机器学习及其Python实践（微课视频版）（清华科技大讲堂丛书）

图书标准信息

• 作者 阚道宏 著
• 出版社 清华大学出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787302604068
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 408页
• 字数 618.000千字
• 丛书 清华科技大讲堂丛书

【内容简介】

本书面向研究型开发与创新能力培养，重点讲解机器学习的基本原理和前沿思想。Python是开展机器学习编程实践的主流语言，本书为常用的机器学习模型提供了完整的Python实现代码。本书在“学堂在线”网站同步开设配套慕课课程，供读者免费学习。

 

本书可作为高等学校相关专业“机器学习”“统计学习”等课程的教材，也可作为有一定基础的读者的自学参考书。

 

【目录】

 

目录

 

 

第1章机器学习导论

 

 

1.1测算房价的数学模型

 

 

1.1.1通过样本确定模型参数

 

 

1.1.2为机器学习模型编写程序

 

 

1.2随机模型及其学习算法

 

 

1.2.1最小二乘法

 

 

1.2.2极大似然估计

 

 

1.2.3回归分析方法

 

 

1.3随机变量与数学语言

 

 

1.3.1随机变量

 

 

1.3.2随机变量应用举例

 

 

1.3.3数学语言

 

 

1.4更加复杂的数学模型

 

 

1.4.1数学形式未知的模型

 

 

1.4.2多元模型

 

 

1.4.3用矩阵描述问题及算法过程

 

 

1.5机器学习问题

 

 

1.6本章习题

 

 

第2章回归分析

 

 

2.1编程环境与数据集

 

 

2.2数据集加载与预处理

 

 

2.2.1加载并浏览数据集

 

 

2.2.2缺失值与重复值

 

 

2.2.3特征选择

 

 

2.2.4非数值型特征的编码

 

 

2.2.5数值型特征的标准化

 

 

2.3模型训练与评价

 

 

2.3.1训练集与测试集

 

 

2.3.2模型训练与梯度下降法

 

 

2.3.3模型评价与k折交叉验证

 

 

2.4正则化

 

 

2.4.1正则化方法

 

 

2.4.2岭回归与超参数调优

 

 

2.4.3LASSO回归与坐标下降法

 

 

2.5非线性回归

 

 

2.5.1换元法

 

 

2.5.2逻辑斯谛回归

 

 

2.6本章习题

 

 

 

 

 

 

第3章分类问题

 

 

3.1贝叶斯分类器

 

 

3.1.1贝叶斯决策

 

 

3.1.2朴素贝叶斯与参数估计

 

 

3.1.3逻辑斯谛回归与牛顿法

 

 

3.2非贝叶斯分类器

 

 

3.2.1k近邻分类器与距离度量

 

 

3.2.2线性判别分析与特征空间

 

 

3.2.3决策树

 

 

3.3多分类问题与分类模型评价

 

 

3.3.1二分类与多分类

 

 

3.3.2分类模型的评价指标

 

 

3.3.3PR曲线与ROC曲线

 

 

3.4特征降维

 

 

3.4.1线性代数基础

 

 

3.4.2主成分分析

 

 

3.4.3线性判别分析

 

 

3.4.4非线性降维

 

 

3.5本章习题

 

 

第4章统计学习理论与支持向量机

 

 

4.1统计学习理论

 

 

4.1.1学习问题与ERM归纳原则

 

 

4.1.2ERM归纳原则一致性的充要条件

 

 

4.1.3泛化误差上界与PAC可学习

 

 

4.1.4两种机器学习的归纳原则

 

 

4.2线性可分支持向量机

 

 

4.2.1最优分类超平面与支持向量

 

 

4.2.2拉格朗日乘子法与对偶问题

 

 

4.2.3最优分类超平面求解算法

 

 

4.3非线性可分的支持向量机

 

 

4.3.1线性支持向量机

 

 

4.3.2非线性支持向量机

 

 

4.4SVM分类器及其Python实现

 

 

4.5本章习题

 

 

第5章聚类问题

 

 

5.1聚类问题的提出

 

