Python機器學習——原理、算法及案例實戰（第2版·微課視頻·題庫·AI賦能版 ）
劉艷，韓龍哲，李沫沫
- 出版商: 清華大學
- 出版日期: 2026-02-01
- 定價: $359
- 售價: $358
- 語言: 簡體中文
- ISBN: 7302705895
- ISBN-13: 9787302705895
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
商品描述
目錄大綱
第一部分 入 門 篇
第1 章 機器學習概述Q … … … 2
1.1 人工智能簡介 Q … … 3
1.1.1 什麼是人工智能 Q … 3
1.1.2 人工智能史上的三次浪潮 … Q
1.1.3 人工智能的研究領域Q … … … 7
1.2 機器學習的主要工作 Q … … 16
1.3 機器學習開發環境 Q … … 18
習題1 Q … … … … … … … 24
第2 章 Python 數據處理基礎 Q … … 25
2.1 Python 程序開發技術 Q … 25
2.2 基本數據類型 Q … 27
2.3 數據文件讀寫 Q … … 35
2.3.1 打開與關閉文件 … … … Q5
2.3.2 讀取文件內容 Q … … 36
2.3.3 將數據寫入文件 Q … 37
2.3.4 Pandas 存取文件 … … … Q8
2.3.5 NumPy 存取文件 Q 40
習題2 Q … … … … … … … 41
第二部分 基 礎 篇
第3 章 Python 常用機器學習庫 Q … 44
3.1 NumPy Q … … … … 44
3.1.1 ndarray 對象 Q … 45
3.1.2 NumPy 數據類型 Q 46
3.1.3 NumPy 數組屬性 Q 50
3.1.4 其他創建數組的方式Q … … … 52
3.1.5 切片、 疊代和索引Q … … … 56
3.1.6 NumPy 計算 Q … … 59
3.2 Pandas Q … … … … 61
3.2.1 Series 數據結構 Q … 61Ⅳ
3.2.2 DataFrame 對象Q … … … 64
3.2.3 數據對齊 Q … 72
3.3 Matplotlib Q … … 75
3.4 OpenCV Q … … … 88
3.5 Scikit-learn Q … … … 93
3.5.1 SKlearn 簡介 Q … … 93
3.5.2 SKlearn 的一般步驟Q … … … 94
3.6 其他常用模塊 Q … … 96
3.6.1 WordCloud 制作詞雲Q … … 96
3.6.2 jieba 中文分詞 Q … 98
3.6.3 PIL Q … … 102
習題3 Q … … … … … … … 109
第4 章 機器學習基礎Q … … 110
4.1 機器學習模型 Q … 111
4.1.1 線性模型與非線性模型Q … 111
4.1.2 淺層模型與深度模型Q … … 111
4.1.3 單一模型與集成模型Q … … 112
4.1.4 監督學習、 非監督學習和強化學習 Q … 112
4.2 機器學習算法的選擇 Q … 116
4.2.1 模型的確定 Q … 117
4.2.2 性能評估 Q … … 123
4.3 Python 機器學習利器SKlearnQ … 125
4.3.1 SKlearn 數據預處理Q … … 125
4.3.2 SKlearn 模型選擇與算法評價 Q … … 128
習題4 Q … … … … … … … 130
第三部分 實 戰 篇
第5 章 KNN 分類算法 Q … 132
5.1 KNN 分類 Q … … 132
5.2 初識 KNN———鳶尾花分類Q … … 135
5.3 KNN 手寫數字識別 Q … 140
實驗Q … … … … … … … … 143
習題5 Q … … … … … … … 145
第6 章 K-Means 聚類算法Q 146
6.1 K-Means 聚類算法概述 Q 146
6.1.1 聚類 Q … … 147
6.1.2 K-Means 聚類 Q 147
6.1.3 聚類算法的性能評估Q … 148
6.2 使用 K-Means 實現數據聚類Q … … 149Ⅴ
