Python机器学习及实践/人工智能科学与技术丛书【正版新书】
正版新书出版社直发可开发票，支持7天无理由
￥ 54 6.8折 ￥ 79 全新
库存4件
江苏无锡
认证卖家担保交易快速发货售后保障
作者编者:梁佩莹|责编:刘星//李晔
出版社清华大学
ISBN9787302539735
出版时间2020-05
装帧其他
开本其他
定价79元
货号30872247
上书时间2024-07-08
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
导语摘要
《Python机器学习及实践》内容由浅入深，既有原理介绍，又有实战操作，使读者在实践中掌握相关知识，并为解决问题提供详细的方法。
《Python机器学习及实践》具有超强的实用性，实例丰富，书中给出了80多个实例让读者理解概念、原理和算法。
《Python机器学习及实践》以理论与实践相结合为出发点，介绍Python机器学习的相关内容，即使没有机器学习基础的读者也可以快速上手。
目录
第1章 机器学习的基础知识
1.1 何谓机器学习
1.1.1 传感器和海量数据
1.1.2 机器学习的重要性
1.1.3 机器学习的表现
1.1.4 机器学习的主要任务
1.1.5 选择合适的算法
1.1.6 机器学习程序的步骤
1.2 综合分类
1.3 推荐系统和深度学习
1.3.1 推荐系统
1.3.2 深度学习
1.4 何为Python
1.4.1 使用Python软件的由来
1.4.2 为什么使用Python
1.4.3 Python设计定位
1.4.4 Python的优缺点
1.4.5 Python的应用
1.5 Python编程第一步
1.6 NumPy函数库基础
1.7 Python迭代器与生成器
1.7.1 迭代器
1.7.2 生成器
1.8 多线程
1.8.1 学习Python线程
1.8.2 线程模块
1.8.3 线程同步
1.8.4 线程优先级队列(Queue)
1.9 小结
1.10 习题
第2章 Python近邻法
2.1 k近邻法的三要素
2.1.1 k值选择
2.1.2 距离度量
2.1.3 分类决策规则
2.2 k近邻法
2.3 kd树
2.3.1 什么是kd树
2.3.2 如何构建kd树
2.3.3 如何在kd树中搜索
2.4 Python实现kd树、k近邻法
2.5 小结
2.6 习题
第3章 Python数据降维
3.1 维度灾难与降维
3.2 主成分分析
3.2.1 PCA原理
3.2.2 PCA算法
3.2.3 PCA降维的两个准则
3.3 SVD降维
内容摘要
Python是目前比较热门的编程语言，以简单易学、应用广泛、类库强大而著称，是实现机器学习算法的首选语言。本书以Python3.6.5为编写平台，以帮助读者快速上手、理论与实践相结合为出发点，介绍Python机器学习的相关内容。全书共10章，分别介绍了机器学习的基础知识、近邻法、数据降维、分类算法、回归算法、聚类算法、神经网络、推荐算法、频繁项集、数据预处理。通过本书的学习，读者可了解Python编程及在机器学习中的应用。
本书可作为对Python和机器学习感兴趣的初学者的参考书，也可作为从事Python开发的广大科研人员、学者、工程技术人员的参考书，还可作为高等院校人工智能、计算机等相关专业的教材。
精彩内容
第3章CHAPTER3Python数据降维伴随ICT(通信与信息技术)和互联网技术的不断发展，人们收集和获得数据的能力越来越强。而这些数据已呈现出维数高、规模大和结构复杂等特点。
人们想利用这些大数据(维数大、规模大、复杂大)，挖掘其中有意义的知识和内容以指导实际生产和具体应用，数据的降维就显得尤为重要了。数据降维又称为维数约简。顾名思义，就是降低数据的维数。为什么要
降低数据的维数？如何有效地降低数据的维数？由此问题引发了广泛的研究和应用。
数据降维，一方面可以解决“维数灾难”，缓解“信息丰富、知识贫乏”现状，降低复杂度；另一方面可以更好地认识和理解数据。
截止到目前，数据降维的方法很多。从不同的角度入手可以有着不同的分类，主要分类方法有：根据数据的特性可以划分为线性降维和非线性降维，根据是否考虑和利用数据的监督信息可以划分为无监督降维、有监督降维和半监督降维，根据保持数据的结构可以划分为全局保持降维、局部保持降维和全局与局部保持一致降维等。
总之，数据降维意义重大，数据降维方法众多，很多时候需要根据特定问题选用合适的数据降维方法。数据降维是机器学习领域中非常重要的内容。
3.1维度灾难与降维1.维度灾难维度灾难(curseofdimensionality)用来描述当(数学)空间维度增加时，分析和组织高维空间(通常有成百上千维)，因体积指数增加而遇到各种问题场景。
在机器学习中，维度灾难常指以下问题：在高维情况下，数据样本稀疏。
例如，k近邻法的讨论中经常涉及维度灾难，是因为k近邻法基于一个重要的基本假设：任意样本附近任意小的距离内总能找到一个训练样本，即训练样本的采样密度足够大，也称为“密采样”，才能保证分类性能；当特征维度很大时，满足密采样的样本数量会呈指数级增长，大到几乎无法达到。
在高维情况下，涉及距离、内积的计算变得困难。
其实，不仅是k近邻，其他机器学习算法几乎都会遇到维度灾难的问题。
2.降维缓解维度灾难的一个重要途径就是降维。
1)为什么能够进行降维这是因为很多时候，数据是高维的，但是与学习任务(分类、回归等)密切相关的仅是某个低维分布，即高维空间中的某个低维难嵌入。因此，很多情况下，高维空间中的样本点，在低维嵌入子空间中更容易学习。
2)线性降维一般来说，想获得低维子空间，最简单的方法是对
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价