人工智能数学基础与Python机器学习实战:从推公式到做开发9787301324820
正版图书，可开发票，请放心购买。
￥ 49.55 6.3折 ￥ 79 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者刘润森
出版社北京大学出版社有限公司
ISBN9787301324820
出版时间2020-01
装帧平装
开本16开
定价79元
货号11307259
上书时间2024-12-02
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
刘润森，CSDN博客专家，熟悉PyTorch、TensorFlow等深度学习框架，对计算机视觉、机器学习和深度学习有深入研究，目前担任AI算法工程师，从事民航目标识别和检测的工作。
目录
第1章 走进机器学习的世界 1.1 机器学习概述 1.1.1 什么是机器学习 1.1.2 机器学习的分类 1.1.3 常用的机器学习算法 1.1.4 机器学习的流程 1.2 Python编程语言 1.2.1 Python环境搭建 1.2.2 机器学习相关软件包介绍 1.3 机器学习的数学知识 1.3.1 导数 1.3.2 基本函数的求导公式 1.3.3 求导法则 1.3.4 Python实现求导 1.3.5 泰勒展开式 1.3.6 微积分基本定理 1.3.7 基本函数的积分公式 1.3.8 Python实现积分第2章 人工智能数学基础 2.1 线性代数 2.1.1 向量及其线性运算 2.1.2 矩阵及其线性运算 2.2 随机变量 2.2.1 离散型随机变量 2.2.2 连续型随机变量 2.3 随机变量概率分布 2.3.1 伯努利分布 2.3.2 泊松分布 2.3.3 指数分布 2.3.4 二项分布 2.3.5 正态分布 2.3.6 伽马分布 2.3.7 贝塔分布 2.3.8 卡方分布 2.3.9 t分布 2.3.10 F分布第3章 数据获取和预处理 3.1 数据获取 3.1.1 自带和下载数据集 3.1.2 创建数据集 3.1.3 数据集 3.2 标准化 3.2.1 Z?score标准化 3.2.2 Min?Max标准化 3.3 二值化 3.3.1 特征二值化 3.3.2 标签二值化 3.4 特征处理 3.4.1 独热编码 3.4.2 多项式特征 3.4.3 PCA降维 3.5 数据清洗 3.5.1 Pandas数据清洗 3.5.2 sklearn处理缺失值 3.6 文本特征提取 3.6.1 字典提取器 3.6.2 词袋模型 3.6.3 权重向量 3.7 图像特征提取 3.7.1 提取像素矩阵 3.7.2 提取角点 3.7.3 提取轮廓 3.7.4 提取局部特征点 3.8 特征选择 3.8.1 Filter过滤法 3.8.2 Wrapper包装法 3.8.3 Embedded嵌入法第4章 线性回归和逻辑回归 4.1 线性回归 4.1.1 最小二乘法 4.1.2 梯度下降法 4.1.3 线性回归实现 4.1.4 Lasso回归和岭回归 4.1.5 回归模型评估 4.1.6 多项式回归 4.2 逻辑回归 4.2.1 逻辑回归算法 4.2.2 逻辑回归实现 4.2.3 分类模型评估第5章 KNN和贝叶斯分类算法 5.1 KNN算法 5.1.1 KNN算法的距离度量 5.1.2 KNN算法代码实现 5.1.3 交叉验证 5.1.4 KD树 5.2 贝叶斯分类算法 5.2.1 贝叶斯定理 5.2.2 高斯朴素贝叶斯 5.2.3 多项式朴素贝叶斯 5.2.4 伯努利朴素贝叶斯第6章 决策树和随机森林 6.1 决策树 6.1.1 熵 6.1.2 决策树算法 6.1.3 剪枝算法 6.2 决策树代码实现 6.2.1 可视化决策树 6.2.2 分类树 6.2.3 回归树 6.3 随机森林 6.3.1 集成学习算法 6.3.2 随机森林分类 6.3.3 随机森林回归第7章 支持向量机 7.1 SVM核心概念 7.1.1 线性可分 7.1.2 核函数 7.2 SVM代码实现 7.2.1 SVC 7.2.2 SVM人脸识别 7.2.3 SVR第8章 聚类算法 8.1 K?means聚类算法 8.1.1 K?means聚类算法原理 8.1.2 模型评估 8.1.3 图像处理 8.1.4 K?means聚类算法实例 8.2 层次聚类算法 8.2.1 层次聚类算法原理 8.2.2 层次聚类算法实例 8.3 密度聚类算法 8.3.1 密度聚类算法原理 8.3.2 密度聚类算法实例第9章 EM和HMM聚类算法 9.1 EM聚类算法 9.1.1 优选似然估计 9.1.2 詹森不等式 9.1.3 EM算法原理 9.2 EM算法代码实现 9.3 HMM聚类算法 9.3.1 马尔可夫过程 9.3.2 隐马尔可夫模型0章 主题模型 10.1 LDA主题模型 10.1.1 Dirichlet分布 10.1.2 LDA贝叶斯模型 10.2 自然语言处理常用工具包 10.2.1 NLTK 10.2.2 spaCy 10.2.3 Gensim 10.2.4 jieba 10.2.5 Stanford NLP 10.2.6 FuzzyWuzzy 10.2.7 HanLP 10.3 LDA主题模型实例1章 推荐算法 11.1 关联规则 11.1.1 置信度 11.1.2 支持度 11.1.3 提升度 11.1.4 关联规则代码实现 11.2 基于用户行为的推荐算法 11.2.1 矩阵分解 11.2.2 SVD算法代码实现 11.3 基于评分的推荐算法 11.3.1 SlopeOne算法 11.3.2 SlopeOne算法代码实现 11.4 协同过滤2章 数据建模 12.1 监督学习 12.1.1 监督学习回归 12.1.2 监督学习分类 12.2 半监督学习 12.2.1 标签传播算法 12.2.2 半监督学习分类 12.3 保存模型 12.3.1 pickle 12.3.2 joblib 12.3.3 sklearn2pmml3章 Spark机器学习 13.1 Spark分布式集群搭建 13.1.1 创建Ce
