機器學習基礎

肖睿 段小手 劉世軍 萬文兵 王剛 趙璐華

  • 出版商: 人民郵電
  • 出版日期: 2021-07-01
  • 定價: $359
  • 售價: 8.5$305
  • 語言: 簡體中文
  • 頁數: 240
  • 裝訂: 平裝
  • ISBN: 7115562814
  • ISBN-13: 9787115562814
  • 相關分類: Machine Learning
  • 立即出貨 (庫存 < 4)

  • 機器學習基礎-preview-1
  • 機器學習基礎-preview-2
機器學習基礎-preview-1

買這商品的人也買了...

相關主題

商品描述

近年來人工智能技術蓬勃發展,人工智能正在改變我們的生活。為了讓讀者在不需要掌握太多數學

和電腦科學知識的情況下,能夠快速上手,使用 Python 語言實現常用的機器學習算法,並解決一些實際的問題,我們策劃並出版本書。

本書共 14 章,內容涵蓋基本的機器學習概念和環境搭建,目前各個領域中的熱門算法,以及數據預處理、模型評估和文本數據分析等。希望本書可以讓讀者輕松入門,在動手實踐的過程中找到樂趣。

本書可以作為各大院校人工智能相關專業的教材,也可以作為培訓機構的教材,還適合人工智能技術愛好者自學使用。

作者簡介

肖睿,課工場創始人,北京大學教育學博士,北京大學軟件學院特約講師,北京大學學習科學實驗室特約顧問。
作為北大青鳥Aptech 的聯合創始人,歷任學術總監、研究院院長、公司副總裁等核心崗位,擁有20多年的IT職業教育產品管理和企業管理經驗。
於2015年創辦課工場,兼任總經理,旨在為大學生提供更可靠的IT 就業教育及服務。

目錄大綱

第 1 章 機器學習概述 21
技能目標. 21
本章任務. 21
任務 1.1:了解機器學習的基本概念 22
1.1.1 什麼是機器學習 22
1.1.2 機器學習的起源與發展 23
任務 1.2:了解機器學習的應用場景 25
1.2.1 機器學習技術在日常生活中的應用 25
1.2.2 機器學習技術在不同行業中的應用 28
任務 1.3:了解機器學習的學習路徑 30
1.3.1 學習機器學習的先決條件. 30
1.3.2 開啟你的“海綿模式” 32
1.3.3 開始動手實踐 . 33
任務 1.4:掌握機器學習的先導知識概念 34
本章小結. 36
本章習題

第 2 章 機器學習工具安裝與使用 . 38
技能目標. 38
本章任務. 38
任務 2.1:Anaconda 的安裝與使用 39
2.1.1 下載安裝 Anaconda. 39
2.1.2 Jupyter Notebook 的使用 41
任務 2.2:pandas 和可視化工具的基本使用 45
2.2.1 pandas 的基本使用 45
2.2.2 數據可視化工具的基本使用. 48
任務 2.3:掌握 scikit-learn 的基本操作 51
2.3.1.使用 scikit-learn 加載並檢查數據 51
2.3.2.使用 scikit-learn 訓練模型並評估 54
2.3.3.保存和載入訓練好的模型文件 . 56
本章小結. 57
本章習題

第 3 章 線性模型 59
技能目標. 59
本章任務. 59
任務 3.1:掌握線性模型的基本概念和線性回歸的使用 60
3.1.1 線性模型的基本概念 60
3.1.2 線性回歸模型的使用 62
任務 3.2: 掌握嶺回歸的原理及使用 66
3.2.1 嶺回歸的原理 . 67
3.2.2 嶺回歸的使用 . 69
任務 3.3:掌握套索回歸的原理及使用 73
3.3.1 套索回歸的原理 73
3.3.2 套索回歸的參數調節 74
任務 3.4: 了解邏輯回歸與線性支持向量機. 76
3.4.1 邏輯回歸與線性支持向量機簡介 . 77
3.4.2 訓練邏輯回歸模型並預測. 77
3.4.3 訓練線性支持向量機模型並預測 . 79
本章小結. 80
本章習題

