同類熱銷排行榜

scikit-learn機器學習(常用演算法原理及編程實戰)

作者：編者:黃永昌
出版社：機械工業
ISBN：9787111590248

出版日期：2018/03/01
裝幀：平裝
頁數：207

人民幣：RMB 59 元售價：元

內容大鋼

    黃永昌編著的《scikit-learn機器學習(常用演算法原理及編程實戰)》通過通俗易懂的語言、豐富的圖示和生動的實例，撥開了籠罩在機器學習上方複雜的數學「烏雲」，讓讀者以較低的代價和門檻輕鬆入門機器學習。
    本書共分為11章，介紹了在Python環境下學習scikit-learn機器學習框架的相關知識，涵蓋的主要內容有機器學習概述、Python機器學習軟體包、機器學習理論基礎、k-近鄰演算法、線性回歸演算法、邏輯回歸演算法、決策樹、支持向量機、樸素貝葉斯演算法、PCA演算法和k-均值演算法等。
    本書適合有一定編程基礎的讀者閱讀，尤其適合想從事機器學習、人工智慧、深度學習及機器人相關技術的程序員和愛好者閱讀。另外，相關院校和培訓機構也可以將本書作為教材使用。

作者介紹

編者:黃永昌
黃永昌，男，2004年畢業於廈門大學自動化系。高級軟體工程師，從事軟體開發和管理工作15年。著有《Scikit-learnn機器學習：常用演算法原理及編程實戰》一書。2016年開始研究Scratch少兒編程及兒童邏輯思維訓I練啟蒙教育。曾經在網易雲課堂開設基於Scratch 2.0的少兒編程視頻課程。積極關注Scratch 3.0開源項目的開發進展及其背後的GoogleBlockly技術。曾經打包製作了可以在Linux平台上運行的Scratch 3.0編輯器，頗受好評。2018年開始開展線下Scratch少兒編程培訓，積累了豐富的教學經驗，能夠深刻地理解少兒在學習編程中的思維障礙，從而循序漸進地引導少兒使用電腦思維解決問題。

前言
第1章  機器學習介紹
  1.1 什麼是機器學習
  1.2 機器學習有什麼用
  1.3 機器學習的分類
  1.4 機器學習應用開發的典型步驟
    1.4.1 數據採集和標記
    1.4.2 數據清洗
    1.4.3 特徵選擇
    1.4.4 模型選擇
    1.4.5 模型訓練和測試
    1.4.6 模型性能評估和優化
    1.4.7 模型使用
  1.5 複習題
第2章  Python機器學習軟體包
  2.1 開發環境搭建
  2.2 IPython簡介
    2.2.1 IPython基礎
    2.2.2 IPython圖形界面
  2.3 Numpy簡介
    2.3.1 Numpy數組
    2.3.2 Numpy運算
  2.4 Pandas簡介
    2.4.1 基本數據結構
    2.4.2 數據排序
    2.4.3 數據訪問
    2.4.4 時間序列
    2.4.5 數據可視化
    2.4.6 文件讀寫
  2.5 Matplotlib簡介
    2.5.1 圖形樣式
    2.5.2 圖形對象
    2.5.3 畫圖操作
  2.6 scikit-learn簡介
    2.6.1 scikit-learn示例
    2.6.2 scikit-learn一般性原理和通用規則
  2.7 複習題
  2.8 拓展學習資源
第3章  機器學習理論基礎
  3.1 過擬合和欠擬合
  3.2 成本函數
  3.3 模型準確性
    3.3.1 模型性能的不同表述方式
    3.3.2 交叉驗證數據集
  3.4 學習曲線
    3.4.1 實例：畫出學習曲線
    3.4.2 過擬合和欠擬合的特徵
  3.5 演算法模型性能優化
  3.6 查准率和召回率
  3.7 F1 Score

