本书。

本书共 14 章，内容涵盖基本的机器学习概念和环境搭建，目前各个领域中的热门算法，以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门，在动手实践的过程中找到乐趣。

本书可以作为各大院校人工智能相关专业的教材，也可以作为培训机构的教材，还适合人工智能技术爱好者自学使用。



作者简介

肖睿，课工场创始人，北京教育学博士，北京软件学院特约讲师，北京学习科学实验室特约顾问。作为北大青鸟 Aptech 的联合创始人，历任学术总监、研究院院长、公司副总裁等核心岗位，拥有20多年的IT职业教育产品管理和企业管理经验。于2015年创办课工场，兼任总经理，旨在为生提供更可靠的 IT 就业教育及服务。



目录
第1章 机器学习概述21

技能目标21

本章任务21

任务1.1：了解机器学习的基本概念22

1.1.1什么是机器学习22

1.1.2机器学习的起源与发展23

任务1.2：了解机器学习的应用场景25

1.2.1机器学习技术在日常生活中的应用25

1.2.2机器学习技术在不同行业中的应用28

任务1.3：了解机器学习的学习路径30

1.3.1学习机器学习的先决条件30

1.3.2开启你的“海绵模式”32

1.3.3开始动手实践33

任务1.4：掌握机器学习的先导知识概念34

本章小结36

本章习题

第2章 机器学习工具安装与使用38

技能目标38

本章任务38

任务2.1：Anaconda的安装与使用39

2.1.1下载安装Anaconda39

2.1.2Jupyter Notebook的使用41

任务2.2：pandas和可视化工具的基本使用45

2.2.1pandas的基本使用45

2.2.2数据可视化工具的基本使用48

任务2.3：掌握scikit-learn的基本操作51

2.3.1.使用scikit-learn加载并检查数据51

2.3.2.使用scikit-learn训练模型并评估54

2.3.3.保存和载入训练好的模型文件56

本章小结57

本章习题

第3章 线性模型59

技能目标59

本章任务59

任务3.1：掌握线性模型的基本概念和线性回归的使用60

3.1.1线性模型的基本概念60

3.1.2线性回归模型的使用62

任务3.2：掌握岭回归的原理及使用66

3.2.1岭回归的原理67

3.2.2岭回归的使用69

任务3.3：掌握套索回归的原理及使用73

3.3.1套索回归的原理73

3.3.2套索回归的参数调节74

任务3.4：了解逻辑回归与线性支持向量机76

3.4.1逻辑回归与线性支持向量机简介77

3.4.2训练逻辑回归模型并预测77

3.4.3训练线性支持向量机模型并预测79

本章小结80

本章习题

第4章 决策树和随机森林81

技能目标81

本章任务81

任务4.1：初步掌握决策树算法82

4.1.1什么是决策树算法82

4.1.2决策树的基本使用方法83

4.1.3决策树中的max_depth参数85

4.1.4决策树的模型展现91

4.1.5决策树的优势与不足92

任务4.2：初步掌握随机森林算法93

4.2.1什么是随机森林算法93

4.2.2随机森林算法中的参数解释94

4.2.3随机森林与决策树模型的差异95

4.2.4随机森林的优势与不足96

任务4.3：使用决策树与随机森林实战练习97

4.3.1下载数据集并载入97

4.3.2了解数据集的特征98

4.3.3使用数据集训练决策树与随机森林99

本章小结102

本章习题

第5章 支持向量机103

技能目标103

本章任务103

任务5.1：理解支持向量机的基本原理104

5.1.1“线性不可分”的数据集104

5.1.2将数据投射到高维空间105

5.1.3“不线性”的支持向量机106

任务5.2：理解支持向量机的核函数和gamma参数108

5.2.1支持向量机的RBF内核108

5.2.2不同内核的支持向量机对比110

5.2.3gamma参数对模型的影响112

5.2.4支持向量机中的C参数114

5.2.5支持向量机的优势与不足116

任务5.3：使用支持向量机算法进行实战练习116

5.3.1数据集准备与初步了解116

5.3.2探索性数据分析119

5.3.3初步训练支持向量机模型121

5.3.4对数据进行预处理并重新训练模型123

本章小结127

本章习题

第6章 朴素贝叶斯128

技能目标128

本章任务128

任务6.1：了解朴素贝叶斯的基本原理和使用128

6.1.1朴素贝叶斯算法的基本原理129

6.1.2朴素贝叶斯用法示例130

任务6.2：了解不同朴素贝叶斯变体的差异131

6.2.1伯努利朴素贝叶斯的不足132

6.2.2用高斯朴素贝叶斯替代伯努利朴素贝叶斯133

6.2.3多项式朴素贝叶斯简介134

任务6.3：掌握朴素贝叶斯的实际应用135

6.3.1获取数据集并检查135

6.3.2数据预处理与模型训练136

6.3.3样本数量对朴素贝叶斯模型的影响138

本章小结140

本章习题

第7章 K最近邻算法141

技能目标141

本章任务141

任务7.1：了解K最近邻算法142

7.1.1K最近邻算法的简介及原理142

任务7.2：掌握K最近邻算法在分类任务中的应用144

7.2.1K最近邻算法在二元分类任务中的应用145

7.2.2K最近邻算法处理多元分类任务148

任务7.3：掌握K最近邻算法在回归分析中的应用151

7.3.1掌握K最近邻算法在回归分析中的应用151

任务7.4：使用K最近邻算法实战练习155

7.4.1对数据集进行分析155

7.4.2生成训练集和验证集158

7.4.3使用K最近邻算法进行建模并调优160

7.4.4使用模型对新样本进行预测164

本章小结166

本章习题

