機器學習（Python版·微課視頻版）

劉昶、餘化鵬、周安然

機器學習（Python版·微課視頻版） 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2025-05-01
  • 售價: $239
  • 語言: 簡體中文
  • ISBN: 7302686246
  • ISBN-13: 9787302686248
  • 相關分類: Machine Learning

    • 下單後立即進貨 (約4週~6週)

  • 機器學習（Python版·微課視頻版）-preview-1
  • 機器學習（Python版·微課視頻版）-preview-2
  • 機器學習（Python版·微課視頻版）-preview-3
機器學習（Python版·微課視頻版）-preview-1

相關主題

商品描述

"本書理論和實踐並重，強化算法思想講解，既有理論的系統講解、公式的詳細推導，也有Python代碼實現的詳細講解，同時突出獨立思考、提出問題能力的培養。 全書共9章，涵蓋了機器學習的基本內容，主要包括概述、離散變量與分類、連續變量與線性回歸、維數災難與降維、K均值聚類、生成模型與貝葉斯分類器、自監督與大語言模型、環境監督與強化學習、綜合實驗等。本書適用於本科生及研究生的課程教學。模型和算法採用Python從零實現，只依賴Python、NumPy和Matplotlib，不依賴已有的機器學習庫，是學習機器學習的最小知識集。 本書可作為高等院校電腦類相關專業的“機器學習”課程教材，也可作為對機器學習感興趣的讀者的自學讀物，還可作為相關行業技術人員的參考用書。 "

目錄大綱

目錄

資源下載

第1章概述

1.1什麽是機器學習

1.1.1有監督學習

1.1.2無監督學習

1.1.3自監督學習

1.1.4環境監督與強化學習

1.2機器學習的三個重要方面

1.2.1數據的表示

1.2.2模型的最優化

1.2.3模型的評估

1.3機器學習的歷史與現狀

1.4拓展閱讀

1.5習題

第2章離散變量與分類

2.1K近鄰(KNN)分類器

2.1.1KNN算法簡介

2.1.2KNN算法的距離計算

2.1.3KNN算法的k值選擇

2.1.4KNN算法的決策規則

2.1.5KNN算法小結

2.1.6KNN核心代碼

2.1.7習題

2.2決策樹

2.2.1決策樹的決策過程

2.2.2決策樹學習算法的基本流程

2.2.3劃分屬性的選擇

2.2.4其他屬性選取指標

2.2.5剪枝處理

2.2.6決策樹的核心代碼實現

2.2.7習題

2.3對數幾率回歸

2.3.1線性分類模型

2.3.2對數幾率函數

2.3.3對數幾率回歸

2.3.4隨機梯度下降

2.3.5與K近鄰和決策樹的比較

2.3.6對數幾率回歸的核心代碼實現

2.3.7習題

2.4支持向量機

2.4.1二分類與決策面

2.4.2最大間隔分類器

2.4.3最優化問題的轉換

2.4.4線性不可分的情況

2.4.5最優化問題的求解

2.4.6使用求解的SVM進行預測

2.4.7核函數與核方法

2.4.8軟間隔SVM的核心代碼實現

2.4.9拓展閱讀

2.4.10習題

2.5神經網絡

2.5.1全連接多層神經網絡

2.5.2萬能逼近定理

2.5.3學習算法

2.5.4關於可解釋性的討論

2.5.5全連接神經網絡的核心代碼實現

2.5.6應用到Mnist手寫數字識別

2.5.7拓展閱讀

2.6習題

第3章連續變量與線性回歸

3.1基本線性回歸

3.2嶺回歸

3.3基本線性回歸的一個改進： 局部加權線性回歸

3.4LASSO回歸

3.5線性回歸的核心代碼實現

3.5.1基本線性回歸

3.5.2局部加權線性回歸

3.5.3嶺回歸

3.6習題

第4章維數災難與降維

4.1基本概念

4.2主成分分析

4.2.1最大化投影方差推導

4.2.2最小化投影誤差推導

4.2.3核心代碼實現

4.3奇異值分解

4.3.1奇異值分解的公式

4.3.2奇異值分解的原理

4.3.3矩陣的SVD層級分解

4.3.4SVD的核心代碼實現

4.4習題

第5章K均值聚類

5.1聚類分析概念

5.2Kmeans聚類算法的原理

5.3Kmeans聚類算法中k值的選取方式

5.4Kmeans聚類算法的優缺點

5.5Kmeans++聚類算法

5.6Kmeans聚類的核心代碼實現

5.6.1Kmeans聚類算法

5.6.2二分Kmeans聚類算法

5.7習題

第6章生成模型與貝葉斯分類器

6.1貝葉斯最優分類器

6.2樸素貝葉斯分類器

6.3半樸素貝葉斯分類器和貝葉斯網

6.4樸素貝葉斯分類器核心代碼實現

6.4.1詞集與情緒分類

6.4.2詞袋與垃圾郵件過濾

6.5習題

第7章自監督與大語言模型

7.1Transformer

7.1.1自註意力

7.1.2詞嵌入

7.1.3位置編碼

7.1.4編碼器和解碼器

7.2GPT與大語言模型的預訓練

7.3拓展閱讀

第8章環境監督與強化學習

8.1ChatGPT的三階段訓練流程

8.2強化學習的形式化

8.3策略最優化算法

8.3.1事後獎勵

8.3.2基於優勢函數的策略梯度

8.3.3近端策略最優化

8.4環境構建與訓練獎勵模型

8.5拓展閱讀

第9章綜合實驗

9.1K近鄰(KNN)分類器與手寫數字識別任務

9.2決策樹與隱形眼鏡類型預測

9.3對率回歸與預測病馬死亡

9.4支持向量機與預測病馬死亡

9.5全連接神經網絡與Mnist手寫數字識別

9.6線性回歸與預測鮑魚年齡

9.7PCA與數據壓縮

9.8PCA與數據預處理

9.9PCA與特徵臉

9.10奇異值分解與餐館菜餚推薦

9.11Kmeans聚類與地理坐標聚類

9.12樸素貝葉斯與文本分類

附錄kNN的最大後驗概率解釋

參考文獻

類似商品