第 4 章 決策樹和隨機森林. 81
技能目標. 81
本章任務. 81
任務 4.1: 初步掌握決策樹算法 . 82
4.1.1 什麼是決策樹算法 82
4.1.2 決策樹的基本使用方法 83
4.1.3 決策樹中的 max_depth 參數 . 85
4.1.4 決策樹的模型展現. 91
4.1.5 決策樹的優勢與不足 92
任務 4.2: 初步掌握隨機森林算法 93
4.2.1 什麼是隨機森林算法 93
4.2.2 隨機森林算法中的參數解釋 94
4.2.3 隨機森林與決策樹模型的差異 95
4.2.4 隨機森林的優勢與不足 . 96
任務 4.3:使用決策樹與隨機森林實戰練習. 97
4.3.1 下載數據集並載入 97
4.3.2 了解數據集的特徵 98
4.3.3 使用數據集訓練決策樹與隨機森林 99
本章小結. 102
本章習題

第 5 章 支持向量機 103
技能目標. 103
本章任務. 103
任務 5.1: 理解支持向量機的基本原理 104
5.1.1 “線性不可分”的數據集 104
5.1.2 將數據投射到高維空間 105
5.1.3 “不線性”的支持向量機. 106
任務 5.2:理解支持向量機的核函數和 gamma 參數 . 108
5.2.1 支持向量機的 RBF 內核 108
5.2.2 不同內核的支持向量機對比. 110
5.2.3 gamma 參數對模型的影響. 112
5.2.4 支持向量機中的 C 參數 114
5.2.5 支持向量機的優勢與不足. 116
任務 5.3:使用支持向量機算法進行實戰練習. 116
5.3.1 數據集準備與初步了解 116
5.3.2 探索性數據分析 119
5.3.3 初步訓練支持向量機模型. 121
5.3.4 對數據進行預處理並重新訓練模型 123
本章小結. 127
本章習題

第 6 章 樸素貝葉斯 128
技能目標. 128
本章任務. 128
任務 6.1: 了解樸素貝葉斯的基本原理和使用 128
6.1.1 樸素貝葉斯算法的基本原理. 129
6.1.2 樸素貝葉斯用法示例 130
任務 6.2: 了解不同樸素貝葉斯變體的差異 . 131
6.2.1 伯努利樸素貝葉斯的不足. 132
6.2.2 用高斯樸素貝葉斯替代伯努利樸素貝葉斯 133
6.2.3 多項式樸素貝葉斯簡介 134
任務 6.3: 掌握樸素貝葉斯的實際應用. 135
6.3.1 獲取數據集並檢查 135
6.3.2 數據預處理與模型訓練 . 136
6.3.3 樣本數量對樸素貝葉斯模型的影響 138
本章小結. 140
本章習題

第 7 章 K 最近鄰算法. 141
技能目標. 141
本章任務. 141
任務 7.1:了解 K 最近鄰算法. 142
7.1.1 K 最近鄰算法的簡介及原理. 142
任務 7.2:掌握 K 最近鄰算法在分類任務中的應用. 144
7.2.1 K 最近鄰算法在二元分類任務中的應用 145
7.2.2 K 最近鄰算法處理多元分類任務 . 148
任務 7.3:掌握 K 最近鄰算法在回歸分析中的應用. 151
7.3.1 掌握 K 最近鄰算法在回歸分析中的應用. 151
任務 7.4:使用 K 最近鄰算法實戰練習 155
7.4.1 對數據集進行分析 155
7.4.2 生成訓練集和驗證集 158
7.4.3 使用 K 最近鄰算法進行建模並調優 160
7.4.4 使用模型對新樣本進行預測. 164
本章小結. 166
本章習題

第 8 章 神經網絡 167
技能目標. 167
本章任務. 167
任務 8.1:了解神經網絡的起源與發展 168
8.1.1 了解神經網絡的起源. 169
8.1.2 了解神經網絡的發展. 170
任務 8.2:掌握神經網絡的原理. 172
8.2.1 了解神經網絡的原理 172
任務 8.3:掌握神經網絡中的激活函數 175
8.3.1 了解激活函數 175
8.3.2 使用激活函數 176
任務 8.4:掌握神經網絡中的參數調節 178
8.4.1 分析數據集並展現. 178
8.4.2 參數調節 182
任務 8.5:使用神經網絡解決實際問題 187
8.5.1 分析 fashion-mnist 數據集 187
8.5.2 訓練 MLP 神經網絡. 190
8.5.3 使用模型進行圖片識別 190
本章小結. 192
本章習題

