Python機(jī)器學(xué)習(xí)：原理、算法及案例實(shí)戰(zhàn)（微課視頻版）

定　價(jià)：￥59.80

作　者：	劉艷，韓龍哲，李沫沫著
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：	9787302590026	出版時(shí)間：	2021-11-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	300	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)系統(tǒng)介紹了經(jīng)典的機(jī)器學(xué)習(xí)算法，并通過(guò)實(shí)踐案例對(duì)算法進(jìn)行解析。本書(shū)內(nèi)容包含三部分：第一部分（第1章和第2章）為入門(mén)篇，著重介紹Python開(kāi)發(fā)基礎(chǔ)及數(shù)據(jù)分析與處理；第二部分（第3章和第4章）為基礎(chǔ)篇，著重介紹機(jī)器學(xué)習(xí)的理論框架和常用機(jī)器學(xué)習(xí)模型；第三部分（第5～11章）為實(shí)戰(zhàn)篇，介紹經(jīng)典機(jī)器學(xué)習(xí)算法及應(yīng)用，包括KNN分類(lèi)算法、KMeans聚類(lèi)算法、推薦算法、回歸算法、支持向量機(jī)算法、神經(jīng)網(wǎng)絡(luò)算法以及深度學(xué)習(xí)理論及項(xiàng)目實(shí)例。本書(shū)力求敘述簡(jiǎn)練，概念清晰，通俗易懂。書(shū)中的案例選取了接近實(shí)際應(yīng)用的典型問(wèn)題，以應(yīng)用能力、創(chuàng)新能力的培養(yǎng)為核心目標(biāo)。本書(shū)可作為高等院校計(jì)算機(jī)、軟件工程、大數(shù)據(jù)、通信、電子等相關(guān)專(zhuān)業(yè)的教材，也可作為成人教育及自學(xué)考試用書(shū)，還可作為機(jī)器學(xué)習(xí)相關(guān)領(lǐng)域開(kāi)發(fā)人員、工程技術(shù)人員和研究人員的參考用書(shū)。

作者簡(jiǎn)介

　　主要作者為長(zhǎng)期從事計(jì)算機(jī)一線教學(xué)的教師，博士學(xué)歷，研究方向均為人工智能與模式識(shí)別，具有豐富的計(jì)算機(jī)教學(xué)經(jīng)驗(yàn)和扎實(shí)的科研經(jīng)驗(yàn)。主持國(guó)家 863子課題、上海市教委子課題等多個(gè)科研項(xiàng)目。包括多目標(biāo)旅行商問(wèn)題的求解、稀疏半監(jiān)督學(xué)習(xí)方法研究、面向蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的支持向量機(jī)的研究等、多Agent 蟻群算法在仿真優(yōu)化中應(yīng)用研究等。主持國(guó)家、省部級(jí)教學(xué)改革項(xiàng)目6項(xiàng)，作為核心成員參加上海市精品課程、校級(jí)重大教研課題。主編參編教材十余本。多次獲得華東師范大學(xué)優(yōu)秀任課教師獎(jiǎng)、華東師范大學(xué)教學(xué)成果獎(jiǎng)等獎(jiǎng)勵(lì)。

