Python機(jī)器學(xué)習(xí)算法與應(yīng)用

定　價(jià)：￥69.00

作　者：	鄧立國(guó) 著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787302548997	出版時(shí)間：	2020-04-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	216	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)理論與實(shí)踐相結(jié)合，詳細(xì)闡述機(jī)器學(xué)習(xí)數(shù)據(jù)特征與分類(lèi)算法，基于Python 3精心編排大量的機(jī)器學(xué)習(xí)場(chǎng)景與開(kāi)源平臺(tái)應(yīng)用，高效利用Python 3代碼翔實(shí)地闡釋機(jī)器學(xué)習(xí)核心算法及其工具的場(chǎng)景應(yīng)用。本書(shū)分為6章，主要內(nèi)容包括機(jī)器學(xué)習(xí)概述、數(shù)據(jù)特征、分類(lèi)算法、項(xiàng)目，以及在機(jī)器學(xué)習(xí)平臺(tái)Kaggle與PaddlePaddle上實(shí)現(xiàn)分類(lèi)、預(yù)測(cè)及推薦等實(shí)戰(zhàn)操作。本書(shū)適合機(jī)器學(xué)習(xí)的研究人員、計(jì)算機(jī)或數(shù)學(xué)等相關(guān)從業(yè)者參考學(xué)習(xí)，也可以作為計(jì)算機(jī)或數(shù)學(xué)等專(zhuān)業(yè)本科高年級(jí)或研究生專(zhuān)業(yè)用書(shū)。

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)。2005年開(kāi)始在沈陽(yáng)師范大學(xué)軟件學(xué)院、教育技術(shù)學(xué)院任教，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。以第一作者發(fā)表學(xué)術(shù)論文30多篇（26篇EI），主編教材 1 部，主持科研課題6項(xiàng)，經(jīng)費(fèi)10余萬(wàn)元，多次獲得校級(jí)科研優(yōu)秀獎(jiǎng)，作為九三社員提出的智慧城市提案被市政府采納，研究成果被教育廳等單位采用。

圖書(shū)目錄

目錄

第1章機(jī)器學(xué)習(xí)概述 1
1.1 機(jī)器學(xué)習(xí)定義 1
1.2 機(jī)器學(xué)習(xí)的發(fā)展 2
1.3 機(jī)器學(xué)習(xí)的分類(lèi) 3
1.4 機(jī)器學(xué)習(xí)的研究領(lǐng)域 6
1.5 本章小結(jié) 8
第2章機(jī)器學(xué)習(xí)數(shù)據(jù)特征 9
2.1 數(shù)據(jù)分布性 9
2.1.1 數(shù)據(jù)分布集中趨勢(shì)的測(cè)定 9
2.1.2 數(shù)據(jù)分布離散程度的測(cè)定 14
2.1.3 數(shù)據(jù)分布偏態(tài)與峰度的測(cè)定 17
2.2 數(shù)據(jù)相關(guān)性 19
2.2.1 相關(guān)關(guān)系 19
2.2.2 相關(guān)分析 22
2.3 數(shù)據(jù)聚類(lèi)性 24
2.4 數(shù)據(jù)主成分分析 27
2.4.1 主成分分析的原理及模型 27
2.4.2 主成分分析的幾何解釋 29
2.4.3 主成分的導(dǎo)出 30
2.4.4 證明主成分的方差是依次遞減 31
2.4.5 主成分分析的計(jì)算 32
2.5 數(shù)據(jù)動(dòng)態(tài)性 34
2.6 數(shù)據(jù)可視化 37
2.7 本章小結(jié) 39
第3章機(jī)器學(xué)習(xí)分類(lèi)算法 40
3.1 數(shù)據(jù)清洗和特征選擇 40
3.1.1 數(shù)據(jù)清洗 40
3.1.2 特征選擇 42
3.1.3 回歸分析 45
3.2 決策樹(shù)、隨機(jī)森林 47
3.3 SVM 51
3.3.1 最優(yōu)分類(lèi)面和廣義最優(yōu)分類(lèi)面 52
3.3.2 SVM的非線(xiàn)性映射 55
3.3.3 核函數(shù) 56
3.4 聚類(lèi)算法 56
3.5 EM算法 61
3.6 貝葉斯算法 63
3.7 隱馬爾可夫模型 63
3.8 LDA主題模型 66
3.9 人工神經(jīng)網(wǎng)絡(luò) 69
3.10 KNN算法 73
3.11 本章小結(jié) 76
第4章 Python機(jī)器學(xué)習(xí)項(xiàng)目 77
4.1 SKlearn 78
4.1.1 SKlearn包含的機(jī)器學(xué)習(xí)方式 78
4.1.2 SKlearn的強(qiáng)大數(shù)據(jù)庫(kù) 79
4.1.3 鳶尾花數(shù)據(jù)集舉例 80
4.1.4 Boston房?jī)r(jià)數(shù)據(jù)集的示例 83
4.2 TensorFlow 85
4.2.1 TensorFlow簡(jiǎn)介 86
4.2.2 TensorFlow的下載與安裝 88
4.2.3 TensorFlow的基本使用 91
4.3 Theano 96
4.4 Caffe 115
4.4.1 Caffe框架與運(yùn)行環(huán)境 115
4.4.2 網(wǎng)絡(luò)模型 119
4.5 Gensim 125
4.5.1 Gensim特性與核心概念 125
4.5.2 訓(xùn)練語(yǔ)料的預(yù)處理 125
4.5.3 主題向量的變換 126
4.5.4 文檔相似度的計(jì)算 127
4.6 Pylearn2 134
4.7 Shogun 135
4.8 Chainer 136
4.9 NuPIC 143
4.10 Neon 160
4.11 Nilearn 165
4.12 Orange3 168
4.13 PyMC與PyMC3 171
4.14 PyBrain 175
4.15 Fuel 181
4.16 PyMVPA 184
4.17 Annoy 186
4.18 Deap 190
4.19 Pattern 191
4.20 Requests 195
4.21 Seaborn 199
4.22 本章小結(jié) 206
第5章 Kaggle平臺(tái)機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 207
5.1 Kaggle信用卡欺詐檢測(cè) 207
5.1.1 Kaggle信用卡欺詐檢測(cè)準(zhǔn)備 207
5.1.2 Kaggle信用卡欺詐檢測(cè)實(shí)例 210
5.2 Kaggle機(jī)器學(xué)習(xí)案例 228
5.2.1 Kaggle機(jī)器學(xué)習(xí)概況 229
5.2.2 自行車(chē)租賃數(shù)據(jù)分析與可視化案例 230
5.3 本章小結(jié) 241
第6章 PaddlePaddle平臺(tái)機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 242
6.1 PaddlePaddle平臺(tái)安裝 242
6.2 PaddlePaddle平臺(tái)手寫(xiě)體數(shù)字識(shí)別 243
6.3 PaddlePaddle平臺(tái)圖像分類(lèi) 261
6.4 PaddlePaddle平臺(tái)詞向量 277
6.5 PaddlePaddle平臺(tái)個(gè)性化推薦 289
6.6 PaddlePaddle平臺(tái)情感分析 302
6.7 本章小結(jié) 311
參考文獻(xiàn) 312