机器学习原理与Python编程实践
全新正版 假一赔十 可开发票
￥ 55.49 7.0折 ￥ 79 全新
仅1件
北京东城
认证卖家担保交易快速发货售后保障
作者袁梅宇
出版社清华大学出版社
ISBN9787302570646
出版时间2021-03
装帧平装
开本16开
定价79元
货号1202318139
上书时间2024-09-17
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
袁梅宇，北航工学博士，硕士导师，现在昆明理工大学计算机系任教。为本科生和研究生主讲Java程序设计、Java EE技术、数据库原理、人工智能、Dot Net技术等核心课程，参加过863 CIMS Net建设、中欧合作项目DRAGON和多项国家基金和省基金项目，作者公开发表论文十余篇，软件著作权（颁证）六项。作者专著有《Java EE企业级编程开发实例详解》、《数据挖掘与机器学习——WEKA应用技术与实践》（版、第二版）、《求精要诀——Java EE编程开发案例精讲》、《机器学习基础原理、算法与实践》。
目录
章 机器学习介绍1
1.1 机器学习简介2
1.1.1 什么是机器学习2
1.1.2 机器学习与日常生活3
1.1.3 如何学习机器学习4
1.1.4 Python的优势5
1.2 基本概念6
1.2.1 机器学习的种类6
1.2.2 有监督学习6
1.2.3 无监督学习7
1.2.4 机器学习的术语8
1.2.5 预处理9
1.3 Numpy数据格式10
1.3.1 标称数据10
1.3.2 序数数据11
1.3.3 分类数据11
1.4 示例数据集12
1.4.1 天气问题12
1.4.2 鸢尾花14
1.4.3 其他数据集15
1.5 了解你的数据16
习题20
第2章 线性回归21
2.1 从一个实际例子说起22
2.1.1 模型定义23
2.1.2 模型假设23
2.1.3 模型评估24
2.2 最小二乘法25
2.2.1 最小二乘法求解参数25
2.2.2 用最小二乘法来拟合奥运会数据26
2.2.3 预测比赛结果27
2.3 梯度下降28
2.3.1 基本思路28
2.3.2 梯度下降算法29
2.3.3 梯度下降求解线性回归问题31
2.4 多变量线性回归33
2.4.1 多变量线性回归问题33
2.4.2 多变量梯度下降35
2.4.3 随机梯度下降38
2.4.4 小批量梯度下降41
2.4.5 正规方程43
2.5 多项式回归45
2.5.1 多项式回归算法45
2.5.2 正则化48
习题51
第3章 逻辑回归53
3.1 逻辑回归介绍54
3.1.1 线性回归用于分类54
3.1.2 假设函数55
3.1.3 决策边界56
3.2 逻辑回归算法58
3.2.1 代价函数58
3.2.2 梯度下降算法59
3.2.3 SciPy优化函数61
3.2.4 多项式逻辑回归63
3.3 多元分类65
3.3.1 一对多65
3.3.2 一对一68
3.3.3 Softmax回归70
习题73
第4章 贝叶斯分类器75
4.1 简介76
4.1.1 概述76
4.1.2 判别模型和生成模型76
4.1.3 极大似然估计77
4.2 高斯判别分析80
4.2.1 多元高斯分布80
4.2.2 高斯判别模型81
4.3 朴素贝叶斯84
4.3.1 朴素贝叶斯算法84
4.3.2 文本分类89
习题95
第5章 模型评估与选择97
5.1 简介98
5.1.1 训练误差与泛化误差98
5.1.2 偏差和方差99
5.2 评估方法100
5.2.1 训练集、验证集和测试集划分101
5.2.2 交叉验证102
5.3 性能度量105
5.3.1 常用性能度量105
5.3.2 查准率和查全率107
5.3.3 ROC和AUC108
5.4 偏差与方差折中110
5.4.1 偏差方差诊断111
5.4.2 正则化与偏差和方差112
5.4.3 学习曲线113
习题114
第6章 K-均值算法和EM算法117
6.1 聚类分析118
6.1.1 K-means算法118
6.1.2 K-means算法的应用121
6.1.3 注意事项122
6.2 EM算法124
6.2.1 基本EM算法124
6.2.2 EM算法的一般形式125
6.2.3 混合高斯模型128
习题134
第7章 决策树137
7.1 决策树介绍138
7.2 ID3算法139
7.2.1 信息熵139
7.2.2 信息增益计算示例139
7.2.3 ID3算法描述144
7.2.4 ID3算法实现146
7.3 C4.5算法147
7.3.1 基本概念147
7.3.2 剪枝处理151
7.3.3 C4.5算法描述153
7.3.4 C4.5算法实现155
7.4 CART算法157
7.4.1 CART算法介绍157
7.4.2 CART算法描述160
7.4.3 CART算法实现162
习题163
第8章 神经网络165
8.1 神经网络介绍166
8.1.1 从一个实例说起166
8.1.2 神经元167
8.1.3 神经网络结构169
8.1.4 简化的神经网络模型171
8.1.5 细节说明175
8.2 神经网络学习176
8.2.1 代价函数176
8.2.2 BP算法177
8.2.3 BP算法实现180
8.3 神经网络实现186
8.3.1 MNIST神经网络实现186
8.3.2 逻辑异或的神经网络实现188
习题189
第9章 隐马尔科夫模型191
9.1 隐马尔科夫模型基本概念192
9.1.1 离散马尔科夫过程192
