scikit-learn機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥69.00

作　者：	鄧立國(guó)，郭雅秋，陳子堯，鄧淇文著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	人工智能技術(shù)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787302604396	出版時(shí)間：	2022-05-01	包裝：
開(kāi)本：		頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)圍繞scikit-learn庫(kù)，詳細(xì)介紹機(jī)器學(xué)習(xí)模型、算法、應(yīng)用場(chǎng)景及其案例實(shí)現(xiàn)方法，通過(guò)對(duì)相關(guān)算法循序漸進(jìn)的講解，帶你輕松踏上機(jī)器學(xué)習(xí)之旅。本書(shū)采用理論與實(shí)踐相結(jié)合的方式，結(jié)合Python3語(yǔ)言的強(qiáng)大功能，以最小的編程代價(jià)來(lái)實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法。本書(shū)配套PPT課件、案例源碼、數(shù)據(jù)集、開(kāi)發(fā)環(huán)境與答疑服務(wù)。本書(shū)共分13章，內(nèi)容包括機(jī)器學(xué)習(xí)的基礎(chǔ)理論、模型范式、策略、算法以及機(jī)器學(xué)習(xí)的應(yīng)用開(kāi)發(fā)，涵蓋特征提取、簡(jiǎn)單線性回歸、k近鄰算法、多元線性回歸、邏輯回歸、樸素貝葉斯、非線性分類、決策樹(shù)回歸、隨機(jī)森林、感知機(jī)、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、K均值算法、主成分分析等熱點(diǎn)研究領(lǐng)域。本書(shū)可以作為機(jī)器學(xué)習(xí)初學(xué)者、研究人員或從業(yè)人員的參考書(shū)，也可以作為計(jì)算機(jī)科學(xué)、大數(shù)據(jù)、人工智能、統(tǒng)計(jì)學(xué)和社會(huì)科學(xué)等專業(yè)的大學(xué)生或研究生的教材。

作者簡(jiǎn)介

　　鄧立國(guó)，東北大學(xué)計(jì)算機(jī)應(yīng)用博士畢業(yè)。廣東工業(yè)大學(xué)任教，主要研究方向：數(shù)據(jù)挖掘、知識(shí)工程、大數(shù)據(jù)處理、云計(jì)算、分布式計(jì)算等。著有圖書(shū)《scikit-learn機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》《Python大數(shù)據(jù)分析算法與實(shí)例》《Python機(jī)器學(xué)習(xí)算法與應(yīng)用》《數(shù)據(jù)庫(kù)原理與應(yīng)用（SQL Server 2016版本）》等圖書(shū)。

