機器學習(全彩圖解 + 微課 + Python編程)
薑偉生
- 出版商: 清華大學
- 出版日期: 2024-08-01
- 售價: $1,428
- 貴賓價: 9.5 折 $1,357
- 語言: 簡體中文
- 頁數: 534
- ISBN: 7302666768
- ISBN-13: 9787302666769
-
相關分類:
Python、程式語言、Machine Learning
立即出貨 (庫存=1)
買這商品的人也買了...
-
$352Java 多線程編程核心技術 (Java Multi-thread Programming)
-
$352實戰 Java 高並發程序設計
-
$860$731 -
$690$538 -
$354$336 -
$520$406 -
$414$393 -
$611金融中的機器學習
-
$1,000$790 -
$474$450 -
$1,199$1,139 -
$534$507 -
$1,014$963 -
$1,316矩陣力量 (線性代數全彩圖解 + 微課 + Python 編程)
-
$1,214數學要素(全彩圖解 + 微課 + Python編程)
-
$356強化學習演算法入門
-
$750$592 -
$1,316統計至簡:概率統計全彩圖解 + 微課 + Python 編程
-
$534$507 -
$1,608$1,528 -
$1,548$1,471 -
$913Python 金融數據分析
-
$720線性代數與數據學習
-
$774$735 -
$1,214數據有道(數據分析+圖論與網絡+微課+Python編程)
相關主題
商品描述
"《機器學習 : 全彩圖解+微課+Python編程》是“鳶尾花數學大系:從加減乘除到機器學習”叢書的最後一冊,前六本解決了編程、可視化、數學、 數據方面的諸多問題,而《機器學習 : 全彩圖解+微課+Python編程》將開啟機器學習經典算法的學習之旅。 《機器學習 : 全彩圖解+微課+Python編程》設置了 24 個話題,對應四大類機器學習經典算法(回歸、分類、降維、聚類),覆蓋算法包括: 回歸分析、多元線性回歸、非線性回歸、正則化回歸、貝葉斯回歸、高斯過程、k 最近鄰分類、樸素貝葉 斯分類、高斯判別分析、支持向量機、核技巧、決策樹、主成分分析、截斷奇異值分解、主成分分析進階、 主成分分析與回歸、核主成分分析、典型相關分析、 k 均值聚類、高斯混合模型、**期望算法、層次聚類、 密度聚類、譜聚類。 《機器學習 : 全彩圖解+微課+Python編程》選取算法模型的目標是覆蓋 Scikit-Learn 庫的常用機器學習算法函數,讓讀者充分理解算法理論, 又能聯系實際應用。因此,在學習《機器學習 : 全彩圖解+微課+Python編程》時,特別希望調用 Scikit-Learn 各種函數來解決問題之餘,更要理解 算法背後的數學工具。因此,《機器學習 : 全彩圖解+微課+Python編程》給出適度的數學推導以及擴展閱讀。 《機器學習 : 全彩圖解+微課+Python編程》提供代碼示例和視頻講解,“鳶尾花書”強調在 JupyterLab 自主探究學習才能提高編程技能。本 書配套微課也主要以配套 Jupyter Notebooks 為核心,希望讀者邊看視頻,邊動手練習。 《機器學習 : 全彩圖解+微課+Python編程》讀者群包括所有試圖用機器學習解決問題的朋友,尤其適用於機器學習入門、初級程序員轉型、 高級數據分析師、機器學習進階。 "
目錄大綱
Contents
目錄
緒論 ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 1
第 1章 機器學習 ???????????????????????????????????????????????????????????????????????????????????????????????????????????? 7
1.1 什麽是機器學習? 8
1.2 回歸:找到自變量與因變量關系 10
1.3 分類:針對有標簽數據 14
1.4 降維:降低數據維度,提取主要特徵 16
1.5 聚類:針對無標簽數據 20
1.6 機器學習流程 21
1.7 下一步學什麽? 24
第 2章 回歸分析 ?????????????????????????????????????????????????????????????????????????????????????????????????????????? 27
2.1 線性回歸:一個表格、一條直線 29
2.2 方差分析 (ANOVA) 32
2.3 總離差平方和 (SST) 35
2.4 回歸平方和 (SSR) 37
2.5 殘差平方和 (SSE) 38
2.6 幾何視角:勾股定理 40
2.7 擬合優度:評價擬合程度 42
2.8 F 檢驗:模型參數不全為 0 44
2.9 t 檢驗:某個回歸系數是否為 0 46
2.10 置信區間:因變量均值的區間 50
2.11 預測區間:因變量特定值的區間 51
2.12 對數似然函數:用在最大似然估計 (MLE) 51
2.13 信息準則:選擇模型的標準 52
2.14 殘差分析:假設殘差服從均值為 0 的正態分佈 53
2.15 自相關檢測:Durbin-Watson 54
2.16 條件數:多重共線性 55
第 3章 多元線性回歸 57
3.1 多元線性回歸 58
3.2 優化問題:OLS 60
3.3 幾何解釋:投影 63
3.4 二元線性回歸實例 65
3.5 多元線性回歸實例 68
3.6 正交關系 72
3.7 三個平方和 75
3.8 t 檢驗 77
3.9 多重共線性 78
3.10 條件概率視角看多元線性回歸 80
第4章 非線性回歸 85
4.1 線性回歸 86
4.2 線性對數模型 88
4.3 非線性回歸 90
4.4 多項式回歸 92
4.5 邏輯回歸 97
4.6 邏輯函數完成分類問題 102
第 5章 正則化回歸 109
5.1 正則化:抑制過擬合 110
5.2 嶺回歸 113
5.3 幾何角度看嶺回歸 119
5.4 套索回歸 121
5.5 幾何角度看套索回歸 123
5.6 彈性網絡回歸 127
第 6章 貝葉斯回歸 133
6.1 回顧貝葉斯推斷 134
6.2 貝葉斯回歸:無信息先驗 137
6.3 使用 PyMC 完成貝葉斯回歸 137
6.4 貝葉斯視角理解嶺正則化 142
6.5 貝葉斯視角理解套索正則化 144
第 7章 高斯過程 149
7.1 高斯過程原理 150
7.2 解決回歸問題 156
7.3 解決分類問題 157
