掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類(lèi)五星書(shū)更多>
-
>
闖進(jìn)數(shù)學(xué)世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當(dāng)代中國(guó)政府與政治(新編21世紀(jì)公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國(guó)特色社會(huì)主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學(xué)·全國(guó)中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
中圖價(jià):¥45.8
加入購(gòu)物車(chē)
機(jī)器學(xué)習(xí)基礎(chǔ)(第2版·題庫(kù)·微課視頻版) 版權(quán)信息
- ISBN：9787302664093
- 條形碼：9787302664093 ; 978-7-302-66409-3
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
機(jī)器學(xué)習(xí)基礎(chǔ)(第2版·題庫(kù)·微課視頻版) 本書(shū)特色
理論與實(shí)踐相結(jié)合，全面、系統(tǒng)地介紹機(jī)器學(xué)習(xí)算法的理論細(xì)節(jié)與應(yīng)用方法
包括邏輯回歸與*大熵模型、k-近鄰模型、決策樹(shù)模型、樸素貝葉斯模型、支持向量機(jī)模型、集成學(xué)習(xí)框架、EM算法、降維算法、聚類(lèi)算法、神經(jīng)網(wǎng)絡(luò)模型等基礎(chǔ)模型或算法
8個(gè)綜合項(xiàng)目實(shí)戰(zhàn)闡述機(jī)器學(xué)習(xí)算法在生產(chǎn)生活中的應(yīng)用
機(jī)器學(xué)習(xí)基礎(chǔ)(第2版·題庫(kù)·微課視頻版) 內(nèi)容簡(jiǎn)介
本書(shū)以機(jī)器學(xué)習(xí)算法為主題，詳細(xì)介紹算法的理論細(xì)節(jié)與應(yīng)用方法。全書(shū)共19章，分別介紹了邏輯回歸及**熵模型、k近鄰模型、決策樹(shù)模型、樸素貝葉斯分類(lèi)器模型、支持向量機(jī)模型、集成學(xué)習(xí)框架、EM算法、降維算法、聚類(lèi)算法、神經(jīng)網(wǎng)絡(luò)模型等基礎(chǔ)模型或算法，以及8個(gè)綜合項(xiàng)目實(shí)例。本書(shū)重視理論與實(shí)踐相結(jié)合，希望為讀者提供全面而細(xì)致的學(xué)習(xí)指導(dǎo)。 本書(shū)適合機(jī)器學(xué)習(xí)初學(xué)者、相關(guān)行業(yè)從業(yè)人員以及高等院校計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程等相關(guān)專業(yè)的師生閱讀。
機(jī)器學(xué)習(xí)基礎(chǔ)(第2版·題庫(kù)·微課視頻版) 目錄
隨書(shū)資源
第1章機(jī)器學(xué)習(xí)概述 1.1機(jī)器學(xué)習(xí)的組成 1.2分類(lèi)問(wèn)題及回歸問(wèn)題 1.3監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí) 1.4生成模型及判別模型 1.5模型評(píng)估 1.5.1訓(xùn)練誤差及泛化誤差 1.5.2過(guò)擬合及欠擬合 1.6正則化 1.7Scikitlearn模塊 1.7.1數(shù)據(jù)集 1.7.2模型選擇 習(xí)題1 第2章邏輯回歸及*大熵模型 2.1線性回歸 2.1.1一元線性回歸 2.1.2多元線性回歸 2.2廣義線性回歸 2.2.1邏輯回歸 2.2.2多分類(lèi)邏輯回歸 2.2.3交叉熵?fù)p失函數(shù) 2.3*大熵模型 2.3.1*大熵模型的導(dǎo)出 2.3.2*大熵模型與邏輯回歸之間的關(guān)系 2.4評(píng)價(jià)指標(biāo) 2.4.1混淆矩陣 2.4.2準(zhǔn)確率 2.4.3精確率與召回率 2.4.4PR曲線 2.4.5ROC曲線 2.5實(shí)例： 基于邏輯回歸實(shí)現(xiàn)乳腺癌預(yù)測(cè) 習(xí)題2
