機器學習原理與Python編程實踐
袁梅宇
- 出版商: 清華大學
- 出版日期: 2021-03-01
- 定價: $474
- 售價: 7.9 折 $374
- 語言: 簡體中文
- 頁數: 344
- 裝訂: 平裝
- ISBN: 7302570647
- ISBN-13: 9787302570646
-
相關分類:
Machine Learning、Python
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$393機器學習實戰 -
$294C# 並發編程經典實例 -
$414Java 多線程編程核心技術 (Java Multi-thread Programming) -
$588數值與非數值分析VC++類庫(附光盤) -
Excel VBA 757個最強活用範例集 -- 暢銷回饋版$620$484 -
$414實戰 Java 高並發程序設計 -
王者歸來:Python 在大數據科學計算上的最佳實作$860$731 -
$177Java 多線程編程實戰指南 (設計模式篇) -
Python GUI 程式設計:PyQt5 實戰$690$538 -
$454Java 高並發編程詳解:多線程與架構設計 -
Excel VBA 最強權威:Power Programming 全方位實作範例聖經 (國際中文版)$660$561 -
網站擷取|使用 Python, 2/e (Web Scraping with Python: Collecting More Data from the Modern Web, 2/e)$580$458 -
$594實戰 Python 網絡爬蟲 -
用 Python 實作強化學習|使用 TensorFlow 與 OpenAI Gym (Hands-On Reinforcement Learning with Python)$520$442 -
$422深入理解神經網絡 : 從邏輯回歸到 CNN -
Excel VBA 經典程式碼:一行抵萬行「偷懶程式碼」應用大全 (上)$620$484 -
Excel VBA 經典程式碼:一行抵萬行「偷懶程式碼」應用大全 (下)$620$484 -
$370Python機器學習核心算法編程實例 -
密碼編碼學與網絡安全 — 原理與實踐, 8/e (Cryptography and Network Security: Principles and Practice, 8/e (RENTAL EDITION))$588$559 -
Excel 2019 VBA 與巨集程式設計 -- 新手入門就靠這一本 (最新修訂版)(上)$600$468 -
Excel 2019 VBA 與巨集程式設計 -- 新手入門就靠這一本 (最新修訂版)(下)$500$390 -
$564MATLAB 數值分析與應用 -
$607ANSYS Workbench 熱力學分析實例演練 (2020版) -
$556ADAMS 2020 虛擬樣機技術從入門到精通 -
機器學習入門:使用 Scikit-Learn 與 TensorFlow$420$332
中文年末書展|繁簡參展書2書75折 詳見活動內容 »
-
75折
為你寫的 Vue Components:從原子到系統,一步步用設計思維打造面面俱到的元件實戰力 (iThome 鐵人賽系列書)$780$585 -
75折
BDD in Action, 2/e (中文版)$960$720 -
75折
看不見的戰場:社群、AI 與企業資安危機$750$563 -
79折
AI 精準提問 × 高效應用:DeepSeek、ChatGPT、Claude、Gemini、Copilot 一本搞定$390$308 -
7折
超實用!Word.Excel.PowerPoint 辦公室 Office 365 省時高手必備 50招, 4/e (暢銷回饋版)$420$294 -
75折
裂縫碎光:資安數位生存戰$550$412 -
日本當代最強插畫 2025 : 150位當代最強畫師豪華作品集$640$576 -
79折
Google BI 解決方案:Looker Studio × AI 數據驅動行銷實作,完美整合 Google Analytics 4、Google Ads、ChatGPT、Gemini$630$498 -
79折
超有料 Plus!職場第一實用的 AI 工作術 - 用對 AI 工具、自動化 Agent, 讓生產力全面進化!$599$473 -
75折
從零開始學 Visual C# 2022 程式設計, 4/e (暢銷回饋版)$690$518 -
75折
Windows 11 制霸攻略:圖解 AI 與 Copilot 應用,輕鬆搞懂新手必學的 Windows 技巧$640$480 -
75折
精準駕馭 Word!論文寫作絕非難事 (好評回饋版)$480$360 -
Sam Yang 的插畫藝術:用 Procreate / PS 畫出最強男友視角 x 女孩美好日常$699$629 -
79折
AI 加持!Google Sheets 超級工作流$599$473 -
78折
想要 SSR? 快使用 Nuxt 吧!:Nuxt 讓 Vue.js 更好處理 SEO 搜尋引擎最佳化(iThome鐵人賽系列書)$780$608 -
78折
超實用!業務.總管.人資的辦公室 WORD 365 省時高手必備 50招 (第二版)$500$390 -
7折
Node-RED + YOLO + ESP32-CAM:AIoT 智慧物聯網與邊緣 AI 專題實戰$680$476 -
79折
「生成式⇄AI」:52 個零程式互動體驗,打造新世代人工智慧素養$599$473 -
7折
Windows APT Warfare:惡意程式前線戰術指南, 3/e$720$504 -
75折
我輩程式人:回顧從 Ada 到 AI 這條程式路,程式人如何改變世界的歷史與未來展望 (We, Programmers: A Chronicle of Coders from Ada to AI)$850$637 -
75折
不用自己寫!用 GitHub Copilot 搞定 LLM 應用開發$600$450 -
79折
Tensorflow 接班王者:Google JAX 深度學習又快又強大 (好評回饋版)$780$616 -
79折
GPT4 會你也會 - 共融機器人的多模態互動式情感分析 (好評回饋版)$700$553 -
79折
技術士技能檢定 電腦軟體應用丙級術科解題教本|Office 2021$460$363 -
75折
Notion 與 Notion AI 全能實戰手冊:生活、學習與職場的智慧策略 (暢銷回饋版)$560$420
相關主題
商品描述
《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。
作者簡介
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》。
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瞭解你的數據
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



