Python 在機器學習中的應用
余本國,孫玉林
- 出版商: 中國水利水電出版社
- 出版日期: 2019-06-01
- 定價: $479
- 售價: 8.5 折 $407
- 語言: 簡體中文
- 頁數: 327
- 裝訂: 平裝
- ISBN: 7517074830
- ISBN-13: 9787517074830
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
$352Python 演算法教學手冊
-
$301Microsoft Azure 機器學習和預測分析
-
$352白話統計
-
$427統計機器學習導論 (Introduction to Statistical Machine Learning)
-
$200人工智能基礎 (高中版)
-
$235圖解算法——使用Python
-
$314基於 Python 的大數據分析基礎及實戰
-
$301Python 自動化運維快速入門
-
$1,000$790 -
$690$518 -
$254大數據數學基礎 (Python語言描述)
-
$401商戰數據挖掘 你需要瞭解的數據科學與分析思維 (Data science for business)
-
$580$458 -
$458Python 程序員面試寶典劍指 offer
-
$441認知計算攻略 : 使用 Cognitive Services 和 TensorFlow
-
$454算法第一步(Python版)
-
$450$356 -
$197機器學習公式詳解
-
$507SaaS 商業實戰:好模式如何變成好生意
-
$305機器學習入門與實戰 — 基於 scikit-learn 和 Keras
-
$398集成學習入門與實戰:原理、算法與應用
-
$305機器學習 — 原理、算法與 Python 實戰 (微課視頻版)
-
$1,000$790 -
$505Python 機器學習:基礎、演算法與實戰
-
$594$564
相關主題
商品描述
隨著大數據的興起,Python和機器學習迅速成為時代的寵兒。
本書在內容編排上避免了枯燥的理論知識講解,
依循「理論簡述——實際數據集——Python程序實現演算法」
分析數據的思路,
根據實際數據集的分析目的,採用合適的主流機器學習演算法來解決問題。
全書共12章,其中第1~4章介紹了機器學習的基礎知識;
第5~12章討論了在面對不同的數據時,
如何採用一些主流的演算法來解決問題,主要包括回歸分析、
關聯規則、無監督學習、文本LDA模型、決策樹和集成學習、
樸素貝葉斯和K近鄰分類、支持向量機和神經網路,以及深度學習入門等內容。
針對每個演算法,都給出Python代碼實現演算法建模的過程,
並結合可視化技術,幫助讀者更好地理解演算法和分析結果。
《Python在機器學習中的應用》是使用Python進行機器學習的入門實戰教程,
可作為以Python為基礎進行機器學習的本科生和研究生入門書籍,
也可供對Python機器學習感興趣的研究人員參考閱讀。
作者簡介
余本國,博士,碩士研究生導師。
于中北大學理學系任教,主講線性代數、微積分、
Python語言、大數據分析基礎等課程。
2012年到加拿大York University做訪問學者。
出版有《Python數據分析基礎》
《基於Python的大數據分析基礎及實戰》等著作。
目錄大綱
第1 章 機器學習簡介
1.1 機器學習的任務
1.2 機器學習的三種方式
1.3 機器學習系統的建立
1.4 機器學習實例
第2 章 Python 常用庫介紹
2.1 Python 的安裝(Anaconda)
2.1.1 Spyder
2.1.2 Jupyter Notebook
2.2 Python 常用庫
2.2.1 Numpy 庫
2.2.2 Pandas 庫
2.2.3 Matplotlib 庫
2.2.4 Statsmodels 庫
2.2.5 Scikit-learn 庫
2.3 其他Python 常用的資料庫
2.4 Python 各種庫在機器學習中的應用
第3 章 資料的準備和探索
3.1 資料預處理
3.2 資料假設檢驗
3.3 資料間的關係
3.4 資料視覺化
3.5 特徵提取和降維
第4 章 模型訓練和評估
4.1 模型訓練技巧
4.2 分類效果的評價
4.3 回歸模型評價
4.4 聚類分析評估
第5 章 回歸分析
5.1 回歸分析簡介
5.2 多元線性回歸分析
5.2.1 多元線性回歸
5.2.2 逐步回歸
5.3 Lasso 回歸分析
5.4 Logistic 回歸分析
5.5 時間序列預測
第6 章 關聯規則
6.1 關聯規則簡介
6.2 使用關聯規則找到問卷的規則
6.3 關聯規則視覺化
第7 章 無監督學習
7.1 無監督學習介紹
7.2 系統聚類
7.3 K- 均值聚類
7.4 密度聚類
7.5 Mean Shift 聚類
7.6 字典學習圖像去噪
第8 章 文本LDA 模型
8.1 文本分析簡介
8.2 中文分詞
8.3 LDA 主題模型分析《紅樓夢》
8.4 紅樓夢人物關係
第9 章 決策樹和集成學習
9.1 模型簡介
9.2 泰坦尼克號數據預處理
9.3 決策樹模型
9.4 決策樹剪枝
9.5 隨機森林模型
9.6 AdaBoost 模型
第10 章 樸素貝葉斯和K近鄰分類
10.1 模型簡介
10.2 垃圾郵件資料預處理
10.3 貝葉斯模型識別垃圾郵件
10.4 基於異常值檢測的垃圾郵件查找
10.4.1 PCA 異常值檢測
10.4.2 Isolation Forest 異常值檢測
10.5 資料不平衡問題的處理
10.6 K 近鄰分類
第11 章 支援向量機和神經網路
11.1模型簡介
11.2 肺癌資料視覺化
11.3 支援向量機模型
11.4 全連接神經網路
第12 章 深度學習入門
12.1 深度學習介紹
12.2 卷積和池化
12.3 CNN 人臉識別
12.4 CNN 人臉檢測
12.5 深度卷積圖像去噪
12.5.1 空洞卷積
12.5.2 圖像與圖像塊的相互轉換
12.5.3 一種深度學習去噪方法