Python 機器學習
趙涓涓 強 彥 主編
- 出版商: 機械工業
- 出版日期: 2019-07-01
- 定價: $414
- 售價: 7.9 折 $327
- 語言: 簡體中文
- ISBN: 7111630521
- ISBN-13: 9787111630524
-
相關分類:
Machine Learning
立即出貨
買這商品的人也買了...
-
$403解析深度學習 : 語音識別實踐
-
$474$450 -
$301神經網絡與深度學習
-
$474$450 -
$1,258Advanced Deep Learning with Keras: Applying GANs and other new deep learning algorithms to the real world (Paperback)
-
$403深入理解 TensorFlow 架構設計與實現原理
-
$280深度學習:主流框架和編程實戰
-
$352機器學習經典算法剖析 基於OpenCV
-
$327深入淺出 Python 機器學習
-
$403Python 深度學習:基於 TensorFlow
-
$352TensorFlow 神經網絡編程
-
$203卡爾曼濾波原理及應用:MATLAB 模擬
-
$446TensorFlow深度學習實戰
-
$1,380$1,311 -
$2,160$2,052 -
$327Keras深度學習實戰
-
$393深度學習的數學
-
$450$383 -
$520$406 -
$449機器學習 — 原理、算法與應用
-
$490$417 -
$407OpenCV 圖像處理入門與實踐
-
$510人工智能算法
-
$352Python 深度強化學習 — 使用 PyTorch, TensorFlow 和 OpenAI
-
$460$414
相關主題
商品描述
本書是用案例驅動的方式講解機器學習算法的知識點,以Python語言作為基礎開發語言實現算法,包括目前機器學習主流算法的原理、算法流程圖、算法的詳細設計步驟、算法實例、算法的改進與優化新思路等環節。並配有案例和源代碼詳細介紹涉及的知識及實現的步驟。
全書共分17章,前兩章介紹機器學習與Python語言的相關基礎知識,後面各章以案例的方式分別介紹線性回歸算法、邏輯回歸算法、K最近鄰算法、PCA降維算法、k-means算法、支持向量機算法、AdaBoost算法、決策樹算法、高斯混合模型算法、隨機森林算法、樸素貝葉斯算法、隱馬爾可夫模型算法、BP神經網絡算法、捲積神經網絡算法、遞歸神經網絡算法。
本書適合作為高等學校人工智能、大數據、電腦科學、軟件工程等相關專業本科、研究生有關課程的教材,也適用於各種電腦編程、人工智能學習認證體系,還可供廣大人工智能領域技術人員參考。
機器學習是人工智能的核心,是使電腦具有智能的根本途徑,其應用遍及人工智能的各個領域。它是一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科;專門研究電腦怎樣模擬或實現人類的學習行為,以獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的性能。
Python語言憑借語法簡單、優雅、面向對象、可擴展性等優點,一經面世就受到廣大開發者的追捧,這使得Python語言不僅提供了豐富的數據結構,還具有諸如NumPy、SciPy、Matplotlib等豐富的數據科學計算庫,為機器學習的開發帶來了極大的便利。
本書把握機器學習和Python語言兩個熱門的領域,使用Python語言對15個經典的機器學習算法進行解釋和編譯,使得讀者能夠在學習機器學習的同時,還能夠加深對Python語言的熟練程度,起到一石二鳥的效果。
主要特點:
採用精簡的文字和數學公式,描述算法的具體步驟並通過流程圖的方式使讀者在短時間內瞭解所講算法的本質思想與算法結構。
書中算法實例內容根據實際研究內容編排,與目前機器學習和深度學習的熱點方向結合緊密,有利於企業研發人員和高校科研人員的學習。
不僅通過詳細的算法推導和公式講解令讀者深入理解算法,而且還指出算法的應用領域和算法改進的具體細節和方向,給讀者指明今後研究的道路。
內容註重理論與實踐相結合,能夠使各個層面的讀者快速進入機器學習的大門並迅速上手進行實踐操作。
作者簡介
強彥,太原理工大學信息與計算機學院副院長,教授,博士生導師。中國計算機學會理事,中國計算機學會傑出會員。主要從事智能信息處理、模式識別、影像大數據、人工智能等方面的科研與教學工作。主講教育部國家精品視頻公開課“面向對象的編程思想概覽”,在愛課程、網易公開課、中國大學MOOC平台等眾多教學平台上都有呈現,受眾百萬。出版高校教材15部,重量規劃教材3部,譯著2部,2017年獲山西省教學成果獎一等獎、山西省“五一勞動獎章”、山西省高校“很美教師”稱號。
目錄大綱
前言
第1章機器學習基礎 1
1.1 引論 1
1.2 何謂機器學習 2
1.2.1 概述 2
1.2.2 引例 2
1.3 機器學習中的常用算法 4
1.3.1 按照學習方式劃分 4
1.3.2 按照算法相似性劃分 7
1.4 本章小結 14
1.5 本章習題 14
第2章Python與數據科學 15
2.1 Python概述 15
2.2 Python與數據科學的關係 16
2.3 Python中常用的第三方庫 16
2.3.1 NumPy 16
2.3.2 SciPy 17
2.3.3 Pandas 17
2.3.4 Matplotlib 18
2.3.5 Scikit-learn 18
2.4 編譯環境 18