6.2.1 使用SKlearn 實現 K-Means 聚類 Q 149
6.2.2 使用 Python 實現 K-Means 聚類 Q 152
6.3 K-Means 算法存在的問題Q … … 154
6.3.1 K-Means 算法的不足Q … … 154
6.3.2 科學確定k 值 Q … 156
6.3.3 使用後處理提高聚類效果Q 157
實驗Q … … … … … … … … 157
習題6 Q … … … … … … … 164
第7 章 推薦算法Q … … … … 165
7.1 推薦系統 Q … … … 165
7.1.1 推薦算法概述 Q … 166
7.1.2 推薦系統的評價指標Q … … 168
7.1.3 推薦系統面臨的挑戰Q … … 170
7.1.4 常見的推薦算法 Q 171
7.2 協同過濾推薦算法 Q … 171
7.2.1 基於用戶的協同過濾算法Q 171
7.2.2 基於內容的推薦算法Q … … 176
7.2.3 基於圖結構的推薦算法Q … 178
7.2.4 其他推薦算法 Q … 178
7.3 基於內容的推薦算法案例Q … … … 179
7.4 協同過濾算法實現電影推薦Q … 181
實驗Q … … … … … … … … 188
習題7 Q … … … … … … … 188
第8 章 回歸算法Q … … … … 189
8.1 線性回歸 Q … … … 190
8.1.1 一元線性回歸 Q 190
8.1.2 多元線性回歸 Q 193
8.2 邏輯回歸 Q … … … 194
8.2.1 線性回歸存在的問題Q … … 195
8.2.2 邏輯函數SigmoidQ … … … 196
8.2.3 邏輯回歸的概念Q … … … 197
8.2.4 線性回歸與邏輯回歸的區別 Q … … … 198
8.2.5 邏輯回歸參數的確定Q … 198
8.3 回歸分析綜合案例 Q … … 201
8.3.1 信用卡逾期情況預測案例 Q … … … 201
8.3.2 使用邏輯回歸實現鳶尾花分類預測案例 … … … … … … … … … … … 204
實驗Q … … … … … … … … 206
習題1 Q … … … … … … … 209Ⅵ
第9 章 支持向量機Q … … … 210
9.1 支持向量機的概念 Q … … 210
9.1.1 線性判別分析 Q … 211
9.1.2 間隔與支持向量 Q 212
9.1.3 超平面 Q … 213
9.1.4 感知器 Q … 214
9.2 支持向量機的參數 Q … 219
9.2.1 優化求解 Q 219
9.2.2 核函數 Q … 220
9.2.3 SVM 應用案例Q … … … 220
實驗Q … … … … … … … … 224
習題1 Q … … … … … … … 230
第10 章 神經網絡 Q … … … 231
10.1 神經網絡的基本原理 Q … 231
10.1.1 人工神經網絡 Q 231
10.1.2 神經網絡結構 Q 233
10.2 多層神經網絡 Q … 234
10.2.1 多隱藏層 Q … … 234
10.2.2 激活函數 Q … … 236
10.3 BP 神經網絡 Q 238
實驗Q … … … … … … … … 245
習題10 Q … … … … … … 249
第11 章 深度學習 Q … … … 250
11.1 深度學習概述 Q … 251
11.1.1 深度學習的產生Q … … … 251
11.1.2 深度學習的發展Q … … … 253
11.2 卷積神經網絡 Q … 254
11.2.1 卷積神經網絡的神經科學基礎 Q … 254
11.2.2 卷積操作 Q … 254
11.2.3 池化操作 Q … … 257
11.2.4 卷積神經網絡的激活函數 Q … … … 259
11.2.5 卷積神經網絡模型Q … … 259
11.3 循環神經網絡 Q … 264
11.4 常見的深度學習開源框架和平臺Q 265
11.5 TensorFlow 學習框架Q … … … 266
11.6 Keras 深度學習框架 Q … 274
11.6.1 Keras 基礎 Q … 274
11.6.2 Keras 綜合實例Q … … … 274
習題11 Q … … … … … … 280