圖書(shū)目錄

目錄

第一部分入門(mén)篇
第1章機(jī)器學(xué)習(xí)概述3
1.1人工智能簡(jiǎn)介4
1.1.1什么是人工智能4
1.1.2人工智能史上的三次浪潮4
1.1.3人工智能的研究領(lǐng)域8
1.2機(jī)器學(xué)習(xí)的主要工作17
1.3機(jī)器學(xué)習(xí)開(kāi)發(fā)環(huán)境19
習(xí)題25
第2章Python數(shù)據(jù)處理基礎(chǔ)27
2.1Python程序開(kāi)發(fā)技術(shù)27
2.2基本數(shù)據(jù)類(lèi)型29
2.3數(shù)據(jù)文件讀寫(xiě)37
2.3.1打開(kāi)與關(guān)閉文件37
2.3.2讀取文件內(nèi)容38
2.3.3將數(shù)據(jù)寫(xiě)入文件39
2.3.4Pandas存取文件40
2.3.5NumPy存取文件42
習(xí)題43
第二部分基礎(chǔ)篇
第3章Python常用機(jī)器學(xué)習(xí)庫(kù)47
3.1NumPy47
3.1.1ndarray對(duì)象48
3.1.2NumPy數(shù)據(jù)類(lèi)型49
3.1.3NumPy數(shù)組屬性53
3.1.4其他創(chuàng)建數(shù)組的方式55
3.1.5切片、迭代和索引59
3.1.6NumPy計(jì)算62
3.2Pandas64
3.2.1Series數(shù)據(jù)結(jié)構(gòu)64
3.2.2DataFrame對(duì)象67
3.2.3數(shù)據(jù)對(duì)齊75
3.3Matplotlib78
3.4OpenCV91
3.5Scikit learn96
3.5.1SKlearn簡(jiǎn)介96
3.5.2SKlearn的一般步驟97
3.6其他常用模塊99
3.6.1WordCloud制作詞云99
3.6.2Jieba中文分詞101
3.6.3PIL105
習(xí)題112
第4章機(jī)器學(xué)習(xí)基礎(chǔ)114
4.1機(jī)器學(xué)習(xí)模型115
4.1.1線性模型與非線性模型115
4.1.2淺層模型與深度模型115
4.1.3單一模型與集成模型116
4.1.4監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)116
4.2機(jī)器學(xué)習(xí)算法的選擇120
4.2.1模型的確定121
4.2.2性能評(píng)估127
4.3Python機(jī)器學(xué)習(xí)利器SKlearn129
4.3.1SKlearn數(shù)據(jù)預(yù)處理129
4.3.2SKlearn模型選擇與算法評(píng)價(jià)132
習(xí)題134
第三部分實(shí)戰(zhàn)篇
第5章KNN分類(lèi)算法139
5.1KNN分類(lèi)139
5.2初識(shí)KNN——鳶尾花分類(lèi)142
5.3KNN手寫(xiě)數(shù)字識(shí)別147
實(shí)驗(yàn)150
第6章KMeans聚類(lèi)算法153
6.1KMeans聚類(lèi)算法概述153
6.1.1聚類(lèi)154
6.1.2KMeans聚類(lèi)154
6.1.3聚類(lèi)算法的性能評(píng)估155
6.2使用KMeans實(shí)現(xiàn)數(shù)據(jù)聚類(lèi)156
6.2.1使用SKlearn實(shí)現(xiàn)KMeans聚類(lèi)156
6.2.2Python實(shí)現(xiàn)KMeans聚類(lèi)159
6.3KMeans算法存在的問(wèn)題161
6.3.1KMeans算法的不足161
6.3.2科學(xué)確定k值163
6.3.3使用后處理提高聚類(lèi)效果164
實(shí)驗(yàn)164
第7章推薦算法172
7.1推薦系統(tǒng)172
7.1.1推薦算法概述173
7.1.2推薦系統(tǒng)的評(píng)價(jià)指標(biāo)175
7.1.3推薦系統(tǒng)面臨的挑戰(zhàn)177
7.1.4常見(jiàn)的推薦算法178
7.2協(xié)同過(guò)濾推薦算法178
7.2.1基于用戶的協(xié)同過(guò)濾算法178
7.2.2基于內(nèi)容的推薦算法183
7.2.3基于圖結(jié)構(gòu)的推薦算法185
7.2.4其他推薦算法185
7.3基于內(nèi)容的推薦算法案例186
7.4協(xié)同過(guò)濾算法實(shí)現(xiàn)電影推薦188
實(shí)驗(yàn)195
第8章回歸算法196
8.1線性回歸197
8.1.1一元線性回歸197
8.1.2多元線性回歸200
8.2邏輯回歸201
8.2.1線性回歸存在的問(wèn)題202
8.2.2邏輯函數(shù)Sigmoid203
8.2.3邏輯回歸的概念204
8.2.4線性回歸與邏輯回歸的區(qū)別205
8.2.5邏輯回歸參數(shù)的確定205
8.3回歸分析綜合案例208
8.3.1信用卡逾期情況預(yù)測(cè)案例208
8.3.2使用邏輯回歸實(shí)現(xiàn)鳶尾花分類(lèi)預(yù)測(cè)案例211
實(shí)驗(yàn)213
第9章支持向量機(jī)216
9.1支持向量機(jī)的概念216
9.1.1線性判別分析217
9.1.2間隔與支持向量218
9.1.3超平面219
9.1.4感知器220
9.2支持向量機(jī)的參數(shù)226
9.2.1優(yōu)化求解226
9.2.2核函數(shù)226
9.2.3SVM應(yīng)用案例226
實(shí)驗(yàn)231
第10章神經(jīng)網(wǎng)絡(luò)237
10.1神經(jīng)網(wǎng)絡(luò)的基本原理237
10.1.1人工神經(jīng)網(wǎng)絡(luò)237
10.1.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)239
10.2多層神經(jīng)網(wǎng)絡(luò)240
10.2.1多隱藏層240
10.2.2激活函數(shù)242
10.3BP神經(jīng)網(wǎng)絡(luò)244
實(shí)驗(yàn)251
第11章深度學(xué)習(xí)256
11.1深度學(xué)習(xí)概述257
11.1.1深度學(xué)習(xí)的產(chǎn)生257
11.1.2深度學(xué)習(xí)的發(fā)展259
11.2卷積神經(jīng)網(wǎng)絡(luò)260
11.2.1卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)科學(xué)基礎(chǔ)260
11.2.2卷積操作260
11.2.3池化操作263
11.2.4卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)265
11.2.5卷積神經(jīng)網(wǎng)絡(luò)模型265
11.3循環(huán)神經(jīng)網(wǎng)絡(luò)270
11.4常見(jiàn)的深度學(xué)習(xí)開(kāi)源框架和平臺(tái)271
11.5TensorFlow學(xué)習(xí)框架272
11.6Keras深度學(xué)習(xí)框架280
11.6.1Keras基礎(chǔ)280
11.6.2Keras綜合實(shí)例280
習(xí)題286