Python機器學習與項目實踐

唐明偉,胡節,陳曉亮

Python機器學習與項目實踐
  • 出版商: 電子工業
  • 出版日期: 2024-11-01
  • 定價: $354
  • 售價: 8.5 折 $301
  • 語言: 簡體中文
  • 頁數: 212
  • ISBN: 7121487861
  • ISBN-13: 9787121487866
  • 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

本書以Python為主要編程語言，致力於幫助讀者深入瞭解機器學習的核心概念與理論，並通過實際項目實踐加深對概念的理解。首先，本書從機器學習的基礎概念開始，介紹了常見的典型線性模型、前饋神經網絡、捲積神經網絡、循環神經網絡和圖神經網絡等算法。通過清晰的實例和案例，讀者可以逐步掌握回歸、分類、聚類等機器學習任務的關鍵原理和技術。隨後，本書著重介紹項目實踐，通過機器學習模型的應用案例，引導讀者將理論知識轉化為實際項目，包括數據清理、特徵工程、模型選擇和調優等內容。本書強調實用性，涵蓋各種常見的機器學習庫和框架。通過實例演示和代碼示範，讀者可以迅速入門，並在實際項目中靈活運用。此外，本書關註新的機器學習趨勢和發展，包括深度學習、自然語言處理和電腦視覺等熱門領域，讀者閱讀本書能夠瞭解行業內新的技術進展，為學習和職業發展保持敏銳的洞察力。本書既可作為高等學校大學電腦類課程的教材，也可作為機器學習項目實踐培訓或自學教材，還可作為廣大初級、中級電腦用戶的自學參考書。

目錄大綱

第1章 緒論 1
1.1 引言 1
1.2 概念 4
1.2.1 什麽是機器學習 4
1.2.2 機器學習的流程 5
1.2.3 機器學習模型的分類 6
1.2.4 機器學習應用領域介紹 7
1.3 常用術語 9
1.3.1 假設函數和損失函數 9
1.3.2 擬合、過擬合和欠擬合 10
1.4 機器學習環境構建和常用工具 11
1.4.1 Python 11
1.4.2 Anaconda+ Jupyter Notebook 12
1.4.3 NumPy 14
1.4.4 Matplotlib 15
1.4.5 Pandas 16
1.4.6 Scikit-learn 16
1.4.7 PyTorch 17
第2章 機器學習基礎概念 22
2.1 相關數學概念 23
2.1.1 線性代數 23
2.1.2 微分 26
2.1.3 概率 28
2.2 數據特徵表示 28
2.2.1 數據特徵 28
2.2.2 特徵工程和特徵學習 29
2.3 評價指標 32
2.4 損失函數 37

第3章 典型線性模型 40
3.1 線性回歸模型 40
3.1.1 線性回歸的概念 40
3.1.2 線性回歸模型的代碼實現 42
3.2 邏輯回歸模型 45
3.2.1 邏輯回歸的概念 45
3.2.2 邏輯回歸模型的代碼實現 46
3.3 樸素貝葉斯模型 49
3.3.1 樸素貝葉斯的概念 49
3.3.2 樸素貝葉斯模型的代碼
實現 52
3.4 決策樹模型 53
3.4.1 決策樹的概念 53
3.4.2 決策樹模型的代碼實現 56
3.5 支持向量機模型 60
3.5.1 支持向量機的概念 60
3.5.2 支持向量機模型的代碼實現 63
3.6 KNN模型 65
3.6.1 KNN的概念 65
3.6.2 KNN模型的代碼實現 67
3.7 隨機森林模型 70
3.7.1 隨機森林的概念 70
3.7.2 隨機森林模型的代碼實現 71
第4章 前饋神經網絡 73
4.1 神經元與感知機 74
4.2 激活函數 76
4.2.1 Sigmoid函數 77
4.2.2 Tanh函數 78

4.2.3 ReLU函數 78
4.2.4 Swish函數 81
4.2.5 Maxout函數 82
4.2.6 Softplus函數 83
4.2.7 Softmax函數 83
4.3 前饋神經網絡結構 84
4.3.1 通用近似定理 85
4.3.2 應用到機器學習 86
4.3.3 參數學習 87
4.4 反向傳播算法 88
4.5 梯度計算 91
4.5.1 數值微分 91
4.5.2 符號微分 92
4.5.3 自動微分 92
4.6 網絡優化 95
4.6.1 優化問題 95
4.6.2 優化算法 97
4.7 前饋神經網絡應用實例 98
第5章 捲積神經網絡 102
5.1 捲積運算 103
5.1.1 一維捲積 103
5.1.2 二維捲積 104
5.1.3 捲積的變種 105
5.2 捲積神經網絡結構 107
5.2.1 輸入層 107
5.2.2 捲積層 108
5.2.3 池化層 110
5.3 參數學習 112
5.4 幾種典型的捲積神經網絡 112
5.4.1 LeNet-5 112
5.4.2 AlexNet 113
5.4.3 VGG網絡 115
5.4.4 ResNet 115
5.4.5 Inception網絡 116
5.5 應用實例：基於捲積神經網絡
的人臉識別 117
5.5.1 人臉數據採集 118
5.5.2 圖像預處理 119
5.5.3 加載圖像 120
5.5.4 模型搭建 120
5.5.5 識別與驗證 126
第6章 循環神經網絡 128
6.1 循環神經網絡概念 129
6.2 循環神經網絡結構 130
6.3 長距離依賴與參數學習 132
6.3.1 長距離依賴 132
6.3.2 參數學習 133
6.4 基於門控的循環神經網絡 137
6.4.1 LSTM網絡 137
6.4.2 LSTM網絡的變體 139
6.4.3 GRU網絡 140
6.5 深度循環神經網絡 141
6.6 應用實例：基於循環神經網絡
的語言模型 142
6.6.1 定義模型 142
6.6.2 訓練模型 144
第7章 圖神經網絡 146
7.1 圖的定義與術語 146
7.2 圖神經網絡結構 149
7.3 圖神經網絡常用模型 152
7.3.1 GCN模型 152
7.3.2 GGNN模型 154
7.3.3 GAT模型 156
7.4 圖神經網絡應用實例 158
7.4.1 數據集及預處理 158
7.4.2 圖捲積層定義 162
7.4.3 模型定義 164
7.4.4 模型訓練 164
第8章 機器學習模型的應用 168
8.1 Transformer應用 168
8.1.1 自註意力機制 169
8.1.2 位置編碼模塊 170
8.1.3 模型框架 170
8.1.4 模型代碼 173
8.2 REPVGG應用 181
8.2.1 模型框架 181
8.2.2 結構重參化 183
8.2.3 模型代碼 185
8.3 基於前饋神經網絡的方面級
情感三元組提取 192

8.3.1 模型框架 193
8.3.2 模型訓練 199
8.3.3 數據集 202
8.3.4 結果測試 203
8.4 國內機器學習開源平臺 205

類似商品