第8章 神经网络167

技能目标167

本章任务167

任务8.1：了解神经网络的起源与发展168

8.1.1了解神经网络的起源169

8.1.2了解神经网络的发展170

任务8.2：掌握神经网络的原理172

8.2.1了解神经网络的原理172

任务8.3：掌握神经网络中的激活函数175

8.3.1了解激活函数175

8.3.2使用激活函数176

任务8.4：掌握神经网络中的参数调节178

8.4.1分析数据集并展现178

8.4.2参数调节182

任务8.5：使用神经网络解决实际问题187

8.5.1分析fashion-mnist数据集187

8.5.2训练MLP神经网络190

8.5.3使用模型进行图片识别190

本章小结192

本章习题

第9章 聚类194

技能目标194

本章任务194

任务9.1：了解聚类算法的原理与用途195

9.1.1了解聚类算法的原理195

9.1.2了解聚类算法的用途197

17/305任务9.2：掌握K均值算法的原理和使用198

9.2.1了解K均值算法的原理199

9.2.2使用K均值算法进行简单聚类分析200

任务9.3：掌握DBSCAN算法的原理和使用203

9.3.1了解DBSCAN算法的原理203

9.3.2使用DBSCAN算法进行简单聚类分析205

任务9.4：使用聚类算法解决实际问题211

9.4.1对数据集进行分析212

9.4.2使用K均值算法进行聚类分析214

本章小结221

本章习题

第10章 数据降维、特征提取与流形学习222

技能目标222

本章任务222

任务10.1：使用PCA主成分分析进行数据降维223

10.1.1PCA主成分分析介绍223

10.1.2使用PCA降维以便进行可视化226

10.1.3PCA主成分与原始特征的关系227

任务10.2：使用PCA中的数据白化功能进行特征提取229

10.2.1使用人脸识别数据集进行实验229

10.2.2使用PCA进行特征提取232

10.2.3特征提取对于模型准确率的影响234

任务10.3：使用t-SNE对数据降维并进行可视化235

10.3.1t-SNE简介235

10.3.2使用PCA降维作为Baseline236

10.3.3使用t-SNE降维并进行可视化239

本章小结241

本章习题

第11章 模型选择、优化及评估242

技能目标242

本章任务242

任务11.1：掌握交叉验证方法对模型进行评估243

11.1.1交叉验证法简介243

11.1.2K-折叠交叉验证法243

11.1.3随机拆分和留一交叉验证法246

任务11.2：掌握网格搜索法寻找模型的很优参数248

11.2.1了解及使用简单网格搜索248

11.2.2与交叉验证结合的网格搜索250

任务11.3：掌握模型的不同评价标准253

11.3.1分类模型的评价标准253

11.3.2使用R平方分数评估回归模型255

本章小结258

本章习题

第12章 数据预处理与特征选择259

技能目标259

本章任务259

任务12.1：掌握常用的数据标准化方法260

12.1.1使用StandardScaler进行数据预处理260

12.1.2使用MinMaxScaler进行数据标准化处理262

12.1.3使用Normalizer进行数据标准化处理264

12.1.4使用RobustScaler进行数据标准化处理265

任务12.2：掌握常用的数据表达方法267

12.2.1虚拟变量267

12.2.2数据分箱269

任务12.3：掌握常用的特征选择方法274

12.3.1单变量统计274

12.3.2基于模型的特征选择278

12.3.3迭代特征选择279

本章小结280

本章习题

第13章 处理文本数据282

技能目标282

本章任务282

任务13.1：掌握文本数据的特征提取、汉语分词和词包模型283

13.1.1基于计数向量器的文本特征提取283

13.1.2对汉语文本进行分词处理285

13.1.3使用词包模型将文本转换为数组286

任务13.2：文本数据的进一步优化处理287

13.2.1默认参数下词包模型的问题287

13.2.2调整n_Gram参数重新建立模型288

任务13.3：使用真实数据进行实战练习290

13.3.1载入数据集并查看特征290

13.3.2文本数据预处理291

13.3.3使用“朴素贝叶斯”算法训练模型294

13.3.4使用模型判断消费者评论295

本章小结296

本章习题

第14章 未来职业发展前景与方向298

技能目标298

本章任务298

任务：了解数据科学家的职业发展298

14.1.1数据科学家的养成298

14.1.2在实践中提高技能301

14.1.3未来的学习方向303

本章小结305

本章习题

内容摘要
近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学和计算机科学知识的情况下，能够快速上手，使用Python语言实现常用的机器学习算法，并解决一些实际的问题，我们策划并出版本书。本书共14章，内容涵盖基本的机器学习概念和环境搭建，目前各个领域中的热门算法，以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门，在动手实践的过程中找到乐趣。本书可以作为各大院校人工智能相关专业的教材，也可以作为培训机构的教材，还适合人工智能技术爱好者自学使用。

主编推荐
1.以操作实践为学习的切入点，而不是直接切入理论讲解。
2.以任务为驱动，贯穿知识内容。
3.充分考虑学习者的认知曲线，由浅入深，边讲边练边切入理论知识。
4.通过项目实训训练技能的综合使用能力。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP