Python機(jī)器學(xué)習(xí)算法：原理、實(shí)現(xiàn)與案例

定　價(jià)：￥69.00

作　者：	劉碩
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787302536505	出版時(shí)間：	2019-10-01	包裝：
開(kāi)本：		頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)用平實(shí)的語(yǔ)言深入淺出地介紹當(dāng)前熱門(mén)的機(jī)器學(xué)習(xí)經(jīng)典算法，包括線性回歸、Logistic回歸與Softmax回歸、決策樹(shù)（分類與回歸）、樸素貝葉斯、支持向量機(jī)、K近鄰學(xué)習(xí)、K-Means和人工神經(jīng)網(wǎng)絡(luò)，針對(duì)每一個(gè)算法首先介紹數(shù)學(xué)模型及原理，然后根據(jù)模型和算法描述使用Python編程和Numpy庫(kù)進(jìn)行算法實(shí)現(xiàn)，*后通過(guò)案例讓讀者進(jìn)一步體會(huì)算法的應(yīng)用場(chǎng)景以及應(yīng)用時(shí)所需注意的問(wèn)題。本書(shū)適合準(zhǔn)備進(jìn)入人工智能和數(shù)據(jù)分析與挖掘領(lǐng)域的初學(xué)者，對(duì)機(jī)器學(xué)習(xí)算法感興趣的愛(ài)好者、程序員、大學(xué)生和各類IT培訓(xùn)班的學(xué)員使用。

作者簡(jiǎn)介

　　劉碩，碩士，曾就職于知名外企，從事一線開(kāi)發(fā)工作10年，目前主要從事Python開(kāi)發(fā)與教學(xué)及機(jī)器學(xué)習(xí)算法的研究工作，在慕課網(wǎng)開(kāi)設(shè)有多門(mén)Python課程，深受學(xué)員歡迎。

