机器学习入门与实战——基于scikit-learn和Keras

图书标准信息

• 作者 张海涛
• 出版社 电子工业出版社
• 出版时间 2021-05
• 版次 1
• ISBN 9787121409509
• 定价 59.80元
• 装帧 其他
• 开本 其他
• 纸张 胶版纸
• 页数 232页

【内容简介】

本书以scikit-learn和Keras框架作为实战平台，讲解了传统机器学习的主流技术和*深度学习的研究成果。其中，\"*篇 传统机器学习”包括第1～10章，介绍了机器学习概念、监督学习算法（回归分析、Logistic回归、k近邻、决策树、朴素贝叶斯、支持向量机）、无监督学习算法（神经网络、聚类、降维）；\"第二篇 深度学习”包括第11～15章，介绍了深度学习的概念、卷积神经网络、循环神经网络、生成对抗网络和强化学习等。 本书的编写旨在体现\"做中学”理念，读者在学习初期不必过多纠缠于算法理论，而是通过实际案例快速入门，进而激发兴趣，自主完善理论学习，*终顺利跨入人工智能的殿堂。本书可以作为高校数据科学与大数据技术、人工智能等专业的教材，也可以作为致力于开展人工智能研究的读者快速入门的参考资料。

【作者简介】

张海涛，博士，教授。1992年9月—1996年7月，辽宁工程技术大学电子与信息工程系，学习；1996年9月—2002年7月，辽宁工程技术大学电子与信息工程系，教师；2002年9月—2016年7 月，辽宁工程技术大学软件学院，团委书记、党委副书记、副院长；2016年7月—2018年9月，辽宁工程技术大学葫芦岛校区教务处，副处长；2018年9月—至今 辽宁工程技术大学软件学院（腾讯云人工智能学院），常务副院长。

