基於Python的機器學習

姚普選

基於Python的機器學習
  • 出版商: 電子工業
  • 出版日期: 2023-05-01
  • 定價: $359
  • 售價: 8.5 折 $305
  • 語言: 簡體中文
  • 頁數: 240
  • ISBN: 7121455714
  • ISBN-13: 9787121455711
  • 相關分類: Machine Learning

    • 下單後立即進貨 (約4週~6週)

相關主題

商品描述

本書深入淺出地介紹了機器學習的基本原理與主要方法，以及必要的數學知識與程序設計方法。全書共有7章，分別講解了機器學習的概念及應用、數學基礎（導數與極值、向量與矩陣、概率統計、凸優化）、Python程序設計、線性回歸及其程序實現、邏輯回歸及多分類、分類與聚類、基於神經網絡的機器學習。 本書可作為高等院校機器學習課程的教材，也可作為機器學習愛好者及從事相關工作的工程技術人員的參考書。

目錄大綱

目 錄
第1章 機器學習的概念及應用 1
1.1 機器學習的發展與應用 1
1.1.1 機器學習的發展歷程 1
1.1.2 機器學習的應用 3
1.2 機器學習的概念 4
1.2.1 機器學習的特點 5
1.2.2 機器學習的要素 6
1.2.3 機器學習系統的結構 8
1.3 機器學習分類 10
1.3.1 映射函數與樣本 10
1.3.2 監督學習 11
1.3.3 無監督學習 13
1.3.4 強化學習 15
1.4 深度學習 16
1.4.1 機器學習的困境 16
1.4.2 深度學習機制 17
習題1 20
第2章 數學基礎 21
2.1 導數與極值 21
2.1.1 導數及求導法則 21
2.1.2 函數的單調性、凹凸性與極值 22
2.1.3 偏導數與梯度 24
2.1.4 多元函數的極值 25
2.2 向量與矩陣 27
2.2.1 矩陣及其性質 27
2.2.2 矩陣的基本運算 29
2.2.3 向量組與線性相關性 31
2.2.4 正交向量與相似矩陣 34
2.3 概率統計 36
2.3.1 隨機事件與概率 36
2.3.2 條件概率與貝葉斯公式 37
2.3.3 隨機變量的概率分佈 39
2.3.4 隨機變量的數字特徵 43
2.3.5 中心極限定理 45
2.3.6 極大似然估計 46
2.4 凸優化 48
習題2 52
第3章 Python程序設計 56
3.1 Python程序的編輯與運行 56
3.2 數據與表達式 60
3.2.1 常量 60
3.2.2 變量 62
3.2.3 數據的輸入輸出 63
3.2.4 常用函數 65
3.2.5 運算符與表達式 67
3.3 序列和字典 69
3.3.1 字符串 69
3.3.2 列表 72
3.3.3 元組 73
3.3.4 字典 74
3.4 程序的控制結構 76
3.4.1 分支語句 76
3.4.2 while語句 77
3.4.3 for語句 78
3.4.4 用戶自定義函數 80
3.4.5 模塊 81
3.5 類和對象 83
3.5.1 類的定義和使用 83
3.5.2 面向對象程序設計方式 86
3.5.3 類的繼承性 87
3.5.4 異常處理 89
習題3 91
第4章 線性回歸及其程序實現 96
4.1 線性回歸的概念 96
4.1.1 線性回歸的源流 96
4.1.2 監督學習與線性回歸 97
4.2 線性回歸模型 99
4.2.1 一元線性回歸模型 99
4.2.2 多元線性回歸模型 103
4.2.3 模型的泛化與優劣 106
4.3 數據擬合與可視化操作 108
4.3.1 NumPy多維數組操作 108
4.3.2 Matplotlib數據可視化操作 110
4.3.3 SciPy數據擬合操作 114
4.4 最小二乘法線性回歸程序 118
4.4.1 最小二乘法與一元線性回歸 118
4.4.2 一元線性回歸程序 120
4.5 梯度下降法及其程序 122
習題4 125
第5章 邏輯回歸及多分類 127
5.1 邏輯回歸的概念與模型 127
5.1.1 Logistic函數 127
5.1.2 線性分類問題 129
5.1.3 邏輯回歸模型 131
5.2 邏輯回歸計算 134
5.2.1 邏輯回歸模型的預測函數 134
5.2.2 邏輯回歸模型的極大似然估計 135
5.2.3 邏輯回歸模型的參數求解 136
5.3 邏輯回歸與樸素貝葉斯分類 139
5.4 多分類策略 143
5.5 Softmax回歸 145
5.5.1 廣義線性模型 145
5.5.2 Softmax回歸模型 148
習題5 150
第6章 分類與聚類 152
6.1 決策樹 152
6.1.1 決策樹與決策過程 152
6.1.2 信息熵與信息增益 154
6.1.3 決策樹的構造 157
6.1.4 尋找最佳分裂 162
6.1.5 決策樹訓練的主要問題及流程 165
6.2 支持向量機 167
6.2.1 支持向量機基本原理 167
6.2.2 支持向量機實現鳶尾花分類 171
6.3 聚類算法 173
6.3.1 距離計算與聚類評價 173
6.3.2 K-均值聚類算法 175
習題6 177
第7章 基於神經網絡的機器學習 179
7.1 神經網絡與人工神經網絡 179
7.2 感知機 182
7.2.1 人工神經元與感知機 182
7.2.2 感知機訓練算法 185
7.2.3 感知機訓練實例 187
7.2.4 感知機訓練與預測程序 189
7.2.5 線性可分性與多層感知機 190
7.3 BP算法 193
7.3.1 多層神經網絡的結構 193
7.3.2 多層神經網絡的參數調整 194
7.3.3 BP算法及評價 196
7.4 捲積的概念及運算 198
7.4.1 捲積的概念 199
7.4.2 二維互相關運算 201
7.4.3 二維捲積運算程序 204
7.5 捲積神經網絡 205
7.5.1 捲積神經網絡的特點 206
7.5.2 多通道捲積及常用捲積核 209
7.5.3 捲積神經網絡的結構 213
7.6 捲積神經網絡實例 215
習題7 218
附錄A 機器學習名詞中英文對照 220
參考文獻 230

類似商品