機器學習基礎與實踐

李曉峰,胥文婷,李雲波

機器學習基礎與實踐

相關主題

商品描述

本書系統、全面地講解了機器學習，旨在為讀者構建從理論到實踐的完整知識體系。全書以機器學習的基本概念為起點，逐步深入到核心算法的原理與應用，涵蓋回歸、分類、聚類等經典算法，並系統地介紹了神經網絡與深度學習的理論框架和技術要點，不僅詳細講解了機器學習的三要素（數據、模型、算法），還通過Python工具庫的使用和開發環境的構建幫助讀者快速上手實踐。本書強調機器學習工程實踐中的模型評估、特征工程和性能度量，並通過具體的案例分析（如醫療保險欺詐分析和異常血糖預測）展示從數據準備到模型訓練的完整流程，這些案例不僅突出了機器學習的應用價值，還為讀者提供了實戰經驗和解決方案。 本書內容豐富、體系完整，可作為高等院校大數據、人工智能相關專業的教材，也可作為廣大機器學習愛好者和從業者的參考書，助力讀者在實踐中掌握機器學習的核心技術與應用方法。

目錄大綱

前言
第1章 機器學習基礎
1.1 機器學習簡介
1.1.1 機器學習的概念
1.1.2 機器學習的應用領域
1.1.3 機器學習的分類
1.1.4 機器學習的常見術語
1.1.5 機器學習的三要素（數據、模型和算法）
1.1.6 人工智能、機器學習和深度學習
1.2 機器學習開發環境構建
1.3 Python機器學習工具庫
1.3.1 機器學習的常用庫
1.3.2 擴展庫導入與使用
1.3.3 數據可視化工具庫
本章小結
習題1
第2章 機器學習工程實踐
2.1 模型評估指標
2.1.1 回歸模型評估指標
2.1.2 分類模型評估指標
2.1.3 聚類模型評估指標
2.2 模型覆雜度度量
2.2.1 偏差與方差
2.2.2 擬合與正則化
2.3 模型的獲取與改進
2.3.1 獲取模型的過程
2.3.2 訓練集、驗證集和測試集
2.3.3 訓練過程
2.4 機器學習通用流程
2.4.1 目標分析
2.4.2 數據準備
2.4.3 特征工程
2.4.4 模型訓練
2.4.5 性能度量與模型調優
本章小結
習題2
第3章 回歸算法與應用
3.1 回歸算法概述
3.1.1 回歸算法的含義
3.1.2 回歸算法中的常用方法
3.2 線性回歸
3.2.1 線性回歸的原理
3.2.2 案例3-1：基於線性回歸的糖尿病預測
3.3 邏輯回歸
3.3.1 邏輯回歸的原理
3.3.2 案例3-2：基於邏輯回歸的乳腺癌預測
本章小結
習題3
第4章 分類算法與應用
4.1 分類算法概述
4.1.1 分類算法的含義
4.1.2 分類算法中的常用方法
4.2 支持向量機
4.2.1 支持向量機的原理
4.2.2 案例4-1：基於支持向量機的葡萄酒分類
4.3 決策樹
4.3.1 決策樹的原理
4.3.2 案例4-2：基於決策樹的葡萄酒分類
4.4 KNN
4.4.1 KNN的原理
4.4.2 案例4-3：基於KNN的鳶尾花分類
4.5 樸素貝葉斯
4.5.1 樸素貝葉斯的原理
4.5.2 案例4-4：基於樸素貝葉斯的鳶尾花分類
本章小結
習題4
第5章 聚類算法與應用
5.1 聚類算法概述
5.1.1 聚類算法的含義
5.1.2 聚類算法中的常用方法
5.2 k均值聚類
5.2.1 k均值聚類的原理
5.2.2 案例5-1：基於k均值聚類的鳶尾花聚類
5.3 密度聚類
5.3.1 密度聚類的原理
5.3.2 案例5-2：基於DBSCAN的鳶尾花聚類
5.4 層次聚類
5.4.1 層次聚類的原理
5.4.2 案例5-3：基於AGNES的鳶尾花聚類
本章小結
習題5
第6章 神經網絡與深度學習
6.1 神經網絡
6.1.1 神經網絡的含義
6.1.2 神經網絡的類型
6.1.3 前饋神經網絡
6.1.4 損失函數和梯度下降
6.1.5 反向傳播網絡
6.1.6 神經網絡的特點
6.2 深度學習
6.2.1 深度學習的含義
6.2.2 卷積神經網絡
6.2.3 循環神經網絡
6.2.4 深度學習進階
6.2.5 深度學習的特點
6.3 神經網絡的應用
6.3.1 圖像視覺
6.3.2 數據挖掘與預測
6.3.3 自然語言處理
6.3.4 自動化控制方面的應用
6.3.5 生物醫療方面的應用
6.4 案例6-1：基於簡單神經網絡的MNIST手寫數字分類
6.4.1 目標分析
6.4.2 數據準備
6.4.3 模型訓練
6.4.4 性能度量
6.4.5 案例總結
6.5 案例6-2：VGG16遷移學習的MNIST手寫數字分類
6.5.1 目標分析
6.5.2 數據準備
6.5.3 模型訓練
6.5.4 性能度量
6.5.5 案例總結
本章小結
習題6
第7章 綜合案例一：醫療保險欺詐分析
7.1 目標分析
7.1.1 背景介紹
7.1.2 數據介紹
7.1.3 實驗設計
7.1.4 實驗環境
7.2 數據準備
7.2.1 數據導入
7.2.2 描述性統計分析
7.2.3 數據清洗
7.2.4 數據可視化分析
7.3 特征工程
7.3.1 投保人特征工程
7.3.2 醫療機構特征工程
7.3.3 特征工程總結
7.4 模型訓練
7.4.1 特征標準化
7.4.2 k均值算法實現投保人聚類
7.4.3 k均值算法實現醫療機構特征聚類
7.4.4 聚類結果
7.5 性能度量
7.5.1 投保人醫療保險欺詐分析
7.5.2 醫療機構醫療保險欺詐分析
本章小結
習題7
第8章 綜合案例二：異常血糖預測
8.1 目標分析
8.1.1 背景介紹
8.1.2 數據介紹
8.1.3 預測模型介紹
8.1.4 實驗設計
8.1.5 實驗環境
8.2 數據準備
8.2.1 訓練集與測試集數據導入
8.2.2 導入數據展示
8.3 特征工程
8.3.1 繪圖基礎設置
8.3.2 血糖數據分析
8.3.3 數據清洗與特征篩選
8.4 模型訓練
8.4.1 34特征組數據與LightGBM預測模型
8.4.2 14特征組數據與LightGBM預測模型
8.4.3 14特征組數據與支持向量機預測模型
8.

類似商品