掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
Python無監(jiān)督學習 版權(quán)信息
- ISBN：9787115540720
- 條形碼：9787115540720 ; 978-7-115-54072-0
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python無監(jiān)督學習 本書特色
1.無監(jiān)督學習是數(shù)據(jù)科學中一個重要的分支，常用于數(shù)據(jù)挖掘領(lǐng)域，是個有趣的熱點話題； 2.本書通過Python語言講解無監(jiān)督學習，基于python圖書的優(yōu)勢，更容易被讀者接受； 3.實戰(zhàn)導向，為讀者提供可以立即使用和可供評估的不同方法，構(gòu)建高效且實用的解決方案； 4.作者是機器學習領(lǐng)域的專家，曾參與了不同業(yè)務(wù)環(huán)境下的解決方案設(shè)計、管理和交付。
Python無監(jiān)督學習 內(nèi)容簡介
機器學習是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領(lǐng)域。無監(jiān)督學習是機器學習中的一種學習方式，是數(shù)據(jù)科學的一個重要分支，常用于數(shù)據(jù)挖掘領(lǐng)域，通過構(gòu)建模型來為業(yè)務(wù)決策提供依據(jù)。 本書通過Python語言講解無監(jiān)督學習，全書內(nèi)容包括10章，前面9章由淺入深地講解了無監(jiān)督學習的基礎(chǔ)知識、聚類的基礎(chǔ)知識、不錯聚類、層次聚類、軟聚類和高斯混合模型、異常檢測、降維和分量分析、無監(jiān)督神經(jīng)網(wǎng)絡(luò)模型、生成式對抗網(wǎng)絡(luò)和自組織映射，0章以問題解答的形式對前面9章涉及的問題給出了解決方案。 本書適合數(shù)據(jù)科學家、機器學習從業(yè)者和普通的軟件開發(fā)人員閱讀，通過學習本書介紹的無監(jiān)督學習理論和Python編程方法，讀者能夠在業(yè)務(wù)實踐中獲得有價值的參考。
Python無監(jiān)督學習 目錄
第 1章 無監(jiān)督學習入門 1
1．1 技術(shù)要求 1
1．2 為什么需要機器學習 2
1．2．1 描述性分析 3
1．2．2 診斷性分析 4
1．2．3 預測性分析 4
1．2．4 規(guī)范性分析 7
1．3 機器學習算法的類型 7
1．3．1 有監(jiān)督學習算法 8
1．3．2 無監(jiān)督學習算法 11
1．3．3 半監(jiān)督學習算法 16
1．3．4 強化學習算法 17
1．4 為什么用Python進行數(shù)據(jù)科學和機器學習 18
1．5 總結(jié) 19
1．6 問題 19
第 2章 聚類基礎(chǔ)知識 20
2．1 技術(shù)要求 20
2．2 聚類介紹 21
2．3 K-means 26
2．4 威斯康星州乳腺癌數(shù)據(jù)集分析 27
2．5 評估指標 33
2．5．1 *小化慣性 33
2．5．2 輪廓分數(shù) 38
2．5．3 完整性分數(shù) 40
2．5．4 同質(zhì)性分數(shù) 42
2．5．5 調(diào)整后的相互信息分數(shù) 43
2．5．6 調(diào)整后的蘭德分數(shù) 44
2．5．7 列聯(lián)矩陣 45
2．6 K-近鄰 46
2．7 向量量化 50
2．8 總結(jié) 56
2．9 問題 57
第3章 高級聚類 58
3．1 技術(shù)要求 58
3．2 譜聚類 59
3．3 均值漂移 63
3．4 DBSCAN 67
3．4．1 Calinski-Harabasz分數(shù) 69
3．4．2 使用DBSCAN分析工作數(shù)據(jù)集中的缺勤率 69
3．4．3 聚類不穩(wěn)定性作為性能指標 76
3．5 K-medoids 79
3．6 聯(lián)機聚類 83
3．6．1 Mini-batch K-means 83
3．6．2 BIRCH 84
3．6．3 Mini-batch K-means與BIRCH的比較 86
3．7 總結(jié) 89
3．8 問題 90
第4章 實操中的層次聚類 91
4．1 技術(shù)要求 91
4．2 聚類層次結(jié)構(gòu) 92
4．3 凝聚聚類 93
4．3．1 單一鏈和完整鏈 94
4．3．2 平均鏈 95
4．3．3 Ward鏈 96
4．4 樹狀圖分析 96
4．5 同表型相關(guān)性系數(shù)作為一種性能指標 101
4．6 水處理廠數(shù)據(jù)集的凝聚聚類 103
4．7 連通性約束 109
4．8 總結(jié) 113
4．9 問題 113
第5章 軟聚類和高斯混合模型 115
5．1 技術(shù)要求 115
5．2 軟聚類 116
5．3 Fuzzy c-means 117
5．4 高斯混合 121
5．4．1 高斯混合的EM算法 123
