掃一掃
關注中圖網
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
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習入門與實戰——Python實踐應用 版權信息
- ISBN：9787302600480
- 條形碼：9787302600480 ; 978-7-302-60048-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習入門與實戰——Python實踐應用 本書特色
本書配套資源豐富，包括教學大綱、教學課件、電子教案、程序源碼、習題答案，作者還為本書精心錄制了600分鐘的微課視頻。
機器學習入門與實戰——Python實踐應用 內容簡介
本書主要介紹經典的機器學習算法的原理和改進，以及Python的實例實現。本書的內容可以分成三部分： **部分是機器學習概念篇（第1章），充分介紹機器學習的相關概念，并且對機器學習的各種算法進行分類，以便讀者對機器學習的知識框架有整體的了解，從而在后續的學習中更容易接受機器學習涉及的各類算法； 第二部分是Python機器學習基礎篇（第2章和第3章），簡單介紹Python的基本使用方法、機器學習庫scikitlearn和人工智能工具集OpenAI Gym； 第三部分是機器學習算法與Python實踐篇（第4~19章），對監督學習、無/非監督學習、強化學習三大類常用算法逐一講解，包括機器學習算法的原理、算法的優缺點、算法的實例解釋以及Python的實踐應用。 本書適合對人工智能、機器學習感興趣的讀者，希望用機器學習完成設計的計算機或電子信息專業的學生，準備開設機器學習、深度學習實踐課的授課老師，學習過C語言，且希望進一步提高編程水平的開發者，剛從事機器學習、語音、機器視覺、智能機器人研發的算法工程師閱讀。
機器學習入門與實戰——Python實踐應用 目錄
目錄
源碼下載
**部分機器學習概念篇
第1章機器學習基礎
1.1機器學習概述
1.1.1機器學習概念
1.1.2機器學習的發展史
1.1.3機器學習的用途
1.1.4機器學習、數據挖掘及人工智能的關系
1.2機器學習的基本術語
1.3機器學習的任務及算法分類
1.4如何學習和運用機器學習
1.4.1軟件平臺的選擇
1.4.2機器學習應用的實現流程
1.5數據預處理
1.5.1數據選取
1.5.2數據清理
1.5.3數據集成
1.5.4數據變換
1.5.5數據歸約
本章參考文獻
第二部分Python機器學習基礎篇
第2章Python基礎入門
2.1Python的安裝方法
2.2Python學習工具介紹
2.2.1PyCharm的安裝
2.2.2PyCharm界面介紹
2.2.3PyCharm例程的運行
2.3Python語法介紹
2.3.1語法的基本注意事項
2.3.2運算符
2.3.3基本語句
2.4Python基本繪圖
2.4.1建立空白圖
2.4.2散點圖
2.4.3函數圖
2.4.4扇形圖
2.4.5柱狀圖
2.4.6三維散點
2.4.7三維曲線
2.4.8三維曲面
本章參考文獻
第3章Python機器學習工具箱
3.1機器學習的利器——scikitlearn
3.1.1scikitlearn的基礎知識
3.1.2scikitlearn的安裝
3.1.3基本功能的介紹
3.2強化學習的利器——OpenAI Gym
本章參考文獻
第三部分機器學習算法與Python實踐篇
第4章k近鄰算法
4.1k近鄰算法的原理
4.1.1k近鄰算法的實例解釋
4.1.2k近鄰算法的特點
4.2基于k近鄰算法的算法改進
4.2.1快速KNN算法
4.2.2kd樹KNN算法
4.3k近鄰算法的Python實踐
本章參考文獻
第5章決策樹
5.1決策樹算法概述
5.1.1決策樹算法的基本原理
5.1.2決策樹算法的特點
5.1.3決策樹剪枝
5.1.4分類決策樹與回歸決策樹
5.2基于決策樹算法的算法改進
5.2.1ID3決策樹
5.2.2C4.5決策樹
5.2.3分類回歸樹
5.2.4隨機森林
5.3決策樹算法的Python實現
本章參考文獻
第6章支持向量機
6.1支持向量機算法概述
6.1.1支持向量機概述
6.1.2支持向量機算法及推導
6.1.3支持向量機的核函數
6.2改進的支持向量機算法
6.3支持向量機算法的Python實踐
本章參考文獻
第7章樸素貝葉斯
7.1貝葉斯定理
7.2樸素貝葉斯分類算法
7.3樸素貝葉斯實例分析
7.4樸素貝葉斯分類算法的改進
7.4.1半樸素貝葉斯分類模型
7.4.2樹增強樸素貝葉斯分類模型
7.4.3貝葉斯網絡
7.4.4樸素貝葉斯樹
7.4.5屬性加權樸素貝葉斯分類算法
7.5樸素貝葉斯算法的Python實踐
本章參考文獻
第8章線性回歸
8.1線性回歸的原理
8.1.1簡單線性回歸
8.1.2線性回歸實例
8.2多元線性回歸
8.3線性回歸算法的Python實踐