第8章 k最近鄰分類 ???????????????????????????????????????????????????????????????? 163
8.1 k 最近鄰分類原理:近朱者赤,近墨者黑 164
8.2 二分類:非紅,即藍 166
8.3 三分類:非紅,要麽藍,要麽灰 168
8.4 近鄰數量 k 影響投票結果 170
8.5 投票權重:越近,影響力越高 173
8.6 最近質心分類:分類邊界為中垂線 174
8.7 k-NN 回歸:非參數回歸 177
第 9章 樸素貝葉斯分類 181
9.1 重逢貝葉斯 182
9.2 樸素貝葉斯的“樸素 ”之處 186
9.3 高斯,你好 198
第 10章 高斯判別分析 213
10.1 又見高斯 214
10.2 六類協方差矩陣 217
10.3 決策邊界解析解 219
10.4 第一類 221
10.5 第二類 224
10.6 第三類 226
10.7 第四類 227
10.8 第五類 228
10.9 第六類 229
10.10 線性和二次判別分析 230
第 11章 支持向量機 ????????????????????????????????????????????????????????????????????????????? 235
11.1 支持向量機 236
11.2 硬間隔:處理線性可分 240
11.3 構造優化問題 245
11.4 支持向量機處理二分類問題 248
11.5 軟間隔:處理線性不可分 252
第 12章 核技巧 ????????????????????????????????????????????????????????????????????????????????????????? 257
12.1 映射函數:實現升維 258
12.2 核技巧 SVM 優化問題 261
12.3 線性核:最基本的核函數 266
12.4 多項式核 268
12.5 二次核:二次曲面 271
12.6 三次核:三次曲面 273
12.7 高斯核:基於徑向基函數 275
12.8 Sigmoid 核 280
第 13章 決策樹 ???????????????????????????????????????????????????????????????????????????????????????????????????????? 285
13.1 決策樹:可以分類,也可以回歸 286
13.2 信息熵:不確定性度量 288
13.3 信息增益:通過劃分,提高確定度 290
13.4 基尼指數:指數越大,不確定性越高 292
13.5 最大葉節點:影響決策邊界 293
13.6 最大深度:控制樹形大小 297
第 14章 主成分分析 ??????????????????????????????????????????????????????????????????????????????????????????????? 303
14.1 主成分分析 304
14.2 原始數據 307
14.3 特徵值分解 310
14.4 正交空間 312
14.5 投影結果 316
14.6 還原 320
14.7 雙標圖 323
14.8 陡坡圖 327
第 15章 截斷奇異值分解 ???????????????????????????????????????????????????????????????????????????????????????? 331
15.1 幾何視角看奇異值分解 332
15.2 四種 SVD 分解 334
15.3 幾何視角看截斷型 SVD 336
15.4 優化視角看截斷型 SVD 339
15.5 分析鳶尾花照片 343
第 16章 主成分分析進階 ??????????????????????????????????????????????????????????????????????????????????????? 351
16.1 從“六條技術路線 ”說起 352
16.2 協方差矩陣:中心化數據 355
16.3 格拉姆矩陣:原始數據 363
16.4 相關性系數矩陣:標準化數據 368
第 17章 主成分分析與回歸 ???????????????????????????????????????????????????????????????????????????????????? 375
17.1 正交回歸 376
17.2 一元正交回歸 378
17.3 幾何角度看正交回歸 382
17.4 二元正交回歸 385
17.5 多元正交回歸 389
17.6 主元回歸 393
17.7 偏最小二乘回歸 405
第 18章 核主成分分析 413
18.1 核主成分分析 414
18.2 從主成分分析說起 415
18.3 用核技巧完成核主成分分析 418
第 19章 典型相關分析 427
19.1 典型相關分析原理 428
19.2 從一個協方差矩陣考慮 432
19.3 以鳶尾花數據為例 434
第 20章 K均值聚類 ???????????????????????????????????????????????????????????????????????????????????????????????? 443
20.1 K 均值聚類 444
20.2 優化問題 445
20.3 迭代過程 448
20.4 肘部法則:選定聚類簇值 450
20.5 輪廓圖:選定聚類簇值 452
20.6 沃羅諾伊圖 454
第 21章 高斯混合模型 457
21.1 高斯混合模型 458
21.2 四類協方差矩陣 464
21.3 分量數量 469
21.4 硬聚類和軟聚類 471
第 22章 最大期望算法 475
22.1 最大期望 476
22.2 E 步:最大化期望 477
22.3 M 步:最大化似然概率 480
22.4 迭代過程 482
22.5 多元 GMM 迭代 486
第 23章 層次聚類 495
23.1 層次聚類 496
23.2 樹形圖 497
23.3 簇間距離 503
23.4 親近度層次聚類 509
第 24章 密度聚類 511
24.1 DBSCAN 聚類 512
24.2 調節參數 515
第 25章 譜聚類 519
25.1 譜聚類 520
25.2 距離矩陣 521
25.3 相似度 524
25.4 無向圖 525
25.5 拉普拉斯矩陣 527
25.6 特徵值分解 530
參考文獻 ????????????????????????????????????????????????????????????????????????????????? 535