走進人工智能——機器學習原理解析與應用
寧可為、高遠、趙源、楊濤
- 出版商: 清華大學
- 出版日期: 2022-08-01
- 定價: $534
- 售價: 8.5 折 $454
- 語言: 簡體中文
- ISBN: 730260696X
- ISBN-13: 9787302606963
-
相關分類:
Machine Learning
下單後立即進貨 (約2週~3週)
買這商品的人也買了...
-
Raspberry Pi 機器人自造專案$450$356 -
Text Mining 文本探勘$350$350 -
$147Python 樹莓派編程 (Learn Raspberry Pi Programming with Python) -
一次搞懂熱門前端框架 - React、Vue.js、Angular、Backbone.js、Aurelia$620$527 -
MIS 一定要懂的 82個伺服器建置與管理知識$420$332 -
現在學正是時候：用 Docker + Kubernetes 建立永續叢集服務$780$663 -
最親切的 Git 入門教室$480$379 -
圖解量子電腦入門：8堂基礎課程+必懂關鍵詞解說，從計算原理到實務應用、通訊到演算，破解讓人類大躍進的科技新浪潮$420$378 -
$403Python 大數據處理庫 PySpark 實戰 -
完全圖解物聯網：實戰‧案例‧獲利模式 從技術到商機、從感測器到系統建構的數位轉型指南$450$356 -
TypeScript 邁向專家之路：零基礎 JavaScript 打通 Angular、React 與 Vue.js 前端框架實戰 (Essential TypeScript: From Beginner to Pro)$880$695 -
PHP8 & MariaDB / MySQL 網站開發 -- 超威範例集$560$420 -
1000億設備互聯時代：嵌入式物聯網動手開發指南$880$748 -
電腦網路原理, 6/e (含ITS Networking 網路管理與應用國際認證模擬試題)$360$284 -
行動與無線通訊 (經典第七版)$580$435 -
IT 工程師必需！Linux 快速入門實戰手冊 - 從命令列、系統設定到開發環境建置, 實體機、虛擬機、容器化、WSL、雲端平台全適用$630$498 -
量子技術：驅動計算、人工智慧、通訊、測量的未來革命$450$351 -
Apache NiFi｜讓你輕鬆建立 Data Pipeline$580$458 -
ChatGPT 一本搞定：讓 AI 成為你的工作好幫手，徹底打敗拒絕新科技的人$380$342 -
ChatGPT 原理，從 PyTorch 中的 NLP 功能讓你一腳跨入自然語言$880$748 -
APCS 大學程式先修檢測實戰指南：從基礎觀念到 Python 高效解題- 最新版 - 附 MOSME 行動學習一點通：評量．詳解．加值$440$396 -
圖計算與推薦系統$594$564 -
並行程序設計$414$393
相關主題
商品描述
目錄大綱
目錄
第一部分 概 述
第1 章 人工智能基礎… …………………………………………………………………… 2
1. 1 人工智能 …………………………………………………………………………… 2
1. 1. 1 人工智能的由來 …………………………………………………………… 2
1. 1. 2 人工智能學科 ……………………………………………………………… 3
1. 2 機器學習 …………………………………………………………………………… 6
1. 2. 1 機器學習簡介 ……………………………………………………………… 6
1. 2. 2 機器學習的類別 …………………………………………………………… 7
1. 2. 3 機器學習的應用 …………………………………………………………… 9
本章小結 ………………………………………………………………………………… 10
第2 章 Python 環境搭建……………………………………………………………………11
2. 1 軟件的下載與安裝 ………………………………………………………………… 11
2. 1. 1 平臺一：海龜編輯器 ……………………………………………………… 11
2. 1. 2 平臺二： PyCharm ………………………………………………………… 13
2. 2 必需庫功能簡介 …………………………………………………………………… 20
2. 2. 1 numpy——基礎科學計算庫 ……………………………………………… 20
2. 2. 2 SciPy——科學計算工具集 ……………………………………………… 22
2. 2. 3 Pandas——數據分析利器 ………………………………………………… 23
2. 2. 4 matplotlib——圖形繪製法寶 ……………………………………………… 26
IV 走進人工智能——機器學習原理解析與應用
2. 2. 5 Sklearn——機器學習神器 ………………………………………………… 28
本章小結 ………………………………………………………………………………… 30
第二部分 分 類
第3 章 K 近鄰算法………………………………………………………………………… 33
3. 1 K 近鄰算法的原理 ………………………………………………………………… 33
3. 2 K 近鄰算法的應用 ………………………………………………………………… 37
3. 2. 1 K 近鄰算法的常用參數 …………………………………………………… 37
3. 2. 2 應用案例一：小說分類 …………………………………………………… 37
3. 2. 3 應用案例二：糖尿病診斷 ………………………………………………… 39
3. 3 K 近鄰算法的特點 ………………………………………………………………… 40
本章小結 ………………………………………………………………………………… 41
第4 章 決策樹… ………………………………………………………………………… 42
