Python機器學習編程與實踐

朱福珍

Python機器學習編程與實踐 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2026-06-01
  • 售價: $294
  • 語言: 簡體中文
  • 頁數: 218
  • ISBN: 7302718210
  • ISBN-13: 9787302718215
  • 相關分類: Machine Learning、Python、TensorFlow

    • 下單後立即進貨 (約4週~6週)

  • Python機器學習編程與實踐-preview-1
  • Python機器學習編程與實踐-preview-2
  • Python機器學習編程與實踐-preview-3
  • Python機器學習編程與實踐-preview-4
  • Python機器學習編程與實踐-preview-5
  • Python機器學習編程與實踐-preview-6
  • Python機器學習編程與實踐-preview-7
Python機器學習編程與實踐-preview-1

商品描述

"本書是作者依據多年來從事機器學習課程教學及科學研究的經驗，結合本科生和研究生實際教學工作的需要，並參考相關經典文獻編寫而成。 本書以人工智能主流編程語言Python 3作為機器學習和數據分析的實戰工具，從機器學習導論開始，依次介紹了Python編程基礎、TensorFlow編程基礎、機器學習編程基礎，以及典型機器學習算法的原理和實現，具體包括KNN分類算法、KMeans聚類算法、支持向量機、決策樹與隨機森林、回歸分析、神經網絡、卷積神經網絡、Transformer深度神經網絡、圖神經網絡、生成對抗神經網絡等方面的內容及案例。本書力求簡潔達意、清晰易懂、理論教學與具體實踐相結合，代碼可復現，全書提供了大量應用實例和習題，方便讀者快速入門並掌握機器學習的具體算法。 本書適合作為高等院校電子信息工程、通信工程、計算機科學與技術、電子科學與技術等相關專業本科生教材，也可作為研究生科研參考教材，同時可供廣大Python編程、機器學習、深度學習等工程技術人員參考使用。 "

目錄大綱

 

目錄

 

 

 

 

第1章機器學習導論

 

1.1機器學習的定義

 

1.2機器學習的發展

 

1.2.1淺層學習階段

 

1.2.2深層學習階段

 

1.3機器學習的分類

 

1.4機器學習的研究領域

 

1.5人工智能、機器學習與深度學習的關系

 

小結

 

思考題

 

第2章Python編程基礎

 

2.1數據分析與數據可視化

 

2.1.1數據分析的定義

 

2.1.2Python數據分析與可視化常用包

 

2.2Python編程環境

 

2.2.1Jupyter Notebook簡介及安裝

 

2.2.2第三方包的管理

 

2.2.3Jupyter Notebook的使用

 

2.2.4TensorFlow的安裝

 

2.3Python編程基礎串講

 

2.3.1print輸出方法

 

2.3.2變量

 

2.3.3數據類型

 

2.3.4數字數據類型

 

2.3.5基本運算

 

2.3.6字符串

 

2.3.7列表

 

2.3.8元組

 

2.3.9字典

 

2.3.10集合

 

2.3.11選擇結構

 

2.3.12循環結構

 

2.4TensorFlow編程基礎

 

2.4.1計算圖

 

2.4.2張量

 

2.4.3操作

 

2.4.4會話

 

2.4.5常量與變量

 

2.4.6占位符

 

小結

 

思考題

 

第3章機器學習編程理論基礎

 

3.1機器學習常用工具簡介

 

3.1.1NumPy

 

3.1.2SciPy

 

3.1.3Matplotlib

 

3.1.4Pandas

 

3.1.5Scikitlearn

 

3.1.6PIL： Python圖像處理類庫

 

3.1.7OpenCV

 

3.2機器學習模型

 

3.3機器學習算法的選擇和實現步驟

 

3.4機器學習工具SKlearn

 

3.4.1SKlearn數據預處理

 

3.4.2SKlearn數據集的拆分

 

3.4.3模型選擇與訓練

 

3.4.4模型預測與性能評估

 

3.4.5SKlearn模型訓練實例

 

小結

 

思考題

 

第4章KNN分類算法

 

4.1KNN分類

 

4.2KNN分類算法實例

 

4.2.1鳶尾花數據集分類

 

4.2.2KNN手寫數字光學識別

 

小結

 

思考題

 

第5章KMeans聚類算法

 

5.1KMeans聚類算法原理

 

5.2KMeans聚類算法特點及應用

 

5.3KMeans聚類算法實例

 

5.3.1自建數據集聚類

 

5.3.2客戶分組畫像

 

小結

 

思考題

 

第6章支持向量機

 

6.1支持向量機的原理

 

6.1.1線性可分的支持向量機

 

6.1.2非線性可分的支持向量機

 

6.2核函數

 

6.2.1核函數簡介

 

6.2.2如何選擇合適的核函數

 

6.3SVM算法實例

 

6.3.1支持向量回歸

 

6.3.2時間序列曲線預測

 

小結

 

思考題

 

第7章決策樹與隨機森林

 

7.1決策樹

 

7.1.1決策樹的基本原理

 

7.1.2常見的決策樹算法

 

7.1.3決策樹算法的優缺點

 

7.1.4決策樹算法實例

 

7.2隨機森林

 

7.2.1隨機森林的基本原理

 

7.2.2隨機森林算法訓練流程

 

7.2.3隨機森林算法的優缺點

 

7.2.4決策樹算法實例

 

小結

 

思考題

 

第8章回歸分析

 

8.1回歸分析的基本概念

 

8.2線性回歸分析

 

8.2.1一元線性回歸

 

8.2.2多元線性回歸

 

8.2.3線性回歸實例

 

小結

 

思考題

 

第9章神經網絡

 

9.1神經元

 

9.2激活函數

 

9.3神經網絡類型

 

9.4標準BP神經網絡算法原理

 

9.5BP神經網絡在MNIST手寫體識別的應用

 

小結

 

思考題

 

第10章卷積神經網絡

 

10.1卷積神經網絡結構

 

10.1.1卷積層

 

10.1.2池化層

 

10.1.3全連接層

 

10.2卷積神經網絡的訓練

 

10.3卷積神經網絡特性

 

10.4卷積神經網絡實現圖像識別的示例

 

小結

 

思考題

 

第11章Transformer深度神經網絡

 

11.1Transformer結構和工作原理

 

11.2Transformer中的註意力機制

 

11.3Transformer的訓練

 

11.4Transformer的文本翻譯示例

 

小結

 

思考題

 

第12章圖神經網絡

 

12.1圖神經網絡的基礎概念

 

12.1.1圖的定義

 

12.1.2圖的分類

 

12.2圖神經網絡的基本原理

 

12.3圖神經網絡實例

 

小結

 

思考題

 

第13章生成對抗神經網絡

 

13.1GAN基本原理

 

13.2GAN的幾種結構

 

13.3GAN實例

 

小結

 

思考題

 

 

類似商品

最後瀏覽商品 (1)