第 9 章 聚類. 194
技能目標. 194
本章任務. 194
任務 9.1:了解聚類算法的原理與用途 195
9.1.1 了解聚類算法的原理. 195
9.1.2 了解聚類算法的用途. 197
17 / 305任務 9.2:掌握 K 均值算法的原理和使用 198
9.2.1 了解 K 均值算法的原理 199
9.2.2 使用 K 均值算法進行簡單聚類分析 200
任務 9.3:掌握 DBSCAN 算法的原理和使用. 203
9.3.1 了解 DBSCAN 算法的原理 203
9.3.2 使用 DBSCAN 算法進行簡單聚類分析 . 205
任務 9.4:使用聚類算法解決實際問題 211
9.4.1 對數據集進行分析 212
9.4.2 使用 K 均值算法進行聚類分析. 214
本章小結. 221
本章習題

第 10 章 數據降維、特徵提取與流形學習 222
技能目標. 222
本章任務. 222
任務 10.1: 使用 PCA 主成分分析進行數據降維. 223
10.1.1 PCA 主成分分析介紹 223
10.1.2 使用 PCA 降維以便進行可視化 226
10.1.3 PCA 主成分與原始特徵的關係. 227
任務 10.2: 使用 PCA 中的數據白化功能進行特徵提取 229
10.2.1 使用人臉識別數據集進行實驗 229
10.2.2 使用 PCA 進行特徵提取 232
10.2.3 特徵提取對於模型準確率的影響 234
任務 10.3: 使用 t-SNE 對數據降維並進行可視化. 235
10.3.1 t-SNE 簡介 235
10.3.2 使用 PCA 降維作為 Baseline 236
10.3.3 使用 t-SNE 降維並進行可視化 239
本章小結. 241
本章習題

第 11 章 模型選擇、優化及評估. 242
技能目標. 242
本章任務. 242
任務 11.1:掌握交叉驗證方法對模型進行評估. 243
11.1.1 交叉驗證法簡介. 243
11.1.2 K-折疊交叉驗證法 243
11.1.3 隨機拆分和留一交叉驗證法 246
任務 11.2:掌握網格搜索法尋找模型的最優參數. 248
11.2.1 了解及使用簡單網格搜索 248
11.2.2 與交叉驗證結合的網格搜索 250
任務 11.3:掌握模型的不同評價標準 253
11.3.1 分類模型的評價標準 253
11.3.2 使用 R 平方分數評估回歸模型. 255
本章小結. 258
本章習題

第 12 章 數據預處理與特徵選擇. 259
技能目標. 259
本章任務. 259
任務 12.1:掌握常用的數據標準化方法 260
12.1.1 使用 StandardScaler 進行數據預處理 260
12.1.2 使用 MinMaxScaler 進行數據標準化處理 262
12.1.3 使用 Normalizer 進行數據標準化處理. 264
12.1.4 使用 RobustScaler 進行數據標準化處理 265
任務 12.2:掌握常用的數據表達方法 267
12.2.1 虛擬變量. 267
12.2.2 數據分箱. 269
任務 12.3:掌握常用的特徵選擇方法 274
12.3.1 單變量統計 . 274
12.3.2 基於模型的特徵選擇 278
12.3.3 迭代特徵選擇 279
本章小結. 280
本章習題

第 13 章 處理文本數據 282
技能目標. 282
本章任務. 282
任務 13.1:掌握文本數據的特徵提取、漢語分詞和詞包模型 283
13.1.1 基於計數向量器的文本特徵提取. 283
13.1.2 對漢語文本進行分詞處理 285
13.1.3 使用詞包模型將文本轉換為數組. 286
任務 13.2:文本數據的進一步優化處理 287
13.2.1 默認參數下詞包模型的問題. 287
13.2.2 調整 n_Gram 參數重新建立模型 . 288
任務 13.3:使用真實數據進行實戰練習 290
13.3.1 載入數據集並查看特徵 290
13.3.2 文本數據預處理. 291
13.3.3 使用“樸素貝葉斯”算法訓練模型. 294
13.3.4 使用模型判斷消費者評論 295
本章小結. 296
本章習題

第 14 章 未來職業發展前景與方向 . 298
技能目標. 298
本章任務. 298
任務:了解數據科學家的職業發展 298
14.1.1 數據科學家的養成 298
14.1.2 在實踐中提高技能 301
14.1.3 未來的學習方向 303
本章小結. 305
本章習題