圖書(shū)目錄

目錄
第1章線性回歸 1
1.1 線性回歸模型 1
1.2 小二乘法 2
1.3 梯度下降 4
1.3.1 梯度下降算法 4
1.3.2 隨機(jī)梯度下降和小批量梯度下降 6
1.4 算法實(shí)現(xiàn) 7
1.4.1 小二乘法 7
1.4.2 梯度下降 9
1.5 項(xiàng)目實(shí)戰(zhàn) 12
1.5.1 準(zhǔn)備數(shù)據(jù) 12
1.5.2 模型訓(xùn)練與測(cè)試 13
第2章 Logistic回歸與Softmax回歸 20
2.1 Logistic回歸 20
2.1.1 線性模型 20
2.1.2 logistic函數(shù) 21
2.1.3 Logistic回歸模型 23
2.1.4 極大似然法估計(jì)參數(shù) 24
2.1.5 梯度下降更新公式 25
2.2 Softmax回歸 26
2.2.1 Softmax函數(shù) 26
2.2.2 Softmax回歸模型 27
2.2.3 梯度下降更新公式 27
2.3 編碼實(shí)現(xiàn) 28
2.3.1 Logistic回歸 28
2.3.2 Softmax回歸 32
2.4 項(xiàng)目實(shí)戰(zhàn) 36
2.4.1 Logistic回歸 36
2.4.2 Softmax回歸 43
第3章決策樹(shù)——分類樹(shù) 46
3.1 決策樹(shù)模型 46
3.2 生成決策樹(shù) 48
3.3 切分特征的選擇 49
3.3.1 信息熵 49
3.3.2 條件信息熵 50
3.3.3 信息增益 51
3.3.4 信息增益比 53
3.4 算法實(shí)現(xiàn) 53
3.5 繪制決策樹(shù) 57
3.6 項(xiàng)目實(shí)戰(zhàn) 64
3.6.1 準(zhǔn)備數(shù)據(jù) 64
3.6.2 模型訓(xùn)練與測(cè)試 66
第4章決策樹(shù)——分類回歸樹(shù) 70
4.1 CART算法的改進(jìn) 70
4.2 處理連續(xù)值特征 71
4.3 CART分類樹(shù)與回歸樹(shù) 72
4.3.1 CART分類樹(shù) 72
4.3.2 CART回歸樹(shù) 74
4.4 算法實(shí)現(xiàn) 75
4.4.1 CART分類樹(shù) 75
4.4.2 CART回歸樹(shù) 80
4.5 項(xiàng)目實(shí)戰(zhàn) 85
4.5.1 CART分類樹(shù) 85
4.5.2 CART回歸樹(shù) 89
第5章樸素貝葉斯 95
5.1 樸素貝葉斯模型 95
5.1.1 貝葉斯公式 95
5.1.2 貝葉斯分類器 97
5.1.3 樸素貝葉斯分類器 97
5.2 模型參數(shù)估計(jì) 98
5.2.1 極大似然估計(jì) 98
5.2.2 貝葉斯估計(jì) 102
5.3 算法實(shí)現(xiàn) 103
5.4 項(xiàng)目實(shí)戰(zhàn) 105
5.4.1 準(zhǔn)備數(shù)據(jù) 106
5.4.2 模型訓(xùn)練與測(cè)試 108
第6章支持向量機(jī) 110
6.1 線性可分支持向量機(jī) 110
6.1.1 分離超平面 110
6.1.2 間隔化 112
6.1.3 拉格朗日對(duì)偶法 113
6.1.4 分類決策函數(shù) 116
6.1.5 線性可分支持向量機(jī)算法 117
6.2 線性支持向量機(jī) 118
6.2.1 軟間隔化 118
6.2.2 線性支持向量機(jī)算法 121
6.3 非線性支持向量機(jī) 122
6.3.1 空間變換 122
6.3.2 核技巧 123
6.3.3 非線性支持向量機(jī)算法 124
6.4 SMO算法 125
6.4.1 兩個(gè)變量化問(wèn)題的求解 126
6.4.2 變量選擇 129
6.4.3 更新b 131
6.4.4 更新E緩存 132
6.5 算法實(shí)現(xiàn) 133
6.6 項(xiàng)目實(shí)戰(zhàn) 139
6.6.1 準(zhǔn)備數(shù)據(jù) 140
6.6.2 模型訓(xùn)練與測(cè)試 141
第7章 k近鄰學(xué)習(xí) 145
7.1 kNN學(xué)習(xí) 145
7.1.1 kNN學(xué)習(xí)模型 145
7.1.2 距離的度量 146
7.1.3 k值的選擇 149
7.2 kNN的一種實(shí)現(xiàn)：k-d樹(shù) 150
7.2.1 構(gòu)造k-d樹(shù) 150
7.2.2 搜索k-d樹(shù) 153
7.3 算法實(shí)現(xiàn) 155
7.3.1 線性掃描版本 155
7.3.2 k-d樹(shù)版本 157
7.4 項(xiàng)目實(shí)戰(zhàn) 161
7.4.1 準(zhǔn)備數(shù)據(jù) 162
7.4.2 模型訓(xùn)練與測(cè)試 163
第8章 K-Means 167
8.1 K-Means 167
8.1.1 距離的度量 168
8.1.2 聚類算法的性能 169
8.1.3 K-Means算法 171
8.2 K-Means 172
8.3 算法實(shí)現(xiàn) 173
8.3.1 K-Means 173
8.3.2 K-Means 176
8.4 項(xiàng)目實(shí)戰(zhàn) 179
8.4.1 準(zhǔn)備數(shù)據(jù) 180
8.4.2 模型訓(xùn)練與測(cè)試 181
第9章人工神經(jīng)網(wǎng)絡(luò) 184
9.1 神經(jīng)網(wǎng)絡(luò) 184
9.1.1 人造神經(jīng)元 184
9.1.2 神經(jīng)網(wǎng)絡(luò) 187
9.2 反向傳播算法 188
9.2.1 輸出節(jié)點(diǎn)的權(quán)值更新 189
9.2.2 隱藏節(jié)點(diǎn)的權(quán)值更新 190
9.3 算法實(shí)現(xiàn) 192
9.3.1 神經(jīng)網(wǎng)絡(luò)分類器 192
9.3.2 神經(jīng)網(wǎng)絡(luò)回歸器 196
9.4 項(xiàng)目實(shí)戰(zhàn) 202
9.4.1 準(zhǔn)備數(shù)據(jù) 203
9.4.2 模型訓(xùn)練與測(cè)試 206