本章參考文獻
第9章邏輯回歸
9.1邏輯回歸的原理
9.1.1Sigmoid函數
9.1.2梯度下降法
9.2邏輯回歸及公式推導
9.2.1公式推導
9.2.2向量化
9.2.3算法的步驟
9.2.4邏輯回歸的優缺點
9.3邏輯回歸算法的改進
9.3.1邏輯回歸的正則化
9.3.2主成分改進的邏輯回歸方法
9.4邏輯回歸的Python實踐
本章參考文獻
第10章神經網絡
10.1神經網絡算法概述
10.1.1神經網絡的工作原理
10.1.2神經網絡的特點
10.1.3人工神經元模型
10.2前向神經網絡
10.2.1感知器
10.2.2BP算法
10.3基于神經網絡的算法擴展
10.3.1深度學習
10.3.2極限學習機
10.4神經網絡的Python實踐
本章參考文獻
第11章AdaBoost算法
11.1集成學習方法簡介
11.1.1集成學習方法的分類
11.1.2集成學習之Boosting算法
11.2AdaBoost算法概述
11.2.1AdaBoost算法的思想
11.2.2AdaBoost算法的理論推導
11.2.3AdaBoost算法的步驟
11.2.4AdaBoost算法的特點
11.2.5通過實例理解AdaBoost算法
11.3AdaBoost算法的改進
11.3.1Real AdaBoost算法
11.3.2Gentle AdaBoost算法
11.3.3LogitBoost算法
11.4AdaBoost算法的Python實踐
本章參考文獻
第12章k均值算法
12.1k均值算法概述
12.1.1k均值算法的基本原理
12.1.2k均值算法的實現步驟
12.1.3k均值算法的實例
12.1.4k均值算法的特點
12.2基于k均值算法的改進
12.2.1改進k值選取方式的k均值改進算法
12.2.2改進初始聚類中心選擇方式的k均值改進算法
12.3k均值算法的Python實踐
本章參考文獻
第13章期望*大化算法
13.1EM算法
13.1.1EM算法的思想
13.1.2似然函數和極大似然估計
13.1.3Jensen不等式
13.1.4EM算法的理論和公式推導
13.1.5EM算法的收斂速度
13.1.6EM算法的特點
13.2EM算法的改進
13.2.1Monte Carlo EM算法
13.2.2ECM算法
13.2.3ECME算法
13.3EM算法的Python實踐
本章參考文獻
第14章k中心點算法
14.1經典k中心點算法——PAM算法
14.1.1PAM算法的原理
14.1.2PAM算法的實例
14.1.3PAM算法的特點
14.2k中心點算法的改進
14.3k中心點算法的Python實踐
本章參考文獻
第15章關聯規則挖掘的Apriori算法
15.1關聯規則概述
15.1.1關聯規則的基本概念
15.1.2關聯規則的分類
15.2Apriori算法的原理
15.3Apriori算法的改進
15.3.1基于分片的并行方法
15.3.2基于hash的方法
15.3.3基于采樣的方法
15.3.4減少交易個數的方法
15.4Apriori算法的Python實踐
本章參考文獻
第16章高斯混合模型算法
16.1高斯混合模型的原理
16.1.1單高斯模型
16.1.2高斯混合模型
16.1.3模型的建立
16.1.4模型參數的求解
16.2高斯混合模型算法的Python實踐
本章參考文獻
第17章DBSCAN算法
17.1DBSCAN算法概述
17.1.1DBSCAN算法的基本概念
17.1.2DBSCAN算法的原理
17.1.3DBSCAN算法的實現步驟
17.1.4DBSCAN算法的優缺點
17.2DBSCAN算法的改進
17.2.1DPDGA算法
17.2.2并行DBSCAN算法
17.3DBSCAN算法的Python實踐
本章參考文獻
第18章策略迭代和值迭代
18.1基本概念
18.1.1強化學習的基本模型
18.1.2馬爾可夫決策過程
18.1.3策略
18.1.4值函數
18.1.5貝爾曼方程
18.2策略迭代算法的原理
18.3值迭代算法的原理
18.4策略迭代和值迭代算法的Python實踐
18.4.1FrozenLake問題
18.4.2OpenAI Gym庫的介紹
18.4.3FrozenLake環境的實現過程
18.4.4策略迭代算法的實現
18.4.5值迭代算法的實現
本章參考文獻
第19章SARSA算法和Q學習算法
19.1SARSA算法的原理
19.2SARSA算法的Python實踐
19.2.1迷宮問題
19.2.2SARSA算法的實現
19.3Q學習算法的原理
19.4Q學習算法的Python實踐
本章參考文獻
展開全部
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
巴金－再思錄
- >
羅庸西南聯大授課錄
- >
有舍有得是人生
- >
我與地壇
- >
詩經-先民的歌唱
- >
經典常談
本類暢銷