5．4．2 用AIC和BIC方法評估高斯混合的性能 129
5．4．3 貝葉斯高斯混合選擇成分 131
5．4．4 生成高斯混合 135
5．5 總結(jié) 139
5．6 問題 140
第6章 異常檢測 141
6．1 技術(shù)要求 141
6．2 概率密度函數(shù) 142
6．2．1 作為異常值或新值的異常 143
6．2．2 數(shù)據(jù)集結(jié)構(gòu) 144
6．3 直方圖 145
6．4 核密度估計 148
6．4．1 高斯內(nèi)核 148
6．4．2 Epanechnikov內(nèi)核 149
6．4．3 指數(shù)內(nèi)核 150
6．4．4 均勻/Tophat內(nèi)核 151
6．4．5 估計密度 151
6．5 應用異常檢測 156
6．6 單類支持向量機 164
6．7 基于孤立森林的異常檢測 168
6．8 總結(jié) 172
6．9 問題 173
第7章 降維與分量分析 175
7．1 技術(shù)要求 175
7．2 主成分分析 176
7．2．1 具有奇異值分解的PCA 178
7．2．2 具有MNIST數(shù)據(jù)集的PCA 181
7．2．3 基于內(nèi)核的主成分分析 183
7．2．4 通過因子分析增加異方差噪聲的強壯性 186
7．2．5 稀疏主成分分析與字典學習 188
7．2．6 非負矩陣分解 190
7．3 獨立成分分析 193
7．4 具有潛在Dirichlet分配的主題建模 197
7．5 總結(jié) 202
7．6 問題 202
第8章 無監(jiān)督神經(jīng)網(wǎng)絡(luò)模型 204
8．1 技術(shù)要求 204
8．2 自編碼器 205
8．2．1 深度卷積自編碼器示例 206
8．2．2 去噪自編碼器 211
8．2．3 稀疏自編碼器 213
8．2．4 變分自編碼器 215
8．3 基于赫布的主成分分析 221
8．3．1 Sanger網(wǎng)絡(luò) 221
8．3．2 Rubner-Tavan網(wǎng)絡(luò) 226
8．4 無監(jiān)督的深度置信網(wǎng)絡(luò) 230
8．4．1 受限玻爾茲曼機 231
8．4．2 深度置信網(wǎng)絡(luò) 232
8．4．3 無監(jiān)督DBN示例 233
8．5 總結(jié) 235
8．6 問題 236
第9章 生成式對抗網(wǎng)絡(luò)和自組織映射 237
9．1 技術(shù)要求 237
9．2 生成式對抗網(wǎng)絡(luò) 238
9．2．1 GAN分析 240
9．2．2 深度卷積GAN示例 242
9．2．3 Wasserstein GAN 251
9．3 自組織映射 260
9．4 總結(jié) 265
9．5 問題 266
第 10章 問題解答 267
10．1 第 1章 267
10．2 第 2章 268
10．3 第3章 268
10．4 第4章 269
10．5 第5章 269
10．6 第6章 270
10．7 第7章 271
10．8 第8章 271
10．9 第9章 272
1．1 技術(shù)要求 1
1．2 為什么需要機器學習 2
1．2．1 描述性分析 3
1．2．2 診斷性分析 4
1．2．3 預測性分析 4
1．2．4 規(guī)范性分析 7
1．3 機器學習算法的類型 7
1．3．1 有監(jiān)督學習算法 8
1．3．2 無監(jiān)督學習算法 11
1．3．3 半監(jiān)督學習算法 16
1．3．4 強化學習算法 17
1．4 為什么用Python進行數(shù)據(jù)科學和機器學習 18
1．5 總結(jié) 19
1．6 問題 19
第 2章 聚類基礎(chǔ)知識 20
2．1 技術(shù)要求 20
2．2 聚類介紹 21
2．3 K-means 26
2．4 威斯康星州乳腺癌數(shù)據(jù)集分析 27
2．5 評估指標 33
2．5．1 *小化慣性 33
2．5．2 輪廓分數(shù) 38
2．5．3 完整性分數(shù) 40
2．5．4 同質(zhì)性分數(shù) 42
2．5．5 調(diào)整后的相互信息分數(shù) 43
2．5．6 調(diào)整后的蘭德分數(shù) 44
2．5．7 列聯(lián)矩陣 45
2．6 K-近鄰 46
2．7 向量量化 50
2．8 總結(jié) 56
2．9 問題 57
第3章 高級聚類 58
3．1 技術(shù)要求 58
3．2 譜聚類 59
3．3 均值漂移 63
3．4 DBSCAN 67
3．4．1 Calinski-Harabasz分數(shù) 69
3．4．2 使用DBSCAN分析工作數(shù)據(jù)集中的缺勤率 69
3．4．3 聚類不穩(wěn)定性作為性能指標 76
3．5 K-medoids 79
3．6 聯(lián)機聚類 83
3．6．1 Mini-batch K-means 83
3．6．2 BIRCH 84
3．6．3 Mini-batch K-means與BIRCH的比較 86
3．7 總結(jié) 89
