機器學習（Python+sklearn+TensorFlow 2.0）-微課視頻版 ( 簡體 字) |
| 作者：王衡軍 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53376
詢問書籍請說出此書號！【缺書】
NT售價： 350 元 |
| 出版日：9/1/2020 |
| 頁數： |
| 光碟數：0 |
|
站長推薦：   |
| 印刷： | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302559283 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：本書討論了機器學習的基本問題和基本算法。從方便學習的目的出發，本書主要以聚類任務、回歸任務、分類任務、標注任務、概率模型、神經網絡模型、深度學習模型七個主題對相關內容進行組織。前四個主題以機器學習的四個主要任務為核心，討論相關算法及基礎知識。概率類模型和神經網絡類模型可以完成聚類、回歸、分類和標注等多類任務，但它們各有自成體系的基礎知識，因此各設一個主題進行集中討論，更方便讀者理解。深度學習模型屬于神經網絡模型，是機器學習領域的后起之秀，對機器學習的興起起到了至關重要的推動作用，單獨設一個主題來討論。此外，還單獨設立一個主題對機器學習在工程應用中的特征工程、降維和超參數調優等問題進行討論。
本書面向的讀者是初學者，在討論具體算法時，采用以示例入手、逐步推進的方式，并盡量給出詳盡的推導。本書沒有采用偽代碼的方式來介紹算法流程，而是用文字說明加示例程序的方式。通過文字說明，讀者可以從總體上理解算法運行過程。通過運行示例程序，讀者可以精準地把握算法運行的細節、理解數據的變化過程。本書的示例代碼基于Python 3語言實現，并按需使用了Scikit拟Learn（sklearn）機器學習和TensorFlow 2.0深度學習等模塊。
本書不要求讀者具有深厚的數學基礎，但應理解導數、矩陣、概率等基本概念。讀者還應具備基本的編程能力，能夠探索運行本書的配套示例程序。
由于時間有限，書中如有錯誤，望讀者和專家不吝賜教。
作者2020年8月 |
內容簡介：本書討論了機器學習的基本問題和基本算法。從方便學習的目的出發，本書主要以聚類任務、回歸任務、分類任務、標注任務、概率模型、神經網絡模型、深度學習模型七個主題對相關內容進行組織。前四個主題以機器學習的四個主要任務為核心討論相關算法及基礎知識。概率類模型和神經網絡類模型可以完成聚類、回歸、分類和標注等多類任務，但它們各有自成體系的基礎知識，因此各設一個主題進行集中討論，可能更方便讀者理解。深度學習模型屬于神經網絡模型，但它具有明顯的特征和廣泛的應用，是機器學習領域的后起之秀 |
目錄：源碼資源
下載
目錄
第1章緒論
1.1機器學習是什么
1.2機器學習算法
1.2.1機器學習算法分類
1.2.2機器學習算法的術語
1.3本書的學習之路
1.4編程環境及工具包
第2章聚類
2.1k均值聚類算法及應用示例
2.1.1算法及實現
2.1.2在手機機主身份識別中的應用示例
2.1.3進一步討論
2.1.4改進算法
2.2聚類算法基礎
2.2.1聚類任務
2.2.2樣本點常用距離度量
2.2.3聚類算法評價指標
2.2.4聚類算法分類
2.3DBSCAN及其派生算法
2.3.1相關概念及算法流程
2.3.2鄰域參數ε和MinPts的確定
2.3.3OPTICS算法
2.4AGNES算法
2.4.1簇之間的距離度量
2.4.2算法流程
2.5練習題
第3章回歸
3.1回歸任務、評價與線性回歸模型
3.1.1回歸任務
3.1.2線性回歸模型與回歸評價指標
3.1.3最小二乘法求解線性回歸模型
3.2機器學習中的最優化方法
3.2.1最優化模型
3.2.2迭代法
3.2.3梯度下降法
3.2.4全局最優與凸優化
3.2.5牛頓法
3.3多項式回歸
3.4過擬合與泛化
3.4.1欠擬合、過擬合與泛化能力
3.4.2泛化能力評估方法
3.4.3過擬合抑制
3.5向量相關性與嶺回歸
3.5.1向量的相關性
3.5.2嶺回歸算法
3.6局部回歸
3.6.1局部加權線性回歸
3.6.2K近鄰法
3.7練習題
第4章分類
4.1決策樹、隨機森林及其應用
4.1.1決策樹分類算法
4.1.2隨機森林算法
4.1.3在O2O優惠券使用預測示例中的應用
4.1.4進一步討論
4.1.5回歸樹
4.2分類算法基礎
4.2.1分類任務
4.2.2分類模型的評價指標
4.3邏輯回歸
4.3.1平面上二分類的線性邏輯回歸
4.3.2邏輯回歸模型
4.3.3多分類邏輯回歸
4.4Softmax回歸
4.4.1Softmax函數
4.4.2Softmax回歸模型
4.4.3進一步討論
4.5集成學習與類別不平衡問題
4.5.1裝袋方法及應用
4.5.2提升方法及應用
4.5.3投票方法及應用
4.5.4類別不平衡問題
4.6練習題
第5章特征工程、降維與超參數調優
5.1特征工程
5.1.1數據總體分析
5.1.2數據可視化
5.1.3數據預處理
5.2線性降維
5.2.1奇異值分解
5.2.2主成分分析
5.3超參數調優
5.3.1網格搜索
5.3.2隨機搜索
5.4練習題
第6章概率模型與標注
6.1概率模型
6.1.1分類、聚類和標注任務的概率模型
6.1.2生成模型和判別模型
6.1.3概率模型的簡化假定
6.2邏輯回歸模型的概率分析
6.3樸素貝葉斯分類
6.3.1條件概率估計難題
6.3.2特征條件獨立假定
6.3.3樸素貝葉斯法的算法流程及示例
6.3.4樸素貝葉斯分類器
6.4EM算法與高斯混合聚類
6.4.1EM算法示例
6.4.2EM算法及其流程
6.4.3高斯混合聚類
6.5隱馬爾可夫模型
6.5.1馬爾可夫鏈
6.5.2隱馬爾可夫模型及示例
6.5.3前向拟后向算法
6.5.4維特比算法
6.6條件隨機場模型
6.7練習題
第7章神經網絡
7.1神經網絡模型
7.1.1神經元
7.1.2神經網絡
7.1.3分類、聚類、回歸、標注任務的神經網絡模型
7.2多層神經網絡
7.2.1三層感知機的誤差反向傳播學習示例
7.2.2誤差反向傳播學習算法
7.2.3多層神經網絡常用損失函數
7.2.4多層神經網絡常用優化算法
7.2.5多層神經網絡中過擬合的抑制
7.2.6進一步討論
7.3競爭學習和自組織特征映射網絡
7.3.1競爭學習
7.3.2自組織特征映射網絡的結構與學習
7.4練習題
第8章深度學習
8.1概述
8.2卷積神經網絡
8.2.1卷積神經網絡示例
8.2.2卷積層
8.2.3池化層和Flatten層
8.2.4批標準化層
8.2.5典型卷積神經網絡
8.3循環神經網絡
8.3.1基本單元
8.3.2網絡結構
8.3.3長短時記憶網絡
8.3.4雙向循環神經網絡和深度循環神經網絡
8.3.5序列標注示例
8.4練習題
參考文獻 |
| 序： |