第3章k近鄰算法 3.1k值的選取 3.2距離的度量 3.3快速檢索 3.4實(shí)例： 基于k近鄰算法實(shí)現(xiàn)鳶尾花分類(lèi) 習(xí)題3 第4章決策樹(shù) 4.1特征選擇 4.1.1信息增益 4.1.2信息增益比 4.2決策樹(shù)生成算法CART 4.3決策樹(shù)剪枝 4.3.1預(yù)剪枝 4.3.2后剪枝 4.4實(shí)例： 基于決策樹(shù)實(shí)現(xiàn)葡萄酒分類(lèi) 習(xí)題4 第5章樸素貝葉斯分類(lèi)器 5.1極大似然估計(jì) 5.2樸素貝葉斯分類(lèi) 5.3拉普拉斯平滑 5.4樸素貝葉斯分類(lèi)器的極大似然估計(jì)解釋 5.5實(shí)例： 基于樸素貝葉斯實(shí)現(xiàn)垃圾短信分類(lèi) 習(xí)題5 第6章支持向量機(jī) 6.1*大間隔及超平面 6.2線性可分支持向量機(jī) 6.3線性支持向量機(jī) 6.4合頁(yè)損失函數(shù) 6.5核技巧 6.6二分類(lèi)問(wèn)題與多分類(lèi)問(wèn)題 6.6.1一對(duì)一 6.6.2一對(duì)多 6.6.3多對(duì)多 6.7實(shí)例： 基于支持向量機(jī)實(shí)現(xiàn)葡萄酒分類(lèi) 習(xí)題6 第7章集成學(xué)習(xí) 7.1偏差與方差 7.2Bagging及隨機(jī)森林 7.2.1Bagging 7.2.2隨機(jī)森林 7.3Boosting及AdaBoost 7.3.1Boosting 7.3.2AdaBoost 7.4提升樹(shù) 7.4.1殘差提升樹(shù) 7.4.2GBDT 7.4.3XGBoost 7.5Stacking 7.6實(shí)例: 基于梯度下降樹(shù)實(shí)現(xiàn)波士頓房?jī)r(jià)預(yù)測(cè) 習(xí)題7 第8章EM算法及其應(yīng)用 8.1Jensen不等式 8.2EM算法 8.3高斯混合模型（GMM） 8.4隱馬爾可夫模型 8.4.1計(jì)算觀測(cè)概率的輸出 8.4.2估計(jì)隱馬爾可夫模型的參數(shù) 8.4.3隱變量序列預(yù)測(cè) 8.5實(shí)例： 基于高斯混合模型實(shí)現(xiàn)鳶尾花分類(lèi) 習(xí)題8 第9章降維 9.1主成分分析 9.1.1方差即協(xié)方差的無(wú)偏估計(jì) 9.1.2實(shí)例： 基于主成分分析實(shí)現(xiàn)鳶尾花數(shù)據(jù)降維 9.2奇異值分解 9.2.1奇異值分解的構(gòu)造 9.2.2奇異值分解用于數(shù)據(jù)壓縮 9.2.3SVD與PCA的關(guān)系 9.2.4奇異值分解的幾何解釋 9.2.5實(shí)例： 基于奇異值分解實(shí)現(xiàn)圖片壓縮 習(xí)題9 第10章聚類(lèi) 10.1距離度量 10.1.1閔可夫斯基距離 10.1.2余弦相似度 10.1.3馬氏距離 10.1.4漢明距離 10.2層次聚類(lèi) 10.3KMeans聚類(lèi) 10.4KMedoids聚類(lèi) 10.5DBSCAN 10.6實(shí)例： 基于KMeans實(shí)現(xiàn)鳶尾花聚類(lèi) 習(xí)題10