圖書(shū)目錄

第1章機(jī)器學(xué)習(xí)概述 3
1.1 什么是機(jī)器學(xué)習(xí) 4
1.2 機(jī)器學(xué)習(xí)的作用領(lǐng)域 6
1.3 機(jī)器學(xué)習(xí)的分類 7
1.4 機(jī)器學(xué)習(xí)理論基礎(chǔ) 8
1.5 機(jī)器學(xué)習(xí)應(yīng)用開(kāi)發(fā)的典型步驟 9
1.6 本章小結(jié) 10
1.7 復(fù)習(xí)題 11
第2章機(jī)器學(xué)習(xí)之?dāng)?shù)據(jù)特征 12
2.1 數(shù)據(jù)分布性 12
2.2 數(shù)據(jù)相關(guān)性 22
2.3 數(shù)據(jù)聚類性 27
2.4 數(shù)據(jù)主成分分析 30
2.5 數(shù)據(jù)動(dòng)態(tài)性 37
2.6 數(shù)據(jù)可視化 40
2.7 本章小結(jié) 42
2.8 復(fù)習(xí)題 43
第3章用scikit-learn估計(jì)器分類 44
3.1 scikit-learn基礎(chǔ) 44
3.2 scikit-learn估計(jì)器 47
3.3 本章小結(jié) 52
3.4 復(fù)習(xí)題 52
第4章樸素貝葉斯分類 53
4.1 算法原理 53
4.2 樸素貝葉斯分類 57
4.3 樸素貝葉斯分類實(shí)例 61
4.4 樸素貝葉斯連續(xù)值的處理 65
4.5 本章小結(jié) 67
4.6 復(fù)習(xí)題 67
第5章線性回歸 68
5.1 簡(jiǎn)單的線性回歸模型 68
5.2 分割數(shù)據(jù)集 73
5.3 用簡(jiǎn)單線性回歸模型預(yù)測(cè)考試成績(jī) 77
5.4 本章小結(jié) 82
5.5 復(fù)習(xí)題 82
第6章用k近鄰算法分類和回歸 83
6.1 k近鄰算法模型 83
6.2 用k近鄰算法處理分類問(wèn)題 87
6.3 用k近鄰算法對(duì)鳶尾花進(jìn)行分類 89
6.4 用k近鄰算法進(jìn)行回歸擬合 92
6.5 本章小結(jié) 95
6.6 復(fù)習(xí)題 95
第7章從簡(jiǎn)單線性回歸到多元線性回歸 97
7.1 多變量的線性模型 97
7.2 模型的優(yōu)化 100
7.3 用多元線性回歸模型預(yù)測(cè)波士頓房?jī)r(jià) 108
7.4 本章小結(jié) 115
7.5 復(fù)習(xí)題 115
第8章從線性回歸到邏輯回歸 116
8.1 邏輯回歸模型 116
8.2 多元分類問(wèn)題 120
8.3 正則化項(xiàng) 123
8.4 模型優(yōu)化 124
8.5 用邏輯回歸算法處理二分類問(wèn)題 126
8.6 識(shí)別手寫(xiě)數(shù)字的多元分類問(wèn)題 132
8.7 本章小結(jié) 136
8.8 復(fù)習(xí)題 137
第9章非線性分類和決策樹(shù)回歸 138
9.1 決策樹(shù)特點(diǎn) 139
9.2 決策樹(shù)分類 140
9.3 決策樹(shù)回歸 142
9.4 決策樹(shù)復(fù)雜度及使用技巧 145
9.5 決策樹(shù)算法：ID3、C4.5和CART 146
9.6 本章小結(jié) 148
9.7 復(fù)習(xí)題 149
第10章集成方法：從決策樹(shù)到隨機(jī)森林 150
10.1 Bagging元估計(jì)器 150
10.2 由隨機(jī)樹(shù)組成的森林 151
10.3 AdaBoost 155
10.4 梯度樹(shù)提升 156
10.5 本章小結(jié) 167
10.6 復(fù)習(xí)題 167
第11章從感知機(jī)到支持向量機(jī) 168
11.1 線性支持向量機(jī)分類 168
11.2 非線性支持向量機(jī)分類 174
11.3 支持向量機(jī)回歸 181
11.4 本章小結(jié) 184
11.5 復(fù)習(xí)題 185
第12章從感知機(jī)到人工神經(jīng)網(wǎng)絡(luò) 186
12.1 從神經(jīng)元到人工神經(jīng)元 186
12.2 感知器 189
12.3 多層感知器 194
12.4 本章小結(jié) 199
12.5 復(fù)習(xí)題 200
第13章主成分分析降維 201
13.1 數(shù)據(jù)的向量表示及降維問(wèn)題 201
13.2 向量的表示及基變換 202
13.3 協(xié)方差矩陣及優(yōu)化目標(biāo) 205
13.4 PCA算法流程 209
13.5 PCA實(shí)例 210
13.6 scikit-learn PCA降維實(shí)例 211
13.7 核主成分分析KPCA簡(jiǎn)介 216
13.8 本章小結(jié) 217
13.9 復(fù)習(xí)題 217
參考文獻(xiàn) 218