Python 機器學習 — 原理、算法及案例實戰 -- 微課視頻版

劉艷、韓龍哲、李沫沫

  • Python 機器學習 — 原理、算法及案例實戰 -- 微課視頻版-preview-1
  • Python 機器學習 — 原理、算法及案例實戰 -- 微課視頻版-preview-2
  • Python 機器學習 — 原理、算法及案例實戰 -- 微課視頻版-preview-3
Python 機器學習 — 原理、算法及案例實戰 -- 微課視頻版-preview-1

買這商品的人也買了...

商品描述

本書系統介紹了經典的機器學習算法,並通過實踐案例對算法進行解析。 本書內容包含三部分: 第一部分(第1章和第2章)為入門篇,著重介紹Python開發基礎及數據分析與處理;第二部分(第3章和第4章)為基礎篇,著重介紹機器學習的理論框架和常用機器學習模型;第三部分(第5~11章)為實戰篇,介紹經典機器學習算法及應用,包括KNN分類算法、KMeans聚類算法、推薦算法、回歸算法、支持向量機算法、神經網絡算法以及深度學習理論及項目實例。 本書力求敘述簡練,概念清晰,通俗易懂。書中的案例選取了接近實際應用的典型問題,以應用能力、創新能力的培養為核心目標。 本書可作為高等院校電腦、軟件工程、大數據、通信、電子等相關專業的教材,也可作為成人教育及自學考試用書,還可作為機器學習相關領域開發人員、工程技術人員和研究人員的參考用書。

作者簡介

主要作者為長期從事計算機一線教學的教師,博士學歷,研究方向均為人工智能與模式識別,具有豐富的計算機教學經驗和紮實的科研經驗。主持國家 863子課題、上海市教委子課題等多個科研項目。
包括多目標旅行商問題的求解 、稀疏半監督學習方法研究 、面向蛋白質結構預測的支持向量機的研究等、多Agent 蟻群算法在仿真優化中應用研究等。
主持國家、省部級教學改革項目6項,作為核心成員參加上海市精品課程、校級重大教研課題。主編參編教材十餘本。多次獲得華東師範大學優秀任課教師獎、華東師範大學教學成果獎等獎勵。

目錄大綱

第一部分入門篇
第1章機器學習概述3
1.1人工智能簡介4
1.1.1什麼是人工智能4
1.1.2人工智能史上的三次浪潮4
1.1.3人工智能的研究領域8
1.2機器學習的主要工作17
1.3機器學習開發環境19
習題25

第2章Python數據處理基礎27
2.1Python程序開發技術27
2.2基本數據類型29
2.3數據文件讀寫37
2.3.1打開與關閉文件37
2.3.2讀取文件內容38
2.3.3將數據寫入文件39
2.3.4Pandas存取文件40
2.3.5NumPy存取文件42
習題43

第二部分基礎篇
第3章Python常用機器學習庫47
3.1NumPy47
3.1.1ndarray對象48
3.1.2NumPy數據類型49
3.1.3NumPy數組屬性53
3.1.4其他創建數組的方式55
3.1.5切片、迭代和索引59
3.1.6NumPy計算62
3.2Pandas64
3.2.1Series數據結構64
3.2.2DataFrame對象67
3.2.3數據對齊75
3.3Matplotlib78
3.4OpenCV91
3.5Scikit learn96
3.5.1SKlearn簡介96
3.5.2SKlearn的一般步驟97
3.6其他常用模塊99
3.6.1WordCloud製作詞云99
3.6.2Jieba中文分詞101
3.6.3PIL105
習題112

第4章機器學習基礎114
4.1機器學習模型115
4.1.1線性模型與非線性模型115
4.1.2淺層模型與深度模型115
4.1.3單一模型與集成模型116
4.1.4監督學習、非監督學習和強化學習116
4.2機器學習算法的選擇120
4.2.1模型的確定121
4.2.2性能評估127
4.3Python機器學習利器SKlearn129
4.3.1SKlearn數據預處理129
4.3.2SKlearn模型選擇與算法評價132
習題134

第三部分實戰篇
第5章KNN分類算法139
5.1KNN分類139
5.2初識KNN——鳶尾花分類142
5.3KNN手寫數字識別147
實驗150

第6章KMeans聚類算法153
6.1KMeans聚類算法概述153
6.1.1聚類154
6.1.2KMeans聚類154
6.1.3聚類算法的性能評估155
6.2使用KMeans實現數據聚類156
6.2.1使用SKlearn實現KMeans聚類156
6.2.2Python實現KMeans聚類159
6.3KMeans算法存在的問題161
6.3.1KMeans算法的不足161
6.3.2科學確定k值163
6.3.3使用後處理提高聚類效果164
實驗164

第7章推薦算法172
7.1推薦系統172
7.1.1推薦算法概述173
7.1.2推薦系統的評價指標175
7.1.3推薦系統面臨的挑戰177
7.1.4常見的推薦算法178
7.2協同過濾推薦算法178
7.2.1基於用戶的協同過濾算法178
7.2.2基於內容的推薦算法183
7.2.3基於圖結構的推薦算法185
7.2.4其他推薦算法185
7.3基於內容的推薦算法案例186
7.4協同過濾算法實現電影推薦188
實驗195

第8章回歸算法196
8.1線性回歸197
8.1.1一元線性回歸197
8.1.2多元線性回歸200
8.2邏輯回歸201
8.2.1線性回歸存在的問題202
8.2.2邏輯函數Sigmoid203
8.2.3邏輯回歸的概念204
8.2.4線性回歸與邏輯回歸的區別205
8.2.5邏輯回歸參數的確定205
8.3回歸分析綜合案例208
8.3.1信用卡逾期情況預測案例208
8.3.2使用邏輯回歸實現鳶尾花分類預測案例211
實驗213

第9章支持向量機216
9.1支持向量機的概念216
9.1.1線性判別分析217
9.1.2間隔與支持向量218
9.1.3超平面219
9.1.4感知器220
9.2支持向量機的參數226
9.2.1優化求解226
9.2.2核函數226
9.2.3SVM應用案例226
實驗231

第10章神經網絡237
10.1神經網絡的基本原理237
10.1.1人工神經網絡237
10.1.2神經網絡結構239
10.2多層神經網絡240
10.2.1多隱藏層240
10.2.2激活函數242
10.3BP神經網絡244
實驗251

第11章深度學習256
11.1深度學習概述257
11.1.1深度學習的產生257
11.1.2深度學習的發展259
11.2卷積神經網絡260
11.2.1卷積神經網絡的神經科學基礎260
11.2.2卷積操作260
11.2.3池化操作263
11.2.4卷積神經網絡的激活函數265
11.2.5卷積神經網絡模型265
11.3循環神經網絡270
11.4常見的深度學習開源框架和平台271
11.5TensorFlow學習框架272
11.6Keras深度學習框架280
11.6.1Keras基礎280
11.6.2Keras綜合實例280
習題286