圖解機器學習算法（全彩印刷） ( 簡體 字) |
| 作者：[日]秋庭伸也 [日]杉山阿圣 [日]寺田學 | 類別：1. -> 程式設計 -> USB
2. -> 程式設計 -> 演算法 |
| 譯者：鄭明智 |
| 出版社：人民郵電 |  3dWoo書號： 54658
詢問書籍請說出此書號！【缺書】
NT售價： 400 元 |
| 出版日：6/1/2021 |
| 頁數：181 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：全彩印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115563569 |
| 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： |
內容簡介：本書基于豐富的圖示，詳細介紹了有監督學習和無監督學習的17種算法，包括線性回歸、正則化、邏輯回歸、支持向量機、核方法、樸素貝葉斯、隨機森林、神經網絡、KNN、PCA、LSA、NMF、LDA、k-means算法、混合高斯分布、LLE和t-SNE。書中針對各算法均用Python代碼進行了實現，讀者可一邊運行代碼一邊閱讀，從而加深對算法的理解。 |
目錄：第 1章
機器學習基礎 1
1.1 機器學習概要 2
什么是機器學習 2
機器學習的種類 3
機器學習的應用 8
1.2 機器學習的步驟 9
數據的重要性 9
有監督學習（分類）的例子 11
無監督學習（聚類）的例子 16
可視化 18
圖形的種類和畫法：使用Matplotlib顯示圖形的方法 22
使用pandas理解和處理數據 30
本章小結 36
第 2章
有監督學習 37
2.1 算法1：線性回歸 38
概述 38
算法說明 39
詳細說明 41
2.2 算法2：正則化 45
概述 45
算法說明 48
詳細說明 50
2.3 算法3：邏輯回歸 52
概述 52
算法說明 53
詳細說明 55
2.4 算法4：支持向量機 58
概述 58
算法說明 59
詳細說明 60
2.5 算法5：支持向量機（核方法） 63
概述 63
算法說明 64
詳細說明 65
2.6 算法6：樸素貝葉斯 68
概述 68
算法說明 70
詳細說明 74
2.7 算法7：隨機森林 76
概述 76
算法說明 77
詳細說明 80
2.8 算法8：神經網絡 81
概述 81
算法說明 83
詳細說明 86
2.9 算法9：KNN 88
概述 88
算法說明 89
詳細說明 90
第3章
無監督學習 93
3.1 算法10：PCA 94
概述 94
算法說明 95
詳細說明 98
3.2 算法11：LSA 99
概述 99
算法說明 100
詳細說明 104
3.3 算法12：NMF 105
概述 105
算法說明 106
詳細說明 108
3.4 算法13：LDA 111
概述 111
算法說明 112
詳細說明 114
3.5 算法14：k-means算法 117
概述 117
算法說明 117
詳細說明 119
3.6 算法15：混合高斯分布 122
概述 122
算法說明 123
詳細說明 126
3.7 算法16：LLE 127
概述 127
算法說明 128
詳細說明 131
3.8 算法17：t-SNE 133
概述 133
算法說明 134
詳細說明 136
第4章
評估方法和各種數據的處理 139
4.1 評估方法 140
有監督學習的評估 140
分類問題的評估方法 140
回歸問題的評估方法 148
均方誤差和決定系數指標的不同 152
與其他算法進行比較 152
超參數的設置 154
模型的過擬合 155
防止過擬合的方法 155
將數據分為訓練數據和驗證數據 156
交叉驗證 158
搜索超參數 160
4.2 文本數據的轉換處理 163
基于單詞出現次數的轉換 163
基于tf-idf的轉換 164
應用于機器學習模型 165
4.3 圖像數據的轉換處理 167
直接將像素信息作為數值使用 167
將轉換后的向量數據作為輸入來應用機器學習模型 168
第5章
環境搭建 171
5.1 Python 3的安裝 172
Windows 172
macOS 172
Linux 173
使用Anaconda在Windows上安裝 174
5.2 虛擬環境 175
通過官方安裝程序安裝Python的情況 175
通過Anaconda安裝Python的情況 177
5.3 第三方包的安裝 178
什么是第三方包 178
安裝第三方包的方法 178
參考文獻 180 |
| 序： |