2.4.1 Anaconda 19
2.4.2 Jupyter Notebook 21
2.5 本章小結 23
2.6 本章習題 24
第3章線性回歸算法 25
3.1 算法概述 25
3.2 算法流程 25
3.3 算法步驟 26
3.4 算法實例 30
3.5 算法應用 32
3.6 算法的改進與優化 34
3.7 本章小結 34
3.8 本章習題 34
第4章邏輯回歸算法 37
4.1 算法概述 37
4.2 算法流程 38
4.3 算法步驟 38
4.4 算法實例 40
4.5 算法應用 45
4.6 算法的改進與優化 49
4.7 本章小結 49
4.8 本章習題 49
第5章K近鄰算法 51
5.1 算法概述 51
5.2 算法流程 52
5.3 算法步驟 52
5.4 算法實例 53
5.5 算法應用 54
5.6 算法的改進與優化 57
5.7 本章小結 58
5.8 本章習題 58
第6章PCA降維算法 59
6.1 算法概述 59
6.2 算法流程 60
6.3 算法步驟 60
6.3.1 內積與投影 60
6.3.2 方差 62
6.3.3 協方差 62
6.3.4 協方差矩陣 63
6.3.5 協方差矩陣對角化 63
6.4 算法實例 65
6.5 算法應用 67
6.6 算法的改進與優化 68
6.7 本章小結 68
6.8 本章習題 69
第7章k-means算法 70
7.1 算法概述 70
7.2 算法流程 70
7.3 算法步驟 71
7.3.1 距離度量 71
7.3.2 算法核心思想 72
7.3.3 初始聚類中心的選擇 73
7.3.4 簇類個數k的調整 73
7.3.5 算法特點 74
7.4 算法實例 75
7.5 算法應用 77
7.6 算法的改進與優化 81
7.7 本章小結 81
7.8 本章習題 82
第8章支持向量機算法 84
8.1 算法概述 84
8.2 算法流程 85
8.2.1 線性可分支持向量機 85
8.2.2 非線性支持向量機 85
8.3 算法步驟 85
8.3.1 線性分類 85
8.3.2 函數間隔與幾何間隔 87
8.3.3 對偶方法求解 88
8.3.4 非線性支持向量機與核函數 90
8.4 算法實例 93
8.5 算法應用 95
8.6 算法的改進與優化 100
8.7 本章小結 101
8.8 本章習題 101
第9章AdaBoost算法 102
9.1 算法概述 102
9.2 算法流程 102
9.3 算法步驟 103
9.4 算法實例 105
9.5 算法應用 106
9.6 算法的改進與優化 109
9.7 本章小結 110
9.8 本章習題 110
第10章決策樹算法 112
10.1 算法概述 112
10.2 算法流程 113
10.3 算法步驟 113
10.3.1 兩個重要概念 113
10.3.2 實現步驟 115
10.4 算法實例 115
10.5 算法應用 118
10.6 算法的改進與優化 119
10.7 本章小結 120
10.8 本章習題 120
第11章高斯混合模型算法 121
11.1 算法概述 121
11.2 算法流程 121
11.3 算法步驟 122
11.3.1 構建高斯混合模型 122
11.3.2 EM算法估計模型參數 123
11.4 算法實例 125
11.5 算法應用 127
11.6 算法的改進與優化 129
11.7 本章小結 130
11.8 本章習題 130
第12章隨機森林算法 132
12.1 算法概述 132
12.2 算法流程 133
12.3 算法步驟 134
12.3.1 構建數據集 134
12.3.2 基於數據集構建分類器 134
12.3.3 投票組合得到終結果並分析 135
12.4 算法實例 136
12.5 算法應用 140
12.6 算法的改進與優化 142
12.7 本章小結 143
12.8 本章習題 143
第13章樸素貝葉斯算法 145
13.1 算法概述 145
13.2 算法流程 145
13.3 算法步驟 146
13.4 算法實例 148
13.5 算法應用 149
13.6 算法的改進與優化 151
13.7 本章小結 152
13.8 本章習題 152
第14章隱馬爾可夫模型算法 154
14.1 算法概述 154
14.2 算法流程 154
14.3 算法步驟 155
14.4 算法實例 156
14.5 算法應用 159
14.6 算法的改進與優化 165
14.7 本章小結 166
14.8 本章習題 166
第15章BP神經網絡算法 167
15.1 算法概述 167
15.2 算法流程 167
15.3 算法步驟 168
15.4 算法實例 170
15.5 算法應用 174
15.6 算法的改進與優化 176
15.7 本章小結 177
15.8 本章習題 177
第16章卷積神經網絡算法 179
16.1 算法概述 179
16.2 算法流程 179
16.3 算法步驟 180
16.3.1 向前傳播階段 181
16.3.2 向後傳播階段 183
16.4 算法實例 184
16.5 算法應用 188
16.6 算法的改進與優化 193
16.7 本章小結 194
16.8 本章習題 194
第17章遞歸神經網絡算法 196
17.1 算法概述 196
17.2 算法流程 197
17.3 算法步驟 198
17.4 算法實例 200
17.5 算法應用 204
17.6 算法的改進與優化 207
17.7 本章小結 208
17.8 本章習題 208
課後習題答案 210
參考文獻 231