3．8 問題 90
第4章 實操中的層次聚類 91
4．1 技術(shù)要求 91
4．2 聚類層次結(jié)構(gòu) 92
4．3 凝聚聚類 93
4．3．1 單一鏈和完整鏈 94
4．3．2 平均鏈 95
4．3．3 Ward鏈 96
4．4 樹狀圖分析 96
4．5 同表型相關(guān)性系數(shù)作為一種性能指標 101
4．6 水處理廠數(shù)據(jù)集的凝聚聚類 103
4．7 連通性約束 109
4．8 總結(jié) 113
4．9 問題 113
第5章 軟聚類和高斯混合模型 115
5．1 技術(shù)要求 115
5．2 軟聚類 116
5．3 Fuzzy c-means 117
5．4 高斯混合 121
5．4．1 高斯混合的EM算法 123
5．4．2 用AIC和BIC方法評估高斯混合的性能 129
5．4．3 貝葉斯高斯混合選擇成分 131
5．4．4 生成高斯混合 135
5．5 總結(jié) 139
5．6 問題 140
第6章 異常檢測 141
6．1 技術(shù)要求 141
6．2 概率密度函數(shù) 142
6．2．1 作為異常值或新值的異常 143
6．2．2 數(shù)據(jù)集結(jié)構(gòu) 144
6．3 直方圖 145
6．4 核密度估計 148
6．4．1 高斯內(nèi)核 148
6．4．2 Epanechnikov內(nèi)核 149
6．4．3 指數(shù)內(nèi)核 150
6．4．4 均勻/Tophat內(nèi)核 151
6．4．5 估計密度 151
6．5 應用異常檢測 156
6．6 單類支持向量機 164
6．7 基于孤立森林的異常檢測 168
6．8 總結(jié) 172
6．9 問題 173
第7章 降維與分量分析 175
7．1 技術(shù)要求 175
7．2 主成分分析 176
7．2．1 具有奇異值分解的PCA 178
7．2．2 具有MNIST數(shù)據(jù)集的PCA 181
7．2．3 基于內(nèi)核的主成分分析 183
7．2．4 通過因子分析增加異方差噪聲的強壯性 186
7．2．5 稀疏主成分分析與字典學習 188
7．2．6 非負矩陣分解 190
7．3 獨立成分分析 193
7．4 具有潛在Dirichlet分配的主題建模 197
7．5 總結(jié) 202
7．6 問題 202
第8章 無監(jiān)督神經(jīng)網(wǎng)絡(luò)模型 204
8．1 技術(shù)要求 204
8．2 自編碼器 205
8．2．1 深度卷積自編碼器示例 206
8．2．2 去噪自編碼器 211
8．2．3 稀疏自編碼器 213
8．2．4 變分自編碼器 215
8．3 基于赫布的主成分分析 221
8．3．1 Sanger網(wǎng)絡(luò) 221
8．3．2 Rubner-Tavan網(wǎng)絡(luò) 226
8．4 無監(jiān)督的深度置信網(wǎng)絡(luò) 230
8．4．1 受限玻爾茲曼機 231
8．4．2 深度置信網(wǎng)絡(luò) 232
8．4．3 無監(jiān)督DBN示例 233
8．5 總結(jié) 235
8．6 問題 236
第9章 生成式對抗網(wǎng)絡(luò)和自組織映射 237
9．1 技術(shù)要求 237
9．2 生成式對抗網(wǎng)絡(luò) 238
9．2．1 GAN分析 240
9．2．2 深度卷積GAN示例 242
9．2．3 Wasserstein GAN 251
9．3 自組織映射 260
9．4 總結(jié) 265
9．5 問題 266
第 10章 問題解答 267
10．1 第 1章 267
10．2 第 2章 268
10．3 第3章 268
10．4 第4章 269
10．5 第5章 269
10．6 第6章 270
10．7 第7章 271
10．8 第8章 271
10．9 第9章 272
展開全部
Python無監(jiān)督學習 作者簡介
朱塞佩.博納科爾索（Giuseppe Bonaccorso）是人工智能、數(shù)據(jù)科學和機器學習領(lǐng)域的資深從業(yè)人員。他曾參與了不同業(yè)務(wù)環(huán)境下的解決方案設(shè)計、管理和交付。他于2005年在意大利的卡塔尼亞大學（University of Catania）獲得電子工程學碩士學位，并繼續(xù)在意大利羅馬第二大學（University of Rome Tor Vergata）和英國埃塞克斯大學（University of Essex）學習。他的興趣主要包括機器/深度學習、強化學習、大數(shù)據(jù)，以及受生物啟發(fā)的自適應系統(tǒng)、神經(jīng)科學和自然語言處理等。
書友推薦
- >
我從未如此眷戀人間
- >
二體千字文
- >
苦雨齋序跋文-周作人自編集
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
推拿
- >
山海經(jīng)
- >
中國歷史的瞬間
- >
名家?guī)阕x魯迅:故事新編
本類暢銷