  3.8 複習題
第4章  k-近鄰演算法
  4.1 演算法原理
    4.1.1 演算法優缺點
    4.1.2 演算法參數
    4.1.3 演算法的變種
  4.2 示例：使用k-近鄰演算法進行分類
  4.3 示例：使用k-近鄰演算法進行回歸擬合
  4.4 實例：糖尿病預測
    4.4.1 載入數據
    4.4.2 模型比較
    4.4.3 模型訓練及分析
    4.4.4 特徵選擇及數據可視化
  4.5 拓展閱讀
    4.5.1 如何提高k-近鄰演算法的運算效率
    4.5.2 相關性測試
  4.6 複習題
第5章  線性回歸演算法
  5.1 演算法原理
    5.1.1 預測函數
    5.1.2 成本函數
    5.1.3 梯度下降演算法
  5.2 多變數線性回歸演算法
    5.2.1 預測函數
    5.2.2 成本函數
    5.2.3 梯度下降演算法
  5.3 模型優化
    5.3.1 多項式與線性回歸
    5.3.2 數據歸一化
  5.4 示例：使用線性回歸演算法擬合正弦函數
  5.5 示例：測算房價
    5.5.1 輸入特徵
    5.5.2 模型訓練
    5.5.3 模型優化
    5.5.4 學習曲線
  5.6 拓展閱讀
    5.6.1 梯度下降迭代公式推導
    5.6.2 隨機梯度下降演算法
    5.6.3 標準方程
  5.7 複習題
第6章  邏輯回歸演算法
  6.1 演算法原理
    6.1.1 預測函數
    6.1.2 判定邊界
    6.1.3 成本函數
    6.1.4 梯度下降演算法
  6.2 多元分類
  6.3 正則化
    6.3.1 線性回歸模型正則化
    6.3.2 邏輯回歸模型正則化

  6.4 演算法參數
  6.5 實例：乳腺癌檢測
    6.5.1 數據採集及特徵提取
    6.5.2 模型訓練
    6.5.3 模型優化
    6.5.4 學習曲線
  6.6 拓展閱讀
  6.7 複習題
第7章  決策樹
  7.1 演算法原理
    7.1.1 信息增益
    7.1.2 決策樹的創建
    7.1.3 剪枝演算法
  7.2 演算法參數
  7.3 實例：預測泰坦尼克號倖存者
    7.3.1 數據分析
    7.3.2 模型訓練
    7.3.3 優化模型參數
    7.3.4 模型參數選擇工具包
  7.4 拓展閱讀
    7.4.1 熵和條件熵
    7.4.2 決策樹的構建演算法
  7.5 集合演算法
    7.5.1 自助聚合演算法Bagging
    7.5.2 正向激勵演算法boosting
    7.5.3 隨機森林
    7.5.4 ExtraTrees演算法
  7.6 複習題
第8章  支持向量機
  8.1 演算法原理
    8.1.1 大間距分類演算法
    8.1.2 鬆弛係數
  8.2 核函數
    8.2.1 *簡單的核函數
    8.2.2 相似性函數
    8.2.3 常用的核函數
    8.2.4 核函數的對比
  8.3 scikit-learn里的SVM
  8.4 實例：乳腺癌檢測
  8.5 複習題
第9章  樸素貝葉斯演算法
  9.1 演算法原理
    9.1.1 貝葉斯定理
    9.1.2 樸素貝葉斯分類法
  9.2 一個簡單的例子
  9.3 概率分佈
    9.3.1 概率統計的基本概念
    9.3.2 多項式分佈
    9.3.3 高斯分佈
  9.4 連續值的處理

  9.5 實例：文檔分類
    9.5.1 獲取數據集
    9.5.2 文檔的數學表達
    9.5.3 模型訓練
    9.5.4 模型評價
  9.6 複習題
第10章  PCA演算法
  10.1 演算法原理
    10.1.1 數據歸一化和縮放
    10.1.2 計算協方差矩陣的特徵向量
    10.1.3 數據降維和恢復
  10.2 PCA演算法示例
    10.2.1 使用Numpy模擬PCA計算過程
    10.2.2 使用sklearn進行PCA降維運算
    10.2.3 PCA的物理含義
  10.3 PCA的數據還原率及應用
    10.3.1 數據還原率
    10.3.2 加快監督機器學習演算法的運算速度
  10.4 實例：人臉識別
    10.4.1 載入數據集
    10.4.2 一次失敗的嘗試
    10.4.3 使用PCA來處理數據集
    10.4.4 *終結果
  10.5 拓展閱讀
  10.6 複習題
第11章  k-均值演算法
  11.1 演算法原理
    11.1.1 k-均值演算法成本函數
    11.1.2 隨機初始化聚類中心點
    11.1.3 選擇聚類的個數
  11.2 scikit-learn里的k-均值演算法
  11.3 使用k-均值對文檔進行聚類分析
    11.3.1 準備數據集
    11.3.2 載入數據集
    11.3.3 文本聚類分析
  11.4 聚類演算法性能評估
    11.4.1 Adjust Rand Index
    11.4.2 齊次性和完整性
    11.4.3 輪廓係數
  11.5 複習題
後記

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

scikit-learn機器學習(常用演算法原理及編程實戰)