機器學習及其Python實踐(微課視頻版)

闞道宏

  • 出版商: 清華大學
  • 出版日期: 2022-08-01
  • 定價: $534
  • 售價: 8.0$427
  • 語言: 簡體中文
  • ISBN: 7302604061
  • ISBN-13: 9787302604068
  • 相關分類: Machine Learning
  • 立即出貨 (庫存 < 3)

  • 機器學習及其Python實踐(微課視頻版)-preview-1
  • 機器學習及其Python實踐(微課視頻版)-preview-2
  • 機器學習及其Python實踐(微課視頻版)-preview-3
機器學習及其Python實踐(微課視頻版)-preview-1

相關主題

商品描述

本書面向研究型開發與創新能力培養,重點講解機器學習的基本原理和前沿思想。Python是開展機器學習編程實踐的主流語言,本書為常用的機器學習模型提供了完整的Python實現代碼。本書在“學堂在線”網站同步開設配套慕課課程,供讀者免費學習。 本書可作為高等學校相關專業“機器學習”“統計學習”等課程的教材,也可作為有一定基礎的讀者的自學參考書。

目錄大綱

目錄

第1章機器學習導論

1.1測算房價的數學模型

1.1.1通過樣本確定模型參數

1.1.2為機器學習模型編寫程序

1.2隨機模型及其學習算法

1.2.1最小二乘法

1.2.2極大似然估計

1.2.3回歸分析方法

1.3隨機變量與數學語言

1.3.1隨機變量

1.3.2隨機變量應用舉例

1.3.3數學語言

1.4更加復雜的數學模型

1.4.1數學形式未知的模型

1.4.2多元模型

1.4.3用矩陣描述問題及算法過程

1.5機器學習問題

1.6本章習題

第2章回歸分析

2.1編程環境與數據集

2.2數據集加載與預處理

2.2.1加載並瀏覽數據集

2.2.2缺失值與重復值

2.2.3特徵選擇

2.2.4非數值型特徵的編碼

2.2.5數值型特徵的標準化

2.3模型訓練與評價

2.3.1訓練集與測試集

2.3.2模型訓練與梯度下降法

2.3.3模型評價與k折交叉驗證

2.4正則化

2.4.1正則化方法

2.4.2嶺回歸與超參數調優

2.4.3LASSO回歸與坐標下降法

2.5非線性回歸

2.5.1換元法

2.5.2邏輯斯諦回歸

2.6本章習題

第3章分類問題

3.1貝葉斯分類器

3.1.1貝葉斯決策

3.1.2樸素貝葉斯與參數估計

3.1.3邏輯斯諦回歸與牛頓法

3.2非貝葉斯分類器

3.2.1k近鄰分類器與距離度量

3.2.2線性判別分析與特徵空間

3.2.3決策樹

3.3多分類問題與分類模型評價

3.3.1二分類與多分類

3.3.2分類模型的評價指標

3.3.3PR曲線與ROC曲線

3.4特徵降維

3.4.1線性代數基礎

3.4.2主成分分析

3.4.3線性判別分析

3.4.4非線性降維

3.5本章習題

第4章統計學習理論與支持向量機

4.1統計學習理論

4.1.1學習問題與ERM歸納原則

4.1.2ERM歸納原則一致性的充要條件

4.1.3泛化誤差上界與PAC可學習

4.1.4兩種機器學習的歸納原則

4.2線性可分支持向量機

4.2.1最優分類超平面與支持向量

4.2.2拉格朗日乘子法與對偶問題

4.2.3最優分類超平面求解算法

4.3非線性可分的支持向量機

4.3.1線性支持向量機

4.3.2非線性支持向量機

4.4SVM分類器及其Python實現

4.5本章習題

第5章聚類問題

5.1聚類問題的提出

5.1.1分類問題概述

5.1.2聚類問題概述

5.1.3混合概率模型及其參數估計問題

5.2EM算法

5.2.1EM算法原理

5.2.2高斯混合模型

5.2.3三硬幣模型

5.3k均值聚類

5.3.1k均值聚類算法

5.3.2關於k均值聚類的討論

5.3.3使用scikitlearn庫中的k均值聚類模型

5.4密度聚類DBSCAN

5.4.1DBSCAN聚類術語

5.4.2DBSCAN聚類算法

5.4.3使用scikitlearn庫中的DBSCAN聚類算法

5.5向量量化

5.5.1向量量化問題

5.5.2LBGVQ算法

5.6本章習題

第6章概率圖模型與概率推理

6.1貝葉斯網

6.1.1聯合概率分佈及其推理

6.1.2貝葉斯網概述

6.1.3貝葉斯網的推理

6.2MCMC算法基礎

6.2.1蒙特卡洛模擬

6.2.2貝葉斯網的近似推理

6.2.3馬爾可夫鏈

6.2.4隨機向量的馬爾可夫鏈

6.3MCMC算法家族

6.3.1MCMC採樣算法

6.3.2MCMC最優化算法

6.3.3MCMC互評算法

6.4隱馬爾可夫模型

6.4.1HMM的形式化表示及其三個基本問題

6.4.2HMM的三個基本算法

6.4.3HMM建模與實驗

6.5無向圖模型

6.5.1馬爾可夫隨機場

6.5.2條件隨機場

6.6本章習題

第7章神經網絡基礎

7.1神經元模型

7.1.1生物神經元與MP神經元模型

7.1.2常用激活函數

7.1.3小批量梯度下降算法

7.2神經網絡

7.2.1多層前饋神經網絡

7.2.2輸出層的設計

7.2.3隱層的設計

7.2.4隱層與深度學習

7.3反向傳播算法

7.3.1模型參數及其學習算法

7.3.2前向計算與反向求導

7.3.3反向傳播算法

7.4TensorFlow機器學習框架

7.4.1TensorFlow及其安裝

7.4.2TensorFlow底層接口編程

7.4.3使用TensorFlow底層接口搭建神經網絡

7.5Keras高層接口建模

7.5.1從編程到裝配

7.5.2使用Keras高層接口建立回歸模型

7.5.3使用Keras高層接口建立分類模型

7.6本章習題

第8章深度學習

8.1捲積神經網絡

8.1.1信號的特徵提取

8.1.2捲積的實現細節

8.1.3捲積神經網絡的基本結構

8.1.4LeNet5模型編程實戰

8.2循環神經網絡

8.2.1序列數據的語義特徵

8.2.2RNN神經元與RNN網絡層

8.2.3RNN模型編程實戰

8.2.4LSTM模型

8.3自編碼器

8.3.1深入理解神經網絡

8.3.2自編碼器及其編程實戰

8.3.3變分法與KL散度

8.3.4變分自編碼器

8.3.5變分自編碼器編程實戰

8.4生成對抗網絡

8.4.1生成器的工作原理

8.4.2生成對抗網絡概述

8.4.3DCGAN及其編程實戰

8.4.4WGAN及其編程實戰

8.5結束語

8.6本章習題

參考文獻