機器學習入門:基於數學原理的Python實戰

戴璞微,潘斌著

  • 出版商: 北京大學
  • 出版日期: 2019-12-30
  • 定價: $414
  • 售價: 8.5$352
  • 語言: 簡體中文
  • 頁數: 296
  • 裝訂: 平裝
  • ISBN: 7301308973
  • ISBN-13: 9787301308974
  • 相關分類: Machine Learning 機器學習

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