圖解機器學習算法 (全彩印刷)
[日]秋庭伸也 [日]杉山阿聖 [日]寺田學
- 出版商: 人民郵電
- 出版日期: 2021-06-01
- 定價: $479
- 售價: 8.5 折 $407
- 語言: 簡體中文
- 頁數: 181
- 裝訂: 平裝
- ISBN: 711556356X
- ISBN-13: 9787115563569
-
相關分類:
Machine Learning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$1,250$1,225 -
$1,600$1,520 -
$834$792 -
$594$564 -
$301人工智能產品經理 — AI時代 PM修煉手冊
-
$294$279 -
$650$507 -
$580$493 -
$505Python 第三方庫開發應用實戰
-
$450$405 -
$419$398 -
$454用 Python 動手學機器學習
-
$213深度學習入門 — 基於 Python 的實現
-
$449人工智能數學基礎
-
$599$509 -
$280深度學習的數學原理與實現
-
$407用 Python 動手學統計學
-
$290深度學習原理與 PyTorch 實戰
-
$1,000$790 -
$680$578 -
$458用 Python 動手學強化學習 (全彩印刷)
-
$458你真的會寫代碼嗎
-
$556機器學習中的加速一階優化算法
-
$556大規模語言模型:從理論到實踐
-
$534$507
相關主題
商品描述
本書基於豐富的圖示,詳細介紹了有監督學習和無監督學習的17種算法,包括線性回歸、正則化、邏輯回歸、支持向量機、核方法、樸素貝葉斯、隨機森林、神經網絡、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分佈、LLE和t-SNE。書中針對各算法均用Python代碼進行了實現,讀者可一邊運行代碼一邊閱讀,從而加深對算法的理解。
作者簡介
秋庭伸也(作者)
日本早稻田大學碩士畢業,目前在Recruit Communications公司擔任技術負責人。
杉山阿聖(作者)
具有多年研發經驗,目前在AI創業公司SENSY擔任機器學習研究員。
寺田學(作者)
CMS Communications公司董事長、日本PyCon會議組織者、Plone基金會大使、Python工程師發展協會顧問理事、PSF(Python軟件基金會)貢獻成員。
鄭明智(譯者)
智慧醫療工程師,翻譯經驗豐富,有《白話機器學習的數學》《用Python動手學機器學習》等多部譯著。
目錄大綱
第1章
機器學習基礎1
1.1機器學習概要2
什麼是機器學習2
機器學習的種類3
機器學習的應用8
1.2機器學習的步驟9
數據的重要性9
有監督學習(分類)的例子11
無監督學習(聚類)的例子16
可視化18
圖形的種類和畫法:使用Matplotlib顯示圖形的方法22
使用pandas理解和處理數據30
本章小結36
第2章
有監督學習37
2.1算法1:線性回歸38
概述38
算法說明39
詳細說明41
2.2算法2:正則化45
概述45
算法說明48
詳細說明50
2.3算法3:邏輯回歸52
概述52
算法說明53
詳細說明55
2.4算法4 :支持向量機58
概述58
算法說明59
詳細說明60
2.5算法5:支持向量機(核方法) 63
概述63
算法說明64
詳細說明65
2.6算法6:樸素貝葉斯68
概述68
算法說明70
詳細說明74
2.7算法7:隨機森林76
概述76
算法說明77
詳細說明80
2.8算法8:神經網絡81
概述81
算法說明83
詳細說明86
2.9算法9:KNN 88
概述88
算法說明89
詳細說明90
第3章
無監督學習93
3.1算法10:PCA 94
概述94
算法說明95
詳細說明98
3.2算法11:LSA 99
概述99
算法說明100
詳細說明104
3.3算法12:NMF 105
概述105
算法說明106
詳細說明108
3.4算法13:LDA 111
概述111
算法說明112
詳細說明114
3.5算法14:k-means算法117
概述117
算法說明117
詳細說明119
3.6算法15:混合高斯分佈122
概述122
算法說明123
詳細說明126
3.7算法16:LLE 127
概述127
算法說明128
詳細說明131
3.8算法17:t-SNE 133
概述133
算法說明134
詳細說明136
第4章
評估方法和各種數據的處理139
4.1評估方法140
有監督學習的評估140
分類問題的評估方法140
回歸問題的評估方法148
均方誤差和決定係數指標的不同152
與其他算法進行比較152
超參數的設置154
模型的過擬合155
防止過擬合的方法155
將數據分為訓練數據和驗證數據156
交叉驗證158
搜索超參數160
4.2文本數據的轉換處理163
基於單詞出現次數的轉換163
基於tf-idf的轉換164
應用於機器學習模型165
4.3圖像數據的轉換處理167
直接將像素信息作為數值使用167
將轉換後的向量數據作為輸入來應用機器學習模型168
第5章
環境搭建171
5.1 Python 3的安裝172
Windows 172
macOS 172
Linux 173
使用Anaconda在Windows上安裝174
5.2虛擬環境175
通過官方安裝程序安裝Python的情況175
通過Anaconda安裝Python的情況177
5.3第三方包的安裝178
什麼是第三方包178
安裝第三方包的方法178
參考文獻180