4. 1 決策樹的原理 ……………………………………………………………………… 42
4. 1. 1 決策樹的分類過程 ………………………………………………………… 42
4. 1. 2 決策樹的具體組成 ………………………………………………………… 43
4. 1. 3 構建決策樹的相關概念 …………………………………………………… 44
4. 2 決策樹的構建 ……………………………………………………………………… 47
4. 2. 1 建樹 ………………………………………………………………………… 47
4. 2. 2 剪枝 ………………………………………………………………………………… 49
4. 3 決策樹的應用 ……………………………………………………………………… 50
4. 3. 1 環境補充搭建 ……………………………………………………………… 50
4. 3. 2 決策樹的常用參數 ………………………………………………………… 50
4. 3. 3 應用案例：影院會員觀影喜好分析 ……………………………………… 51
4. 4 決策樹的特點 ……………………………………………………………………… 53
本章小結 ………………………………………………………………………………… 53
第5 章 隨機森林… ……………………………………………………………………… 54
5. 1 隨機森林的原理 …………………………………………………………………… 54
5. 1. 1 集成學習 …………………………………………………………………… 54
5. 1. 2 隨機森林的分類過程 ……………………………………………………… 55
目錄V
5. 2 隨機森林的構建 …………………………………………………………………… 57
5. 2. 1 訓練樣本隨機採樣 ………………………………………………………… 58
5. 2. 2 樣本特徵隨機選擇 ………………………………………………………… 59
5. 3 隨機森林的應用 …………………………………………………………………… 59
5. 3. 1 環境補充搭建 ……………………………………………………………… 59
5. 3. 2 RandomForestClassifier 類 ………………………………………………… 60
5. 3. 3 應用案例一：紅酒分類——決策樹與隨機森林分類器效果對比 ……… 60
5. 3. 4 應用案例二：影院會員觀影喜好分析 …………………………………… 61
5. 4 隨機森林的特點 …………………………………………………………………… 67
本章小結 ………………………………………………………………………………… 68
第6 章 支持向量機… …………………………………………………………………… 69
6. 1 支持向量機的邏輯原理 …………………………………………………………… 69
6. 2 支持向量機的數學原理解析 ……………………………………………………… 71
6. 2. 1 線性可分的情況 …………………………………………………………… 71
6. 2. 2 近似線性可分的情況 ……………………………………………………… 73
6. 2. 3 線性不可分的情況 ………………………………………………………… 74
6. 3 支持向量機中的核函數 …………………………………………………………… 76
6. 3. 1 支持向量機中常用核函數介紹 …………………………………………… 77
6. 3. 2 支持向量機中核函數的應用 ……………………………………………… 78
6. 4 支持向量機的應用 ………………………………………………………………… 80
6. 4. 1 SVM 類的常用參數 ……………………………………………………… 80
6. 4. 2 應用案例：情緒分類 ……………………………………………………… 80
本章小結 ………………………………………………………………………………… 84
第7 章 貝葉斯算法… …………………………………………………………………… 85
7. 1 貝葉斯算法的原理 ………………………………………………………………… 85
7. 1. 1 貝葉斯公式 ………………………………………………………………… 85
7. 1. 2 貝葉斯算法的原理（以樸素貝葉斯算法為例） ………………………… 89
7. 1. 3 貝葉斯算法的類別 ………………………………………………………… 90
7. 2 貝葉斯算法的應用 ………………………………………………………………… 91
7. 2. 1 調用方法 …………………………………………………………………… 91
7. 2. 2 應用案例：識別毒蘑菇 …………………………………………………… 91
VI 走進人工智能——機器學習原理解析與應用
7. 3 貝葉斯算法的特點 ………………………………………………………………… 93
本章小結 ………………………………………………………………………………… 94
第三部分 回 歸
第8 章 線性回歸… ……………………………………………………………………… 97
8. 1 一元線性回歸的原理 ……………………………………………………………… 98
8. 2 一元線性回歸的應用 …………………………………………………………… 100
8. 2. 1 LinearRegression 類的常用參數 ………………………………………… 100
8. 2. 2 應用案例：房屋翻修成本預測 ………………………………………… 101
8. 3 多元線性回歸的原理 …………………………………………………………… 103
8. 4 多元線性回歸的應用 …………………………………………………………… 105
8. 5 線性回歸算法的特點 …………………………………………………………… 107
本章小結 ……………………………………………………………………………… 108
第9 章 多項式回歸… ………………………………………………………………… 109
