Python快樂編程——機器學習從入門到實戰

千鋒教育高教產品研發部

  • 出版商: 清華大學
  • 出版日期: 2021-08-01
  • 定價: $359
  • 售價: 7.0$251
  • 語言: 簡體中文
  • 頁數: 257
  • 裝訂: 平裝
  • ISBN: 7302576963
  • ISBN-13: 9787302576969
  • 相關分類: Machine Learning
  • 立即出貨

  • Python快樂編程——機器學習從入門到實戰-preview-1
  • Python快樂編程——機器學習從入門到實戰-preview-2
  • Python快樂編程——機器學習從入門到實戰-preview-3
Python快樂編程——機器學習從入門到實戰-preview-1

商品描述

本書採用理論與實戰相結合的形式,通過生活中的例子來講解理論知識,結合實際案例代碼,幫助讀者在掌握機器學習理論的同時,打下項目實踐的基礎,同時配有豐富的教學資源,幫助讀者自學或開展教學工作。 本書共13章,涵蓋機器學習入門所需的數學知識及相關算法,包括K近鄰算法、決策樹、樸素貝葉斯、邏輯回歸與梯度下降、支持向量機、AdaBoost算法、線性回歸、Kmeans算法、Apriori算法、FPgrowth算法、主成分分析和奇異值分解。本書將理論與實際操作相結合,通過豐富的程序實例和詳盡的步驟講解,與讀者一起跳出枯燥的理論知識,快樂學習。 本書適合剛進入機器學習領域的讀者,也可以作為大專院校相關專業的教材。

作者簡介

胡耀文,清華大學出版社技術編審委員會委員,2009年參與國慶60週年官兵電子紀念冊項目,CSDN著名技術專家,博客瀏覽量超過1460350次,2014年--2016年連續三年獲得微軟全球MVP最有價值專家。

目錄大綱

1章初識Python機器學習
1.1機器學習簡介
1.1.1機器學起源及發展
1.1.2監督學習
1.1.3無監督學習
1.1.4半監督學習
1.1.5強化學習
1.1.6機器學習程序開發步驟
1.1.7機器學習發展現狀
1.1.8機器學未來
1.2使用Python語言開發
1.3NumPy函數庫基礎
1.3.1NumPy函數庫的安裝
1.3.2NumPy函數庫入門
1.4SciPy函數庫基礎
1.4.1SciPy函數庫的安裝
1.4.2SciPy函數庫入門
1.5Matplotlib庫
1.5.1Matplotlib庫的安裝
1.5.2Matplotlib庫的使用
1.6集成開發環境Anaconda
1.7本章小結
1.8習題

第2章K近鄰算法
2.1K近鄰算法概述
2.1.1K近鄰算法的基本思想
2.1.2K近鄰的距離度量表示法
2.1.3K值的選擇
2.2K近鄰算法的實現:KD樹
2.2.1KD樹簡介
2.2.2KD樹的構建
2.2.3搜D樹
2.3實戰:利用K近鄰算法改進網站
2.4本章小結
2.5習題

第3章決策樹
3.1決策樹與信息熵
3.1.1決策樹簡介
3.1.2信息與自信息
3.1.3信息熵
3.1.4信息增益與劃分數據集
3.2構建決策樹
3.3可視化決策樹
3.3.1註釋結點
3.3.2構建完整的註解樹
3.4基尼指數與CART算法
3.5決策樹的剪枝
3.6本章小結
3.7習題

第4章樸素貝葉斯
4.1概率分佈與貝葉斯決策論
4.2條件概率
4.3貝葉斯分類
4.4樸素貝葉斯分類
4.5實戰:利用樸素貝葉斯分類模型進行文檔分類
4.5.1將單詞表轉換為向量
4.5.2概率計算
4.5.3通過樸素貝葉斯模型進行文件分類
4.6實戰:利用樸素貝葉斯分類模型過濾垃圾郵件
4.6.1切分文本
4.6.2通過樸素貝葉斯模型過濾垃圾郵件
4.7本章小結
4.8習題

第5章邏輯回歸與梯度下降
5.1邏輯回歸與Sigmoid函數
5.1.1邏輯回歸簡介
5.1.2Sigmoid函數簡介
5.2梯度下降算法
5.2.1二維坐標系中的梯度下降算法
5.2.2三維坐標系中的梯度下降算法
5.3通過梯度下降算法找到佳參數
5.4決策邊界
5.5梯度下降算法的改進
5.5.1批量梯度下降算法
5.5.2隨機梯度下降算法
5.6本章小結
5.7習題

第6章支持向量機
6.1支持向量機簡介
6.2尋找大間隔
6.3序列小優化
6.3.1序列小化算法簡介
6.3.2通過序列小優化算法處理小規模數據集
6.3.3通過完整的序列小優化算法進行優化
核函數及其應用
.1高斯核函數
.2高斯核函數的應用
6.5本章小結
6.6習題

第7章AdaBoost算法
7.1集成學習算法簡介
7.2AdaBoost算法原理
7.3單層決策樹與AdaBoost算法
7.4實戰:通過AdaBoost算法進行分類
7.5非均衡分類
7.5.1分類性能度量指標:正確率、召回率
7.5.2分類性能度量指標:ROC曲線
7.5.3非均衡數據的採樣方法
7.6本章小結
7.7習題

第8章線性回歸
8.1線性回歸原理
8.1.1簡單的線性回歸
8.1.2多元線性回歸
8.2局部加權線性回歸
8.3正則化的線性回歸
8.3.1嶺回歸
8.3.2Lasso回歸
8.4方差與偏差的平衡
8.5本章小結
8.6習題

第9章K-means算法
9.1無監督學習算法
9.2K-means算法簡介
9.3構建簡單的K-means模型
9.4K值的選擇
9.4.1肘部法則
9.4.2輪廓係數
9.4.3間隔統計量
9.4.4Canopy算法
9.5二分K-means算法
9.6本章小結
9.7習題

10章Apriori算法
10.1關聯分析算法簡介
10.2Apriori算法的工作原理
10.3實戰:Python編程發現頻繁項集
10.4實戰:Python編程發現強關聯規則
10.5本章小結
10.6習題

11章FP-growth算法
11.1FP-growth算法簡介
11.2構建FP樹
11.2.1創建FP樹的數據結構
11.2.2通過Python構建FP樹
11.3通過FP-growth算法提取頻繁項集
11.3.1提取條件模式基
11.3.2創建條件FP樹
11.4實戰:從超市購物清單中發掘信息
11.5本章小結
11.6習題

12章主成分分析
12.1數據降維
12.2實戰:通過Python實現簡單的主成分分析
12.3對Iris數據集降維
12.4本章小結
12.5習題

13章奇異值分解
13.1特徵值分解
13.2奇異值分解簡介
13.3實戰:通過Python實現圖片壓縮
13.4基於協同過濾的推薦算法
13.4.1推薦算法概述
13.4.2協同推薦系統概述
13.4.3實戰:通過Python實現基於用戶的協同推薦系統
13.4.4實戰:通過Python實現基於物品的協同推薦系統
13.4.5構建推薦引擎面臨的挑戰
13.5本章小結
13.6習題