第11章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 11.1神經(jīng)元模型 11.2多層感知機(jī) 11.3損失函數(shù) 11.4反向傳播算法 11.4.1梯度下降法 11.4.2梯度消失及梯度爆炸 11.5卷積神經(jīng)網(wǎng)絡(luò) 11.5.1卷積 11.5.2池化 11.5.3網(wǎng)絡(luò)架構(gòu) 11.6循環(huán)神經(jīng)網(wǎng)絡(luò) 11.7生成對(duì)抗網(wǎng)絡(luò) 11.8圖卷積神經(jīng)網(wǎng)絡(luò) 11.9深度學(xué)習(xí)發(fā)展 11.10實(shí)例： 基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別 11.10.1MNIST數(shù)據(jù)集 11.10.2基于卷積神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別 習(xí)題11 第12章案例： 用戶流失預(yù)警 12.1讀入數(shù)據(jù) 12.2數(shù)據(jù)預(yù)處理和自變量標(biāo)準(zhǔn)化 12.3五折交叉驗(yàn)證 12.4代入三種模型 12.5調(diào)整prob閾值，輸出精度評(píng)估 第13章案例： 基于回歸問(wèn)題和XGBoost模型的房?jī)r(jià)預(yù)測(cè) 13.1XGBoost模型介紹 13.2技術(shù)方案 13.2.1數(shù)據(jù)分析 13.2.2XGBoost模型參數(shù) 13.2.3調(diào)參過(guò)程 13.3完整代碼及結(jié)果展示 第14章案例： 基于KMeans算法的鳶尾花數(shù)據(jù)聚類(lèi)和可視化 14.1數(shù)據(jù)及工具簡(jiǎn)介 14.1.1Iris數(shù)據(jù)集(鳶尾花數(shù)據(jù)集) 14.1.2Tkinter 14.2案例分析 14.2.1模塊引入 14.2.2布局圖形界面 14.2.3讀取數(shù)據(jù)文件 14.2.4聚類(lèi) 14.2.5聚類(lèi)結(jié)果可視化 14.2.6誤差分析及其可視化 14.2.7使用流程 第15章案例： 影評(píng)數(shù)據(jù)分析與電影推薦 15.1明確目標(biāo)與準(zhǔn)備數(shù)據(jù) 15.2工具選擇 15.3初步分析 15.3.1用戶角度分析 15.3.2電影角度分析 15.4電影推薦 第16章案例： 股價(jià)預(yù)測(cè) 16.1使用Tsfresh進(jìn)行升維和特征工程 16.2程序設(shè)計(jì)思路 16.3程序設(shè)計(jì)步驟 16.3.1讀入并分析數(shù)據(jù) 16.3.2移窗 16.3.3升維 16.3.4方差過(guò)濾 16.3.5使用AdaBoostRegressor模型進(jìn)行回歸預(yù)測(cè) 16.3.6預(yù)測(cè)結(jié)果分析 第17章案例： 使用CRF實(shí)現(xiàn)命名實(shí)體識(shí)別 17.1模型定義 17.2數(shù)據(jù)預(yù)處理 17.3模型訓(xùn)練 17.4模型預(yù)測(cè)
第18章案例： 利用手機(jī)的購(gòu)物評(píng)論分析手機(jī)特征 18.1數(shù)據(jù)準(zhǔn)備 18.2數(shù)據(jù)分析 18.2.1模型介紹 18.2.2算法應(yīng)用 18.2.3名詞提取 18.2.4情感分析 第19章案例： 基于CNN的手寫(xiě)數(shù)字識(shí)別 19.1MINST數(shù)據(jù)集介紹與分析 19.2基于 CNN 的構(gòu)建與訓(xùn)練
參考文獻(xiàn)
第1章機(jī)器學(xué)習(xí)概述 1.1機(jī)器學(xué)習(xí)的組成 1.2分類(lèi)問(wèn)題及回歸問(wèn)題 1.3監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí) 1.4生成模型及判別模型 1.5模型評(píng)估 1.5.1訓(xùn)練誤差及泛化誤差 1.5.2過(guò)擬合及欠擬合 1.6正則化 1.7Scikitlearn模塊 1.7.1數(shù)據(jù)集 1.7.2模型選擇 習(xí)題1 第2章邏輯回歸及*大熵模型 