【目录】

第一篇 传统机器学习 

第1章 机器学习概述 2 

1.1 机器学习概念 2 

1.1.1 什么是机器学习 2 

1.1.2 机器学习有什么用 2 

1.1.3 机器学习的分类 3 

1.2 机器学习理论基础 9 

1.2.1 过拟合和欠拟合 9 

1.2.2 损失函数 9 

1.2.3 模型性能度量方法 11 

1.2.4 学习曲线 14 

1.2.5 算法模型性能优化 17 

1.3 scikit-learn简介 21 

1.3.1 关于scikit-learn 21 

1.3.2 安装scikit-learn 21 

1.3.3 scikit-learn数据集 21 

习题 27 

参考文献 30 

第2章 回归分析 31 

2.1 一元线性回归 31 

2.1.1 一元线性回归的实现 31 

2.1.2 解一元线性回归的 

最小二乘法 34 

2.1.3 模型评估 35 

2.2 多元线性回归 36 

2.3 多项式回归 36 

习题 41 

参考文献 42 

第3章 Logistic回归 43 

3.1 分类问题概述 43 

3.2 Logistic回归分类 44 

3.2.1 Logistic回归算法的原理 44 

3.2.2 Logistic回归算法实例 48 

3.3 Softmax回归——多元分类 

问题 55 

习题 58 

参考文献 59 

第4章 k近邻 60 

4.1 k近邻算法原理 60 

4.1.1 KNN算法三要素 60 

4.1.2 KNN算法之蛮力实现 

原理 61 

4.1.3 KNN算法之KD树实现 

原理 62 

4.1.4 KNN算法之球树实现 

原理 64 

4.1.5 KNN算法的扩展 66 

4.1.6 KNN算法小结 66 

4.2 用scikit-learn实现KNN 

算法 67 

习题 72 

参考文献 72 

第5章 决策树 73 

5.1 决策树分类原理 74 

5.2 决策树的学习过程 74 

5.3 ID3算法的数学原理 75 

5.3.1 什么是信息增益 75 

5.3.2 ID3树中最优划分属性计算 

举例 76 

5.4 scikit-learn决策树算法实现 78 

5.5 决策树可视化 80 

习题 83 

参考文献 84 

第6章 朴素贝叶斯 85 

6.1 基本原理 85 

6.1.1 贝叶斯定理 85 

6.1.2 朴素贝叶斯分类器 86 

6.2 朴素贝叶斯三种基本模型 88 

6.3 朴素贝叶斯的应用及特点 90 

6.3.1 朴素贝叶斯常见的四种 

应用 90 

6.3.2 朴素贝叶斯的优缺点 90 

6.3.3 提升朴素贝叶斯性能的 

技巧 91 

习题 93 

参考文献 94 

第7章 支持向量机 95 

7.1 支持向量机原理 95 

7.1.1 支持向量机定义 95 

7.1.2 线性可分性 95 

7.1.3 损失函数 96 

7.1.4 经验风险与结构风险 97 

7.2 标准算法 99 

7.2.1 线性SVM 99 

7.2.2 非线性SVM 100 

7.3 scikit-learn SVM分类算法 

实现 101 

7.3.1 算法简单实现 101 

7.3.2 算法的优化 102 

习题 106 

参考文献 107 

第8章 神经网络 108 

8.1 神经网络概述 108 

8.1.1 神经元模型 108 

8.1.2 感知机 109 

8.1.3 神经网络 110 

8.1.4 梯度下降法与反向传播 112 

8.2 scikit-learn神经网络分类算法 

实现 118 

习题 122 

参考文献 123 

第9章 聚类 124 

9.1 聚类概述 124 

9.1.1 K-Means聚类算法 124 

9.1.2 均值漂移聚类 127 

9.1.3 基于密度的聚类方法 

（DBSCAN） 130 

9.1.4 基于高斯混合模型（GMM）的 

期望最大化（EM）聚类 132 

9.1.5 凝聚层次聚类 133 

9.2 scikit-learn聚类算法的实现 136 

习题 142 

参考文献 144 

第10章 降维 145 

10.1 降维方法概述 145 

10.1.1 主成分分析（PCA） 145 

10.1.2 线性判别分析（LDA） 148 

10.1.3 局部线性嵌入（LLE） 150 

10.1.4 拉普拉斯特征映射 

?（LE） 151 

10.2 scikit-learn降维算法实现 152 

习题 157 

参考文献 158 

第二篇 深度学习 

第11章 深度学习概述 161 

11.1 深度学习的概念 161 

11.2 深度学习的分类及特点 163 

11.2.1 深度学习的分类 163 

11.2.2 深度学习的特点 164 

11.3 深度学习的历史及发展 164 

11.4 深度学习的应用 165 

11.5 Keras简介 166 

11.5.1 Keras深度学习库 166 

11.5.2 Keras安装 168 

11.5.3 Keras举例 168 

习题 169 

参考文献 170 

第12章 卷积神经网络 171 

12.1 卷积与池化操作 172 

12.1.1 卷积层 172 

12.1.2 池化层 174 

12.2 典型的CNN架构 175 

12.2.1 LeNet-5 176 

12.2.2 AlexNet 176 

12.2.3 GoogLeNet 178 

12.2.4 ResNet 180 

12.3 使用Keras搭建卷积神经 

网络 182 

习题 185 

参考文献 185 

第13章 循环神经网络 186 

13.1 RNN 186 

13.2 LSTM 190 

13.3 循环神经网络案例 191 

习题 195 

参考文献 195 

第14章 生成对抗网络 196 

14.1 生成对抗网络结构 196 

14.1.1 生成对抗网络模型原理 197 

14.1.2 生成对抗网络优化原理 198 

14.1.3 模型训练 199 

14.1.4 对抗网络的改进模型 200 

14.2 生成对抗网络的构建 201 

14.2.1 生成模型的构建 202 

14.2.2 判别模型的构建 202 

14.2.3 条件生成对抗网络的 

构建 204 

14.3 生成对抗网络案例 205 

14.3.1 生成模型 205 

14.3.2 判别模型 205 

14.3.3 模型训练 206 

习题 207 

参考文献 208 

第15章 强化学习 209 

15.1 问题概述 209 

15.2 价值函数 211 

15.3 动态规划算法 212 

15.3.1 策略迭代算法 212 

15.3.2 价值迭代算法 213 

15.4 蒙特卡洛算法 213 

15.4.1 状态价值函数估计 214 

15.4.2 动作价值函数估计 214 

15.4.3 蒙特卡洛控制 215 

15.5 时序差分算法 215 

15.5.1 Sarsa算法 216 

15.5.2 Q学习 216 

15.6 深度强化学习 216 

15.6.1 DQN算法 216 

15.6.2 策略梯度算法 217 

15.7 代码案例 219 

习题 223 

参考文献 224