幫助中心 | 我的帳號 | 關於我們

Python機器學習演算法(原理實現與案例)

  • 作者:劉碩
  • 出版社:清華大學
  • ISBN:9787302536505
  • 出版日期:2019/11/01
  • 裝幀:平裝
  • 頁數:208
人民幣:RMB 69 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書用平實的語言深入淺出地介紹當前熱門的機器學習經典演算法,包括線性回歸、Logistic回歸與Softmax回歸、決策樹(分類與回歸)、樸素貝葉斯、支持向量機、K近鄰學習、K-Means和人工神經網路,針對每一個演算法首先介紹數學模型及原理,然後根據模型和演算法描述使用Python編程和Numpy庫進行演算法實現,最後通過案例讓讀者進一步體會演算法的應用場景以及應用時所需注意的問題。
    本書適合準備進入人工智慧和數據分析與挖掘領域的初學者,對機器學習演算法感興趣的愛好者、程序員、大學生和各類IT培訓班的學員使用。

作者介紹
劉碩
    劉碩,碩士,曾就職于知名外企,從事一線開發工作10年,目前主要從事Python開發與教學工作,在慕課網開設有多門Python課程,深受學員歡迎。

目錄
第1章  線性回歸
  1.1  線性回歸模型
  1.2  小二乘法
  1.3  梯度下降
    1.3.1  梯度下降演算法
    1.3.2  隨機梯度下降和小批量梯度下降
  1.4  演算法實現
    1.4.1  小二乘法
    1.4.2  梯度下降
  1.5  項目實戰
    1.5.1  準備數據
    1.5.2  模型訓練與測試
第2章  Logistic回歸與Softmax回歸
  2.1  Logistic回歸
    2.1.1  線性模型
    2.1.2  logistic函數
    2.1.3  Logistic回歸模型
    2.1.4  極大似然法估計參數
    2.1.5  梯度下降更新公式
  2.2  Softmax回歸
    2.2.1  Softmax函數
    2.2.2  Softmax回歸模型
    2.2.3  梯度下降更新公式
  2.3  編碼實現
    2.3.1  Logistic回歸
    2.3.2  Softmax回歸
  2.4  項目實戰
    2.4.1  Logistic回歸
    2.4.2  Softmax回歸
第3章  決策樹——分類樹
  3.1  決策樹模型
  3.2  生成決策樹
  3.3  切分特徵的選擇
    3.3.1  信息熵
    3.3.2  條件信息熵
    3.3.3  信息增益
    3.3.4  信息增益比
  3.4  演算法實現
  3.5  繪製決策樹
  3.6  項目實戰
    3.6.1  準備數據
    3.6.2  模型訓練與測試
第4章  決策樹——分類回歸樹
  4.1  CART演算法的改進
  4.2  處理連續值特徵
  4.3  CART分類樹與回歸樹
    4.3.1  CART分類樹
    4.3.2  CART回歸樹
  4.4  演算法實現
    4.4.1  CART分類樹

    4.4.2  CART回歸樹
  4.5  項目實戰
    4.5.1  CART分類樹
    4.5.2  CART回歸樹
第5章  樸素貝葉斯
  5.1  樸素貝葉斯模型
    5.1.1  貝葉斯公式
    5.1.2  貝葉斯分類器
    5.1.3  樸素貝葉斯分類器
  5.2  模型參數估計
    5.2.1  極大似然估計
    5.2.2  貝葉斯估計
  5.3  演算法實現
  5.4  項目實戰
    5.4.1  準備數據
    5.4.2  模型訓練與測試
第6章  支持向量機
  6.1  線性可分支持向量機
    6.1.1  分離超平面
    6.1.2  間隔最大化
    6.1.3  拉格朗日對偶法
    6.1.4  分類決策函數
    6.1.5  線性可分支持向量機演算法
  6.2  線性支持向量機
    6.2.1  軟間隔最大化
    6.2.2  線性支持向量機演算法
  6.3  非線性支持向量機
    6.3.1  空間變換
    6.3.2  核技巧
    6.3.3  非線性支持向量機演算法
  6.4  SMO演算法
    6.4.1  兩個變數最優化問題的求解
    6.4.2  變數選擇
    6.4.3  更新b
    6.4.4  更新E緩存
  6.5  演算法實現
  6.6  項目實戰
    6.6.1  準備數據
    6.6.2  模型訓練與測試
第7章  k近鄰學習
  7.1  kNN學習
    7.1.1  kNN學習模型
    7.1.2  距離的度量
    7.1.3  k值的選擇
  7.2  kNN的一種實現:k-d樹
    7.2.1  構造k-d樹
    7.2.2  搜索k-d樹
  7.3  演算法實現
    7.3.1  線性掃描版本
    7.3.2  k-d樹版本

  7.4  項目實戰
    7.4.1  準備數據
    7.4.2  模型訓練與測試
第8章  K.Means
  8.1  K-Means
    8.1.1  距離的度量
    8.1.2  聚類演算法的性能
    8.1.3  K-Means演算法
  8.2  K-Means
  8.3  演算法實現
    8.3.1  K-Means
    8.3.2  K-Means
  8.4  項目實戰
    8.4.1  準備數據
    8.4.2  模型訓練與測試
第9章  人工神經網路
  9.1  神經網路
    9.1.1  人造神經元
    9.1.2  神經網路
  9.2  反向傳播演算法
    9.2.1  輸出節點的權值更新
    9.2.2  隱藏節點的權值更新
  9.3  演算法實現
    9.3.1  神經網路分類器
    9.3.2  神經網路回歸器
  9.4  項目實戰
    9.4.1  準備數據
    9.4.2  模型訓練與測試

  • 商品搜索:
  • | 高級搜索
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