2.1線性回歸 2.1.1一元線性回歸 2.1.2多元線性回歸 2.2廣義線性回歸 2.2.1邏輯回歸 2.2.2多分類(lèi)邏輯回歸 2.2.3交叉熵?fù)p失函數(shù) 2.3*大熵模型 2.3.1*大熵模型的導(dǎo)出 2.3.2*大熵模型與邏輯回歸之間的關(guān)系 2.4評(píng)價(jià)指標(biāo) 2.4.1混淆矩陣 2.4.2準(zhǔn)確率 2.4.3精確率與召回率 2.4.4PR曲線 2.4.5ROC曲線 2.5實(shí)例： 基于邏輯回歸實(shí)現(xiàn)乳腺癌預(yù)測(cè) 習(xí)題2
第3章k近鄰算法 3.1k值的選取 3.2距離的度量 3.3快速檢索 3.4實(shí)例： 基于k近鄰算法實(shí)現(xiàn)鳶尾花分類(lèi) 習(xí)題3 第4章決策樹(shù) 4.1特征選擇 4.1.1信息增益 4.1.2信息增益比 4.2決策樹(shù)生成算法CART 4.3決策樹(shù)剪枝 4.3.1預(yù)剪枝 4.3.2后剪枝 4.4實(shí)例： 基于決策樹(shù)實(shí)現(xiàn)葡萄酒分類(lèi) 習(xí)題4 第5章樸素貝葉斯分類(lèi)器 5.1極大似然估計(jì) 5.2樸素貝葉斯分類(lèi) 5.3拉普拉斯平滑 5.4樸素貝葉斯分類(lèi)器的極大似然估計(jì)解釋 5.5實(shí)例： 基于樸素貝葉斯實(shí)現(xiàn)垃圾短信分類(lèi) 習(xí)題5 第6章支持向量機(jī) 6.1*大間隔及超平面 6.2線性可分支持向量機(jī) 6.3線性支持向量機(jī) 6.4合頁(yè)損失函數(shù) 6.5核技巧 6.6二分類(lèi)問(wèn)題與多分類(lèi)問(wèn)題 6.6.1一對(duì)一 6.6.2一對(duì)多 6.6.3多對(duì)多 6.7實(shí)例： 基于支持向量機(jī)實(shí)現(xiàn)葡萄酒分類(lèi) 習(xí)題6 第7章集成學(xué)習(xí) 7.1偏差與方差 7.2Bagging及隨機(jī)森林 7.2.1Bagging 7.2.2隨機(jī)森林 7.3Boosting及AdaBoost 7.3.1Boosting 7.3.2AdaBoost 7.4提升樹(shù) 7.4.1殘差提升樹(shù) 7.4.2GBDT 7.4.3XGBoost 7.5Stacking 7.6實(shí)例: 基于梯度下降樹(shù)實(shí)現(xiàn)波士頓房?jī)r(jià)預(yù)測(cè) 習(xí)題7 第8章EM算法及其應(yīng)用 8.1Jensen不等式 8.2EM算法 8.3高斯混合模型（GMM） 8.4隱馬爾可夫模型 8.4.1計(jì)算觀測(cè)概率的輸出 8.4.2估計(jì)隱馬爾可夫模型的參數(shù) 8.4.3隱變量序列預(yù)測(cè) 8.5實(shí)例： 基于高斯混合模型實(shí)現(xiàn)鳶尾花分類(lèi) 習(xí)題8 第9章降維 9.1主成分分析 9.1.1方差即協(xié)方差的無(wú)偏估計(jì) 9.1.2實(shí)例： 基于主成分分析實(shí)現(xiàn)鳶尾花數(shù)據(jù)降維 9.2奇異值分解 9.2.1奇異值分解的構(gòu)造 9.2.2奇異值分解用于數(shù)據(jù)壓縮 9.2.3SVD與PCA的關(guān)系 9.2.4奇異值分解的幾何解釋 9.2.5實(shí)例： 基于奇異值分解實(shí)現(xiàn)圖片壓縮 習(xí)題9 第10章聚類(lèi) 10.1距離度量 10.1.1閔可夫斯基距離 10.1.2余弦相似度 10.1.3馬氏距離 10.1.4漢明距離 10.2層次聚類(lèi) 10.3KMeans聚類(lèi) 10.4KMedoids聚類(lèi) 10.5DBSCAN 10.6實(shí)例： 基于KMeans實(shí)現(xiàn)鳶尾花聚類(lèi) 習(xí)題10