9. 1 一元多項式回歸的原理 ………………………………………………………… 110
9. 2 一元多項式回歸的應用 ………………………………………………………… 114
9. 2. 1 PolynomialFeatures 類的常用參數 ……………………………………… 114
9. 2. 2 應用案例：紅酒價值預測 ……………………………………………… 114
9. 3 多元多項式回歸的原理 ………………………………………………………… 117
9. 4 多元多項式回歸的應用 ………………………………………………………… 119
9. 5 多項式回歸的特點 ……………………………………………………………… 120
本章小結 ……………………………………………………………………………… 120
第10 章 LASSO 回歸與嶺回歸… …………………………………………………… 122
10. 1 L1 範數正則化——LASSO 回歸 …………………………………………… 123
10. 1. 1 LASSO 回歸中的alpha 參數調節 …………………………………… 125
10. 1. 2 LASSO 類的常用參數 ……………………………………………… 125
10. 1. 3 應用案例：對糖尿病數據集進行擬合 …………………………… 126
10. 2 L2 範數正則化——嶺回歸 …………………………………………………… 130
10. 2. 1 嶺回歸中的alpha 參數調節 ………………………………………… 131
10. 2. 2 Ridge 類的常用參數 ………………………………………………… 132
目錄VII
10. 2. 3 應用案例：對糖尿病數據集進行擬合 …………………………… 132
10. 3 LASSO 回歸與嶺回歸的異同 ………………………………………………… 137
10. 3. 1 LASSO 回歸與嶺回歸的共同點 …………………………………… 137
10. 3. 2 LASSO 回歸與嶺回歸的區別 ……………………………………… 137
本章小結 ……………………………………………………………………………… 137
第11 章 邏輯回歸……………………………………………………………………… 138
11. 1 邏輯回歸的原理 ……………………………………………………………… 139
11. 2 邏輯回歸的應用 ……………………………………………………………… 143
11. 2. 1 邏輯回歸算法的常用參數 ………………………………………… 143
11. 2. 2 應用案例：鳶尾花分類 …………………………………………… 144
11. 3 邏輯回歸實現多分類的原理 ………………………………………………… 145
11. 3. 1 OVR/A（One Vs Rest/All） ………………………………………… 146
11. 3. 2 OVO（One Vs One） ………………………………………………… 147
11. 4 多分類邏輯回歸的應用 ……………………………………………………… 148
11. 5 邏輯回歸的特點 ……………………………………………………………… 150
本章小結 ……………………………………………………………………………… 150
第12 章 模型評估與優化……………………………………………………………… 152
12. 1 交叉驗證 ……………………………………………………………………… 152
12. 1. 1 K 折交叉驗證的原理 ………………………………………………… 154
12. 1. 2 交叉驗證法的具體應用 ……………………………………………… 155
12. 1. 3 留一交叉驗證法 ……………………………………………………… 157
12. 2 分類模型的可信度評估 ………………………………………………………… 158
12. 2. 1 混淆矩陣 ……………………………………………………………… 159
12. 2. 2 分類系統的評價指標 ………………………………………………… 160
12. 2. 3 應用案例：識別乳腺癌 ……………………………………………… 162
12. 3 回歸模型的可信度評估 ……………………………………………………… 163
12. 3. 1 平均絕對誤差 ………………………………………………………… 164
12. 3. 2 均方誤差 ……………………………………………………………… 164
12. 3. 3 均方根誤差 …………………………………………………………… 165
12. 3. 4 R2 ……………………………………………………………………… 166
12. 3. 5 應用案例：波士頓房價預測 ………………………………………… 166
12. 4 超參數調優 …………………………………………………………………… 168
VIII 走進人工智能——機器學習原理解析與應用
12. 4. 1 簡單網格搜索來尋找超參數 ……………………………………… 168
12. 4. 2 與交叉驗證結合的網格搜索 ……………………………………… 170
本章小結 ……………………………………………………………………………… 172
第四部分 聚 類
第13 章 物以類聚：K 均值聚類… …………………………………………………… 175
13. 1 K 均值算法的原理 …………………………………………………………… 175
13. 1. 1 K 均值算法的基本思想 …………………………………………… 176
13. 1. 2 算法基本過程 ……………………………………………………… 177
13. 2 K 均值算法的應用 …………………………………………………………… 178
13. 2. 1 KMeans 類的常用參數 ……………………………………………… 178
13. 2. 2 應用案例一：鳶尾花的聚類 ……………………………………… 179
13. 2. 3 應用案例二：甜西瓜的由來（一） ………………………………… 181
