機器學習原理及應用
呂雲翔,王淥汀,袁琪
- 出版商: 機械工業
- 出版日期: 2021-08-01
- 定價: $354
- 售價: 8.5 折 $301
- 語言: 簡體中文
- 頁數: 212
- 裝訂: 平裝
- ISBN: 7111682947
- ISBN-13: 9787111682943
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
$534$507 -
$534$507 -
$305機器學習入門與實戰 — 基於 scikit-learn 和 Keras
-
$454Python + Excel 職場辦公數據分析
-
$398精益AI
-
$301計算方法 — 數據分析與智能計算初探, 2/e
-
$276$262 -
$894$849 -
$248深度學習基礎教程
-
$250數值方法
-
$301避免敗局:股權設計七步通
-
$475深度學習計算機視覺實戰
-
$407Python OpenCV 從入門到精通
-
$517深度學習 — 理論、方法與 PyTorch 實踐
-
$305敏捷領導力:團隊成長工具箱
-
$356集成學習入門與實戰:原理、算法與應用
-
$454人工智能安全基礎
-
$516$490 -
$779$740 -
$594$564 -
$658高級 Python 核心編程開啟精通 Python 編程世界之旅
-
$505python核心編程:從入門到實踐:學與練
-
$560Python 開發實例大全 上捲
-
$560Python 開發實例大全 下捲
-
$607前端工程化 : 基於 Vue.js 3.0 的設計與實踐
相關主題
商品描述
《機器學習原理及應用》以機器學習及其算法為主題,詳細介紹其理論細節與應用方法。
《機器學習原理及應用》共19章,分別介紹了機器學習概述、線性回歸與*大熵模型、k-近鄰算法、
決策樹模型、樸素貝葉斯分類器、支持向量機模型、集成學習、EM算法、降維算法、
聚類算法、神經網絡模型等基礎模型或算法,以及8個綜合項目實例。
《機器學習原理及應用》重視理論與實踐相結合,希望為讀者提供全面而細緻的學習指導。
《機器學習原理及應用》可作為高等院校計算機科學與技術、軟件工程等相關專業的教材,
也適合機器學習初學者、相關行業從業人員閱讀。
目錄大綱
前言
第1章機器學習概述
1.1機器學習的組成
1.2分類問題和回歸問題
1.3監督學習、半監督學習和
無監督學習
1.4生成模型和判別模型
1.5模型評估
1.5.1訓練誤差和泛化誤差
1.5.2過擬合和欠擬合
1.6正則化
1.7Scikit-learn模塊
1.7.1數據集
1.7.2模型選擇
1.8習題
第2章線性回歸及熵模型
2.1線性回歸
2.1.1一元線性回歸
2.1.2多元線性回歸
2.2廣義線性回歸
2.2.1邏輯回歸
2.2.2多分類邏輯回歸
2.2.3交叉熵損失函數
2.3熵模型
2.3.1熵模型的導出
2.3.2熵模型與邏輯回歸之間的
關係
2.4評價指標
2.4.1混淆矩陣
2.4.2準確率
2.4.3精確率與召回率
2.4.4PR曲線
2.4.5ROC曲線與AUC曲線
2.5實例:基於邏輯回歸實現乳腺癌
預測
2.6習題
第3章k-近鄰算法
3.1k值的選取
3.2距離的度量
3.3快速檢索
3.4實例:基於k-近鄰實現鳶尾花
分類
3.5習題
第4章決策樹模型
4.1特徵選擇
4.1.1信息增益
4.1.2信息增益比
4.2決策樹生成算法CART
4.3決策樹剪枝
4.3.1預剪枝
4.3.2後剪枝
4.4實例:基於決策樹實現葡萄酒
分類
4.5習題
第5章樸素貝葉斯分類器
5.1極大似然估計
5.2樸素貝葉斯分類
5.3拉普拉斯平滑
5.4樸素貝葉斯分類器的極大似然
估計解釋
5.5實例:基於樸素貝葉斯實現垃圾
短信分類
5.6習題
第6章支持向量機模型
6.1間隔及超平面
6.2線性可分支持向量機
6.3合頁損失函數
6.4核技巧
6.5二分類問題與多分類問題
6.5.1一對一
6.5.2一對多
6.5.3多對多
6.6實例:基於支持向量機實現
葡萄酒分類
6.7習題
第7章集成學習
7.1偏差與方差
7.2Bagging及隨機森林
