機器學習入門：基於數學原理的Python實戰

戴璞微，潘斌著

機器學習入門：基於數學原理的Python實戰
  • 出版商: 北京大學
  • 出版日期: 2019-12-30
  • 定價: $414
  • 售價: 7.5 折 $311
  • 語言: 簡體中文
  • 頁數: 296
  • 裝訂: 平裝
  • ISBN: 7301308973
  • ISBN-13: 9787301308974
  • 相關分類: Machine Learning

    • 立即出貨

買這商品的人也買了...

相關主題

商品描述

機器學習是一門涉及高等數學、線性代數、概率論、統計學和運籌學等領域的交叉學科。
機器學習的基礎就是數學，這也就要求學習者要有良好的數學基礎。
為了降低機器學習的學習門檻，本書深入淺出地對機器學習算法的數學原理進行了嚴謹的推導；
並利用Python 3對各種機器學習算法進行複現，還利用介紹的算法在相應數據集上進行實戰。
本書主要內容包括機器學習及其數學基礎；線性回歸、局部加權線性回歸兩種回歸算法；
Logistic回歸、Softmax回歸和BP神經網絡3種分類算法；模型評估與優化；
K-Means聚類算法、高斯混合模型兩種聚類算法和一種降維算法——主成分分析。

 《機器學習入門：基於數學原理的Python實戰》理論性與實用性兼備，
既可作為初學者的入門書籍，也可作為求職者的面試寶典，
更可作為職場人士轉崗的實用手冊。
本書適合需要全面學習機器學習算法的初學者、
希望掌握機器學習算法數學理論的程序員、想轉行從事機器學習算法的專業人員、
對機器學習算法興趣濃厚的人員、專業培訓機構學員和希望提高Python編程水平的程序員。

作者簡介

戴璞微

中國民航大學碩士，CSDN博客專家。
曾獲得全國大學生數學競賽國家一等獎、北美數學建模二等獎，
參與國家自然科學基金項目1項。對計算機視覺、機器學習和深度學習有深入研究。


潘斌

浙江大學應用數學系博士，現任遼寧石油化工大學理學院副院長。
2018年入選遼寧省“興遼英才計劃”青年拔尖人才，
2016年主持國家自然科學基金青年基金項目1項；
2015年主持遼寧省自然科學基金項目1項；
2016年主持浙江大學CAD&CG國家重點實驗室開放課題2項。
近年來，指導本科生獲全國大學生數學建模競賽國家一等獎。

目錄大綱

第1章機器學習及其數學基礎
1.1機器學習與人工智能簡述2
1.2高等數學4
1.3線性代數7
1.4概率論與數理統計14
1.5 Jensen不等式25
1.6本章小結27

第2章線性回歸
2.1線性回歸模型29
2.2梯度下降算法30
2.3再看線性回歸32
2.4正則方程34
2.5概率解釋35
2.6線性回歸的Python實現36
2.7案例：利用線性回歸預測波士頓房價43
2.8本章小結54

第3章局部加權線性回歸
3.1欠擬合與過擬合56
3.2局部加權線性回歸模型57
3.3局部加權線性回歸的Python實現61
3.4案例：再看預測波士頓房價64
3.5案例：利用局部加權線性回歸預測鮑魚年齡71
3.6本章小結77

第4章?Logistic回歸與Softmax回歸
4.1監督學習80
4.2 Logistic回歸80
4.3廣義線性模型84
4.4 Softmax回歸86
4.5 Logistic回歸的Python實現90
4.6案例：利用Logistic回歸對乳腺癌數據集進行分類96
4.7 Softmax回歸的Python實現107
4.8案例：利用Softmax回歸對語音信號數據集進行分類116
4.9本章小結127

第5章模型評估與優化
5.1模型性能度量130
5.2偏差-方差平衡134
5.3正則化135
5.4交叉驗證144
5.5 Ridge回歸的Python實現145
5.6案例：再看預測鮑魚年齡153
5.7帶L2正則化的Softmax回歸的Python實現156
5.8案例：再看語音信號數據集分類161
5.9本章小結165

第6章BP神經網絡
6.1神經網絡模型168
6.2 BP算法與梯度下降算法171
6.3 BP神經網絡的相關改進175
6.4 BP神經網絡的Python實現185
6.5案例：利用BP神經網絡對語音信號數據集進行分類197
6.6本章小結215

第7章K-Means聚類算法
7.1無監督學習與聚類218
7.2 K-Means聚類算法219
7.3 K-Means聚類的Python實現222
7.4案例：利用K-Means算法對Iris數據集進行聚類225
7.5本章小結229

第8章高斯混合模型
8.1 EM算法231
8.2高斯混合模型233
8.3 GMM與K-Means的區別與聯繫238
8.4聚類性能評價指標240
8.5 GMM的Python實現242
8.6案例：利用GMM對葡萄酒數據集進行聚類248
8.7本章小結255

第9章主成分分析
9.1降維技術258
9.2主成分分析258
9.3核函數263
9.4核主成分分析265
9.5 PCA的Python實現268
9.6案例：利用PCA對葡萄酒質量數據集進行降維271
9.7本章小結280
 

類似商品