scikit-learn機(jī)器學(xué)習(xí)實戰(zhàn)

定　價：￥69.00

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

購買這本書可以去

ISBN：	9787302604396	出版時間：	2022-05-01	包裝：
開本：		頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書圍繞scikit-learn庫，詳細(xì)介紹機(jī)器學(xué)習(xí)模型、算法、應(yīng)用場景及其案例實現(xiàn)方法，通過對相關(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。本書采用理論與實踐相結(jié)合的方式，結(jié)合Python3語言的強(qiáng)大功能，以最小的編程代價來實現(xiàn)機(jī)器學(xué)習(xí)算法。本書配套PPT課件、案例源碼、數(shù)據(jù)集、開發(fā)環(huán)境與答疑服務(wù)。本書共分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)用開發(fā)，涵蓋特征提取、簡單線性回歸、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、主成分分析等熱點研究領(lǐng)域。本書可以作為機(jī)器學(xué)習(xí)初學(xué)者、研究人員或從業(yè)人員的參考書，也可以作為計算機(jī)科學(xué)、大數(shù)據(jù)、人工智能、統(tǒng)計學(xué)和社會科學(xué)等專業(yè)的大學(xué)生或研究生的教材。

作者簡介

　　鄧立國，東北大學(xué)計算機(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、知識工程、大數(shù)據(jù)處理、云計算、分布式計算等。著有圖書《scikit-learn機(jī)器學(xué)習(xí)實戰(zhàn)》《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》《Python大數(shù)據(jù)分析算法與實例》《Python機(jī)器學(xué)習(xí)算法與應(yīng)用》《數(shù)據(jù)庫原理與應(yīng)用（SQL Server 2016版本）》等圖書。

圖書目錄

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估計器分類 44
3.1 scikit-learn基礎(chǔ) 44
3.2 scikit-learn估計器 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 簡單的線性回歸模型 68
5.2 分割數(shù)據(jù)集 73
5.3 用簡單線性回歸模型預(yù)測考試成績 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題 87
6.3 用k近鄰算法對鳶尾花進(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)測波士頓房價 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 多元分類問題 120
8.3 正則化項 123
8.4 模型優(yōu)化 124
8.5 用邏輯回歸算法處理二分類問題 126
8.6 識別手寫數(shù)字的多元分類問題 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回歸 138
9.1 決策樹特點 139
9.2 決策樹分類 140
9.3 決策樹回歸 142
9.4 決策樹復(fù)雜度及使用技巧 145
9.5 決策樹算法：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：從決策樹到隨機(jī)森林 150
10.1 Bagging元估計器 150
10.2 由隨機(jī)樹組成的森林 151
10.3 AdaBoost 155
10.4 梯度樹提升 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實例 210
13.6 scikit-learn PCA降維實例 211
13.7 核主成分分析KPCA簡介 216
13.8 本章小結(jié) 217
13.9 復(fù)習(xí)題 217
參考文獻(xiàn) 218