7.2.1Bagging
7.2.2隨機森林
7.3Boosting及AdaBoost
7.3.1Boosting
7.3.3AdaBoost
7.4提升樹
7.4.1殘差提升樹
7.4.2GBDT
7.4.3XGBoost
7.5Stacking
7.6實例:基於梯度下降樹實現
波士頓房價預測
7.7習題
第8章EM算法及其應用
8.1Jensen不等式
8.2EM算法
8.3高斯混合模型
8.4隱馬爾可夫模型
8.4.1計算觀測概率的輸出
8.4.2估計隱馬爾可夫模型的參數
8.4.3隱變量序列預測
8.5實例:基於高斯混合模型實現
鳶尾花分類
8.6習題
第9章降維算法
9.1主成分分析
9.1.1方差即協方差的無偏估計
9.1.2實例:基於主成分分析實現
鳶尾花數據降維
9.2奇異值分解
9.2.1奇異值分解的構造
9.2.2奇異值分解用於數據壓縮
9.2.3SVD與PCA的關係
9.2.4奇異值分解的幾何解釋
9.2.5實例:基於奇異值分解實現圖片
壓縮
9.3習題
第10章聚類算法
10.1距離度量
10.1.1閔可夫斯基距離
10.1.2餘弦相似度
10.1.3馬氏距離
10.1.4漢明距離
10.2層次聚類
10.3K-Means聚類
10.4K-Medoids聚類
10.5DBSCAN
10.6實例:基於K-Means實現
鳶尾花聚類
10.7習題
第11章神經網絡與深度學習
11.1神經元模型
11.2多層感知機
11.3損失函數
11.4反向傳播算法
11.4.1梯度下降法
11.4.2梯度消失及梯度爆炸
11.5卷積神經網絡
11.5.1卷積
11.5.2池化
11.5.3網絡架構
11.6循環神經網絡
11.7生成對抗網絡
11.8圖卷積神經網絡
11.9深度學習發展
11.10實例:基於卷積神經網絡
實現手寫數字識別
11.10.1MINST數據集
11.10.2基於卷積神經網絡的手寫
數字識別
11.11習題
第12章案例1:基於回歸問題、
XGBoost的房價預測
12.1XGBoost模型介紹
12.2技術方案
12.2.1數據分析
12.2.2XGBoost模型參數
12.2.3調參過程
12.3完整代碼及結果展示
第13章案例2:影評數據分析與
電影推薦
13.1明確目標與數據準備
13.2工具選擇
13.3初步分析
13.3.1用戶角度分析
13.3.2電影角度分析
13.4電影推薦
第14章案例3:汽車貸款違約的
數據分析
14.1數據分析常用的Python
工具庫
14.2數據樣本分析
14.2.1數據樣本概述
14.2.2變量類型分析
14.2.3Python代碼實踐
14.3數據分析的預處理
14.3.1目標變量探索
14.3.2X變量初步探索
14.3.3連續變量的缺失值處理
14.3.4分類變量的缺失值處理
14.4數據分析的模型建立與模型
評估
14.4.1數據的預處理與訓練集劃分
14.4.2採用回歸模型進行數據分析
14.4.3採用決策樹模型進行數據
分析
14.4.4採用隨機森林模型優化
決策樹模型
第15章案例4:基於KNN模型預測
葡萄酒種類的數據分析與
可視化
15.1KNN模型的初級構建
15.2使用專業工具包構建KNN
模型
15.3數據可視化
第16章案例5:使用Keras進行人
臉關鍵點檢測
16.1深度學習模型
16.1.1數據集獲取
16.1.2卷積神經網絡的搭建與訓練
16.2模型評價
16.3訓練歷史可視化
第17章案例6:股價預測
17.1使用tsfresh進行升維和特徵
工程
17.2程序設計思路
17.3程序設計步驟
17.3.1讀入數據,分析數據
17.3.2移窗
17.3.3升維
17.3.4方差過濾
17.3.5使用Adaboost模型進行回歸
預測
17.3.6預測結果分析
第18章案例7:用戶流失預警
18.1讀入數據
18.2數據預處理
18.3五折交叉驗證
18.4代入三種模型
18.5調整prob閾值,輸出精度
評估
第19章案例8:機器人路徑
走迷宮
19.1關鍵技術
19.1.1馬爾科夫決策過程
19.1.2Bellman方程
19.2程序設計步驟
19.2.1初始化迷宮地圖
19.2.2計算不同位置路徑
參考文獻