 

5.1.1分类问题概述

 

 

5.1.2聚类问题概述

 

 

5.1.3混合概率模型及其参数估计问题

 

 

5.2EM算法

 

 

5.2.1EM算法原理

 

 

5.2.2高斯混合模型

 

 

5.2.3三硬币模型

 

 

5.3k均值聚类

 

 

5.3.1k均值聚类算法

 

 

5.3.2关于k均值聚类的讨论

 

 

5.3.3使用scikitlearn库中的k均值聚类模型

 

 

5.4密度聚类DBSCAN

 

 

5.4.1DBSCAN聚类术语

 

 

5.4.2DBSCAN聚类算法

 

 

5.4.3使用scikitlearn库中的DBSCAN聚类算法

 

 

5.5向量量化

 

 

5.5.1向量量化问题

 

 

5.5.2LBGVQ算法

 

 

5.6本章习题

 

 

第6章概率图模型与概率推理

 

 

6.1贝叶斯网

 

 

6.1.1联合概率分布及其推理

 

 

6.1.2贝叶斯网概述

 

 

6.1.3贝叶斯网的推理

 

 

6.2MCMC算法基础

 

 

6.2.1蒙特卡洛仿真

 

 

6.2.2贝叶斯网的近似推理

 

 

6.2.3马尔可夫链

 

 

6.2.4随机向量的马尔可夫链

 

 

6.3MCMC算法家族

 

 

6.3.1MCMC采样算法

 

 

6.3.2MCMC最优化算法

 

 

6.3.3MCMC互评算法

 

 

6.4隐马尔可夫模型

 

 

6.4.1HMM的形式化表示及其三个基本问题

 

 

6.4.2HMM的三个基本算法

 

 

6.4.3HMM建模与实验

 

 

6.5无向图模型

 

 

6.5.1马尔可夫随机场

 

 

6.5.2条件随机场

 

 

6.6本章习题

 

 

第7章神经网络基础

 

 

7.1神经元模型

 

 

7.1.1生物神经元与MP神经元模型

 

 

7.1.2常用激活函数

 

 

7.1.3小批量梯度下降算法

 

 

7.2神经网络

 

 

7.2.1多层前馈神经网络

 

 

7.2.2输出层的设计

 

 

7.2.3隐层的设计

 

 

7.2.4隐层与深度学习

 

 

7.3反向传播算法

 

 

7.3.1模型参数及其学习算法

 

 

7.3.2前向计算与反向求导

 

 

7.3.3反向传播算法

 

 

7.4TensorFlow机器学习框架

 

 

7.4.1TensorFlow及其安装

 

 

7.4.2TensorFlow底层接口编程

 

 

7.4.3使用TensorFlow底层接口搭建神经网络

 

 

7.5Keras高层接口建模

 

 

7.5.1从编程到装配

 

 

7.5.2使用Keras高层接口建立回归模型

 

 

7.5.3使用Keras高层接口建立分类模型

 

 

7.6本章习题

 

 

第8章深度学习

 

 

8.1卷积神经网络

 

 

8.1.1信号的特征提取

 

 

8.1.2卷积的实现细节

 

 

8.1.3卷积神经网络的基本结构

 

 

8.1.4LeNet5模型编程实战

 

 

8.2循环神经网络

 

 

8.2.1序列数据的语义特征

 

 

8.2.2RNN神经元与RNN网络层

 

 

8.2.3RNN模型编程实战

 

 

8.2.4LSTM模型

 

 

8.3自编码器

 

 

8.3.1深入理解神经网络

 

 

8.3.2自编码器及其编程实战

 

 

8.3.3变分法与KL散度

 

 

8.3.4变分自编码器

 

 

8.3.5变分自编码器编程实战

 

 

8.4生成对抗网络

 

 

8.4.1生成器的工作原理

 

 

8.4.2生成对抗网络概述

 

 

8.4.3DCGAN及其编程实战

 

 

8.4.4WGAN及其编程实战

 

 

8.5结束语

 

 

8.6本章习题

 

 

参考文献