機器學習原理與Python編程實踐

購買商店

機器學習原理與Python編程實踐

$474.00

馬上購買

內容描述

《機器學習原理與Python編程實踐》講述機器學習的基本原理，使用Python和Numpy實現涉及的各種機器學習算法。通過理論學習和實踐操作，使讀者瞭解並掌握機器學習的基本原理和技能，拉近理論與實踐的距離。全書共分為13章，主要內容包括：機器學習介紹、線性回歸、邏輯回歸、貝葉斯分類器、模型評估與選擇、K-均值算法和EM算法、決策樹、神經網絡、隱馬爾科夫模型、支持向量機、推薦系統、主成分分析、集成學習。全書源碼全部在Python 3.7上調試成功，每章都附有習題和習題參考答案，供讀者參考。 《機器學習原理與Python編程實踐》系統講解了機器學習的常用核心算法和Python編程實踐，內容全面、實例豐富、可操作性強，做到理論與實踐相結合。本書適合機器學習愛好者作為入門和提高的技術參考書，也適合用作電腦專業高年級本科生和研究生的教材或教學參考書。

目錄大綱

章機器學習介紹
1.1機器學習簡介
1.1.1什麼是機器學習
1.1.2機器學習與日常生活
1.1.3如何學習機器學習
1.1.4 Pymon的優勢
1.2基本概念
1.2.1機器學種類
1.2.2有監督學習
1.2.3無監督學習
1.2.4機器學術語
1.2.5預處理
1.3 Numpy數據格式
l.3.1標稱數據
1.3.2序數數據
1.3.3分類數據
1.4示例數據集
1.4.1天氣問題
1.4. 2鳶尾花
1.4.3其他數據集
1.5了解你的數據
習題
第2章線性回歸
2.1從一個實際例子說起
2.1.1模型定義
2.1.2模型假設
2.1.3模型評估
2.2小二乘法
2.2.1小二乘法求解參數
2.2.2用小二乘法來擬合奧運會數據
2.2.3預測比賽結果
2.3梯度下降
2-3.1基本思路
2.3.2梯度下降算法
2.3.3梯度下降求解線性回歸問題
2.4多變量線性回歸
2.4.1多變量線性回歸問題
2.4.2多變量梯度下降
2.4.3隨機梯度下降
2.4.4小批量梯度下降
2.4.5正規方程
2.5多項式回歸
2.5.1多項式回歸算法
2.5.2正則化
習題
第3章邏輯回歸
3.1邏輯回歸介紹
3.1.1線性回歸用於分類
3.1.2假設函數
3.1.3決策邊界
3.2邏輯回歸算法
3.2.1代價函數
3.2.2梯度下降算法
3.2.3 SciPy優化函數
……
第4章貝葉斯分類器
第5章模型評估與選擇
第6章K-均值算法和EM算法
第7章決策樹
第8章神經網絡
第9章隱馬爾科夫模型
第10章支持向量機
第11章推薦系統
第12章主成分分析
第13章集成學習
附錄1符號表
附錄2習題參考答案
參考文獻

作者介紹

袁梅宇，北航工學博士，碩士導師，現在昆明理工大學計算機系任教。
為本科生和研究生主講Java程序設計、Java EE技術、數據庫原理、人工智能、Dot Net技術等核心課程，參加過863 CIMS Net建設、中歐合作項目DRAGON和多項國家基金和省基金項目，□□作者公開發表論文十餘篇，軟件著作權（頒證）六項。
□□作者專著有《Java EE企業級編程開發實例詳解》、《數據挖掘與機器學習——WEKA應用技術與實踐》（□□版、第二版）、《求精要訣——Java EE編程開發案例精講》、《機器學習基礎原理、算法與實踐》。