9.1.2 扩展至隐马尔科夫模型194
9.1.3 HMM的组成和序列生成197
9.1.4 三个基本问题199
9.2 求解HMM三个基本问题200
9.2.1 评估问题200
9.2.2 解码问题205
9.2.3 学习问题208
习题214
0章 支持向量机215
10.1 支持向量机介绍216
10.2 优选间隔超平面216
10.2.1 SVM问题的形式化描述217
10.2.2 函数间隔和几何间隔218
10.2.3 最优间隔分类器219
10.2.4 使用优化软件求解SVM221
10.3 对偶算法222
10.3.1 SVM对偶问题222
10.3.2 使用优化软件求解对偶SVM225
10.4 非线性支持向量机226
10.4.1 核技巧227
10.4.2 常用核函数228
10.5 软间隔支持向量机231
10.5.1 动机及原问题231
10.5.2 对偶问题232
10.5.3 使用优化软件求解软间隔对偶SVM234
10.6 SMO算法236
10.6.1 SMO算法描述236
10.6.2 简化SMO算法实现239
10.7 LibSVM244
10.7.1 LibSVM的安装245
10.7.2 LibSVM函数246
10.7.3 LibSVM实践指南248
习题251
1章 推荐系统253
11.1 推荐系统介绍254
11.1.1 什么是推荐系统254
11.1.2 数据集描述255
11.1.3 推荐系统符号256
11.2 基于用户的协同过滤256
11.2.1 相似性度量257
11.2.2 算法描述259
11.2.3 算法实现260
11.3 基于物品的协同过滤261
11.3.1 调整余弦相似度和预测261
11.3.2 Slope One算法描述 与实现263
11.4 基于内容的协同过滤算法与实现267
11.4.1 算法描述267
11.4.2 算法实现270
习题271
2章 主成分分析273
12.1 主成分分析介绍274
12.2 本征值与奇异值分解275
12.2.1 本征值分解275
12.2.2 奇异值分解276
12.3 PCA算法描述276
12.3.1 PCA算法276
12.3.2 从压缩表示中重建278
12.3.3 确定主成分数量278
12.4 PCA实现279
12.4.1 假想实例279
12.4.2 MNIST实例284
习题286
3章 集成学习289
13.1 集成学习介绍290
13.1.1 集成学习简介290
13.1.2 个体学习器291
13.1.3 集成学习的基本原理291
13.1.4 融合个体学习器的方法293
13.2 装袋294
13.2.1 装袋算法描述295
13.2.2 装袋算法实现296
13.3 提升297
13.3.1 提升算法描述297
13.3.2 AdaBoost算法实现300
13.4 随机森林301
13.4.1 随机森林算法描述302
13.4.2 随机森林算法实现303
习题305
附录1 符号表306
附录2 习题参考答案307
参考文献334
内容摘要
《机器学习原理与Python编程实践》讲述机器学习的基本原理，使用Python和Numpy实现涉及的各种机器学习算法。通过理论学习和实践操作，使读者了解并掌握机器学习的基本原理和技能，拉近理论与实践的距离。全书共分为13章，主要内容包括：机器学习介绍、线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值算法和EM算法、决策树、神经网络、隐马尔科夫模型、支持向量机、推荐系统、主成分分析、集成学习。全书源码全部在Python 3.7上调试成功，每章都附有习题和习题参考答案，供读者参考。
《机器学习原理与Python编程实践》系统讲解了机器学习的常用核心算法和Python编程实践，内容全面、实例丰富、可操作性强，做到理论与实践相结合。本书适合机器学习爱好者作为入门和提高的技术参考书，也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。
主编推荐
"初学者学习机器学习课程一般都会面临两大障碍。大障碍是数学基础。机器学习要求有数学基础，书中大量的公式是初学者的噩梦，尤其是对于已经离开大学走向工作岗位的爱好者来说，从头开始去学习和理解数据分布和模型背后的数学原理需要花费很多的时间和精力，学习周期很好漫长。第二大障碍是编程实践。并不是所有人都擅长编代码，而只有亲手用代码实现机器学习的各种算法，亲眼见到算法解决了实际问题，才能更深入理解算法。除非想做高精尖的前沿研究，理论研究和公式推导并非大多数人的专长，如果只是想更合理地应用机器学习来解决实际问题，掌握必需的数学知识就可以理解问题该如何解决，使用Python编程实现机器学习算法也比使用C++或Java等语言容易得多。
本书就是为了让初学者顺利入门而设计的。首先，本书只讲述机器学习常用算法的基本原理，并不追求各种算法大而全地简略罗列，学习并深入理解这些精挑细选的算法后，能够了解基本的机器学习算法，使用适合的算法来解决实际问题。其次，本书使用Python 3.7+Numpy来实现常用的机器学习算法，读者能亲眼看见算法的工作过程和结果，可加深对抽象公式和算法的理解，逐步掌握机器学习的基本原理和编程技能，拉近理论与实践的距离。再次，每章都附有习题和习题参考答案，其中，一部分习题是为了帮助读者理解正文内容而设置的，另一部分习题是为了降低正文中的数学要求，将一些必要但枯燥的公式推导放在习题中，供读者有选择性地学习。"
— 没有更多了 —
以下为对购买帮助不大的评价