13. 3 K 均值算法的特點 …………………………………………………………… 184
本章小結 ……………………………………………………………………………… 184
第14 章 DBSCAN 聚類……………………………………………………………… 185
14. 1 DBSCAN 算法的原理 ………………………………………………………… 186
14. 1. 1 DBSCAN 算法的核心概念 ………………………………………… 186
14. 1. 2 DBSCAN 算法的基本過程 ………………………………………… 187
14. 2 DBSCAN 算法的應用 ………………………………………………………… 189
14. 2. 1 DBSCAN 類的常用參數 ……………………………………………… 189
14. 2. 2 應用案例一：小濤的問題 …………………………………………… 190
14. 2. 3 應用案例二：甜西瓜的由來（二） ………………………………… 191
14. 3 DBSCAN 算法的特點 ………………………………………………………… 193
本章小結 ……………………………………………………………………………… 193
第五部分 關 聯 分 析
第15 章 Apriori 算法…………………………………………………………………… 196
15. 1 Apriori 算法的原理 …………………………………………………………… 196
15. 1. 1 關聯分析中的相關概念 ……………………………………………… 196
目錄IX
15. 1. 2 Apriori 算法的原理 …………………………………………………… 197
15. 2 Apriori 算法的應用 …………………………………………………………… 201
15. 2. 1 Apriori 類的常用參數 ………………………………………………… 201
15. 2. 2 應用案例一：貨架調整 ……………………………………………… 201
15. 2. 3 應用案例二：餐廳菜品 ……………………………………………… 203
15. 3 Apriori 算法的特點 …………………………………………………………… 206
本章小結 ……………………………………………………………………………… 206
第六部分 數據預處理
第16 章 數據歸一與標準化…………………………………………………………… 209
16. 1 數據歸一化與標準化的必要性 ……………………………………………… 209
16. 2 數據歸一化 …………………………………………………………………… 210
16. 2. 1 離差法過程 …………………………………………………………… 210
16. 2. 2 均值歸一化過程 ……………………………………………………… 211
16. 2. 3 數據歸一化的應用 …………………………………………………… 211
16. 3 數據標準化 …………………………………………………………………… 213
16. 3. 1 數據標準化過程 ……………………………………………………… 214
16. 3. 2 數據標準化的應用 …………………………………………………… 214
16. 4 數據預處理實例 ……………………………………………………………… 216
本章小結 …………………………………………………………………………… 219
第17 章 神奇的工具PCA……………………………………………………………… 220
17. 1 PCA 算法的基本原理 ………………………………………………………… 221
17. 1. 1 PCA 的簡單理解 ……………………………………………………… 221
17. 1. 2 向量投影與內積 ……………………………………………………… 222
17. 1. 3 PCA——選擇最優的基 ……………………………………………… 224
17. 1. 4 PCA 的基本過程 ……………………………………………………… 227
17. 2 PCA 算法的應用 ……………………………………………………………… 229
17. 2. 1 PCA 類的常用參數 …………………………………………………… 229
17. 2. 2 應用案例一：對鳶尾花進行PCA 降維 …………………………… 229
17. 3 PCA 算法的特點 ……………………………………………………………… 231
本章小結 ……………………………………………………………………………… 231
X 走進人工智能——機器學習原理解析與應用
第七部分 人工神經網絡
第18 章 自主學習—— MLP 算法… …………………………………………………… 234
18. 1 人工神經網絡的發展簡史 …………………………………………………… 234
18. 2 單層感知機 …………………………………………………………………… 236
18. 3 多層感知機 …………………………………………………………………… 240
18. 3. 1 MLP 的基本原理 ……………………………………………………… 240
18. 3. 2 MLP 前向傳播 ………………………………………………………… 242
18. 3. 3 MLP 後向傳播 ………………………………………………………… 245
18. 3. 4 梯度下降 ……………………………………………………………… 248
18. 4 MLP 算法的應用 ……………………………………………………………… 253
18. 4. 1 MLPClassifier 類的常用參數 ………………………………………… 253
18. 4. 2 應用案例一：一起去游樂場 ………………………………………… 254
18. 4. 3 應用案例二：圖片文字識別 ………………………………………… 256
18. 5 MLP 算法的特點 ……………………………………………………………… 259
本章小結 ……………………………………………………………………………… 259