第11章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 11.1神經(jīng)元模型 11.2多層感知機(jī) 11.3損失函數(shù) 11.4反向傳播算法 11.4.1梯度下降法 11.4.2梯度消失及梯度爆炸 11.5卷積神經(jīng)網(wǎng)絡(luò) 11.5.1卷積 11.5.2池化 11.5.3網(wǎng)絡(luò)架構(gòu) 11.6循環(huán)神經(jīng)網(wǎng)絡(luò) 11.7生成對(duì)抗網(wǎng)絡(luò) 11.8圖卷積神經(jīng)網(wǎng)絡(luò) 11.9深度學(xué)習(xí)發(fā)展 11.10實(shí)例： 基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別 11.10.1MNIST數(shù)據(jù)集 11.10.2基于卷積神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別 習(xí)題11 第12章案例： 用戶流失預(yù)警 12.1讀入數(shù)據(jù) 12.2數(shù)據(jù)預(yù)處理和自變量標(biāo)準(zhǔn)化 12.3五折交叉驗(yàn)證 12.4代入三種模型 12.5調(diào)整prob閾值，輸出精度評(píng)估 第13章案例： 基于回歸問(wèn)題和XGBoost模型的房?jī)r(jià)預(yù)測(cè) 13.1XGBoost模型介紹 13.2技術(shù)方案 13.2.1數(shù)據(jù)分析 13.2.2XGBoost模型參數(shù) 13.2.3調(diào)參過(guò)程 13.3完整代碼及結(jié)果展示 第14章案例： 基于KMeans算法的鳶尾花數(shù)據(jù)聚類(lèi)和可視化 14.1數(shù)據(jù)及工具簡(jiǎn)介 14.1.1Iris數(shù)據(jù)集(鳶尾花數(shù)據(jù)集) 14.1.2Tkinter 14.2案例分析 14.2.1模塊引入 14.2.2布局圖形界面 14.2.3讀取數(shù)據(jù)文件 14.2.4聚類(lèi) 14.2.5聚類(lèi)結(jié)果可視化 14.2.6誤差分析及其可視化 14.2.7使用流程 第15章案例： 影評(píng)數(shù)據(jù)分析與電影推薦 15.1明確目標(biāo)與準(zhǔn)備數(shù)據(jù) 15.2工具選擇 15.3初步分析 15.3.1用戶角度分析 15.3.2電影角度分析 15.4電影推薦 第16章案例： 股價(jià)預(yù)測(cè) 16.1使用Tsfresh進(jìn)行升維和特征工程 16.2程序設(shè)計(jì)思路 16.3程序設(shè)計(jì)步驟 16.3.1讀入并分析數(shù)據(jù) 16.3.2移窗 16.3.3升維 16.3.4方差過(guò)濾 16.3.5使用AdaBoostRegressor模型進(jìn)行回歸預(yù)測(cè) 16.3.6預(yù)測(cè)結(jié)果分析 第17章案例： 使用CRF實(shí)現(xiàn)命名實(shí)體識(shí)別 17.1模型定義 17.2數(shù)據(jù)預(yù)處理 17.3模型訓(xùn)練 17.4模型預(yù)測(cè)
第18章案例： 利用手機(jī)的購(gòu)物評(píng)論分析手機(jī)特征 18.1數(shù)據(jù)準(zhǔn)備 18.2數(shù)據(jù)分析 18.2.1模型介紹 18.2.2算法應(yīng)用 18.2.3名詞提取 18.2.4情感分析 第19章案例： 基于CNN的手寫(xiě)數(shù)字識(shí)別 19.1MINST數(shù)據(jù)集介紹與分析 19.2基于 CNN 的構(gòu)建與訓(xùn)練
參考文獻(xiàn)
展開(kāi)全部
書(shū)友推薦
- >
月亮與六便士
- >
苦雨齋序跋文-周作人自編集
- >
小考拉的故事-套裝共3冊(cè)
- >
推拿
- >
我與地壇
- >
中國(guó)歷史的瞬間
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
有舍有得是人生
本類(lèi)暢銷(xiāo)