内容摘要
通常来说，人工智能（Artifi Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的研究领域包括机器人、语音识别、图像识别、自然语言处理和专家系统等。
机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。生活中很多机器学习的书籍只注重算法理论方法，并没有注重算法的落地。本书是初学者很好期待的入门书，书中有很多的示例可以帮助初学者快速上手。
本书分为3个部分：第1章和第2章是人工智能的数学基础，主要介绍了机器学习的概念、Python开发环境的搭建、机器学习bibei的数学知识，以及线性代数和概率论的相关知识；第3~12章主要介绍了回归模型、分类模型、聚类模型、半监督模型的建立和相关算法的理论，以及如何使用sklearn具体实现相关算法模型的搭建；第13章介绍了Spark机器学习，笔者认为对于机器学习，不能只限于Python中的sklearn的学习，还要紧跟大数据时代的发展。
本书内容通俗易懂，案例丰富，实用性强，特别适合Python语言的入门读者和进阶读者阅读，也适合其他算法程序员和编程爱好者阅读。
主编推荐
本书介绍了机器学习和人工智能的方方面面，并且由浅入深介绍了机器学习算法，逻辑清晰，案例丰富。对于想入门机器学习、人工智能的读者而言，本书是一本极好的参考指南。 杨秀璋——微信公众号“娜璋AI安全之家”的作者，CSDN博客专家 本书对时下的机器学习技术从多个方面进行了详细的介绍，从人工智能数学基础，到常见的机器学习算法，最后到大数据Spark，书中都有具体的相关实例，内容全面而丰富，示例通俗易懂，是一本不错的机器学习参考读物。 梁云——微信公众号“算法美食屋”的作者，把复杂的算法做成美食，出版电子书《20天吃掉那只PyTorch》等 本书讲解了很多机器学习的具体案例，想了解机器学习研究趋势的读者可以阅读本书。本书很好适合初学者作为机器学习的入门书籍。对于想在机器学习甚至深度学习有所建树的初学者，这本书是不错的启蒙书。 殷承志——前阿里人，ACM亚洲区域赛银牌得主，推荐算法专家，新加坡Shopee电商公司算法工程师 机器学习是算法工程师技术储备的重要组成部分，本书重点介绍了机器学习中的数学基础，该书选取了经典机器学习算法，利用Python实现算法，最后给出了相应实战例子。总之，这是一本详细介绍机器学习的入门书籍，值得初学者阅读。 周景阳——前百度人，北京贪心科技有限公司联合创始人、贪心科技技术合伙人
精彩内容
通常来说，人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的研究领域包括机器人、语音识别、图像识别、自然语言处理和专家系统等。
机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。生活中很多机器学习的书籍只注重算法理论方法，并没有注重算法的落地。本书是初学者非常期待的入门书，书中有很多的示例可以帮助初学者快速上手。
本书分为3个部分：第1章和第2章是人工智能的数学基础，主要介绍了机器学习的概念、Python开发环境的搭建、机器学习bibei的数学知识，以及线性代数和概率论的相关知识；第3~12章主要介绍了回归模型、分类模型、聚类模型、半监督模型的建立和相关算法的理论，以及如何使用sklearn具体实现相关算法模型的搭建；第13章介绍了Spark机器学习，笔者认为对于机器学习，不能只限于Python中的sklearn的学习，还要紧跟大数据时代的发展。
本书内容通俗易懂，案例丰富，实用性强，特别适合Python语言的入门读者和进阶读者阅读，也适合其他算法程序员和编程爱好者阅读。
媒体评论
本书介绍了机器学习和人工智能的方方面面，并且由浅入深介绍了机器学习算法，逻辑清晰，案例丰富。对于想入门机器学习、人工智能的读者而言，本书是一本极好的参考指南。
杨秀璋——微信公众号“娜璋AI安全之家”的作者，CSDN博客专家
本书对时下的机器学习技术从多个方面进行了详细的介绍，从人工智能数学基础，到常见的机器学习算法，很后到大数据Spark，书中都有具体的相关实例，内容全面而丰富，示例通俗易懂，是一本不错的机器学习参考读物。
梁云——微信公众号“算法美食屋”的作者，把复杂的算法做成美食，出版电子书《20天吃掉那只PyTorch》等
本书讲解了很多机器学习的具体案例，想了解机器学习研究趋势的读者可以阅读本书。本书很好适合初学者作为机器学习的入门书籍。对于想在机器学习甚至深度学习有所建树的初学者，这本书是不错的启蒙书。
殷承志——前阿里人，ACM亚洲区域赛银牌得主，推荐算法专家，新加坡Shopee电商公司算法工程师
机器学习是算法工程师技术储备的重要组成部分，本书重点介绍了机器学习中的数学基础，该书选取了经典机器学习算法，利用Python实现算法，很后给出了相应实战例子。总之，这是一本详细介绍机器学习的入门书籍，值得初学者阅读。
周景阳——前百度人，北京贪心科技有限公司联合创始人、贪心科技技术合伙人
— 没有更多了 —
以下为对购买帮助不大的评价