定 價(jià)：￥89.00
| 作 者： | 寧可為，高遠(yuǎn)，趙源，楊濤 |
| 出版社： | 清華大學(xué)出版社 |
| 叢編項(xiàng)： | |
| 標(biāo) 簽： | 暫缺 |
| ISBN： | 9787302606963 | 出版時(shí)間： | 2022-08-01 | 包裝： | |
| 開本： | 頁數(shù)： | 字?jǐn)?shù)： |
第一部分 概 述
第1 章 人工智能基礎(chǔ) 2
1. 1 人工智能 2
1. 1. 1 人工智能的由來 2
1. 1. 2 人工智能學(xué)科 3
1. 2 機(jī)器學(xué)習(xí) 6
1. 2. 1 機(jī)器學(xué)習(xí)簡介 6
1. 2. 2 機(jī)器學(xué)習(xí)的類別 7
1. 2. 3 機(jī)器學(xué)習(xí)的應(yīng)用 9
本章小結(jié) 10
第2 章 Python 環(huán)境搭建11
2. 1 軟件的下載與安裝 11
2. 1. 1 平臺(tái)一：海龜編輯器 11
2. 1. 2 平臺(tái)二： PyCharm 13
2. 2 必需庫功能簡介 20
2. 2. 1 numpy——基礎(chǔ)科學(xué)計(jì)算庫 20
2. 2. 2 SciPy——科學(xué)計(jì)算工具集 22
2. 2. 3 Pandas——數(shù)據(jù)分析利器 23
2. 2. 4 matplotlib——圖形繪制法寶 26
IV 走進(jìn)人工智能——機(jī)器學(xué)習(xí)原理解析與應(yīng)用
2. 2. 5 Sklearn——機(jī)器學(xué)習(xí)神器 28
本章小結(jié) 30
第二部分 分 類
第3 章 K 近鄰算法 33
3. 1 K 近鄰算法的原理 33
3. 2 K 近鄰算法的應(yīng)用 37
3. 2. 1 K 近鄰算法的常用參數(shù) 37
3. 2. 2 應(yīng)用案例一：小說分類 37
3. 2. 3 應(yīng)用案例二：糖尿病診斷 39
3. 3 K 近鄰算法的特點(diǎn) 40
本章小結(jié) 41
第4 章 決策樹 42
4. 1 決策樹的原理 42
4. 1. 1 決策樹的分類過程 42
4. 1. 2 決策樹的具體組成 43
4. 1. 3 構(gòu)建決策樹的相關(guān)概念 44
4. 2 決策樹的構(gòu)建 47
4. 2. 1 建樹 47
4. 2. 2 剪枝 49
4. 3 決策樹的應(yīng)用 50
4. 3. 1 環(huán)境補(bǔ)充搭建 50
4. 3. 2 決策樹的常用參數(shù) 50
4. 3. 3 應(yīng)用案例：影院會(huì)員觀影喜好分析 51
4. 4 決策樹的特點(diǎn) 53
本章小結(jié) 53
第5 章 隨機(jī)森林 54
5. 1 隨機(jī)森林的原理 54
5. 1. 1 集成學(xué)習(xí) 54
5. 1. 2 隨機(jī)森林的分類過程 55
目錄V
5. 2 隨機(jī)森林的構(gòu)建 57
5. 2. 1 訓(xùn)練樣本隨機(jī)采樣 58
5. 2. 2 樣本特征隨機(jī)選擇 59
5. 3 隨機(jī)森林的應(yīng)用 59
5. 3. 1 環(huán)境補(bǔ)充搭建 59
5. 3. 2 RandomForestClassifier 類 60
5. 3. 3 應(yīng)用案例一：紅酒分類——決策樹與隨機(jī)森林分類器效果對(duì)比 60
5. 3. 4 應(yīng)用案例二：影院會(huì)員觀影喜好分析 61
5. 4 隨機(jī)森林的特點(diǎn) 67
本章小結(jié) 68
第6 章 支持向量機(jī) 69
6. 1 支持向量機(jī)的邏輯原理 69
6. 2 支持向量機(jī)的數(shù)學(xué)原理解析 71
6. 2. 1 線性可分的情況 71
6. 2. 2 近似線性可分的情況 73
6. 2. 3 線性不可分的情況 74
6. 3 支持向量機(jī)中的核函數(shù) 76
6. 3. 1 支持向量機(jī)中常用核函數(shù)介紹 77
6. 3. 2 支持向量機(jī)中核函數(shù)的應(yīng)用 78
6. 4 支持向量機(jī)的應(yīng)用 80
6. 4. 1 SVM 類的常用參數(shù) 80
6. 4. 2 應(yīng)用案例：情緒分類 80
本章小結(jié) 84
第7 章 貝葉斯算法 85
7. 1 貝葉斯算法的原理 85
7. 1. 1 貝葉斯公式 85
7. 1. 2 貝葉斯算法的原理（以樸素貝葉斯算法為例） 89
7. 1. 3 貝葉斯算法的類別 90
7. 2 貝葉斯算法的應(yīng)用 91
7. 2. 1 調(diào)用方法 91
7. 2. 2 應(yīng)用案例：識(shí)別毒蘑菇 91
VI 走進(jìn)人工智能——機(jī)器學(xué)習(xí)原理解析與應(yīng)用
7. 3 貝葉斯算法的特點(diǎn) 93
本章小結(jié) 94
第三部分 回 歸
第8 章 線性回歸 97
8. 1 一元線性回歸的原理 98
8. 2 一元線性回歸的應(yīng)用 100
8. 2. 1 LinearRegression 類的常用參數(shù) 100
8. 2. 2 應(yīng)用案例：房屋翻修成本預(yù)測 101
8. 3 多元線性回歸的原理 103
8. 4 多元線性回歸的應(yīng)用 105
8. 5 線性回歸算法的特點(diǎn) 107
本章小結(jié) 108
第9 章 多項(xiàng)式回歸 109
9. 1 一元多項(xiàng)式回歸的原理 110
9. 2 一元多項(xiàng)式回歸的應(yīng)用 114
9. 2. 1 PolynomialFeatures 類的常用參數(shù) 114
9. 2. 2 應(yīng)用案例：紅酒價(jià)值預(yù)測 114
9. 3 多元多項(xiàng)式回歸的原理 117
9. 4 多元多項(xiàng)式回歸的應(yīng)用 119
9. 5 多項(xiàng)式回歸的特點(diǎn) 120
本章小結(jié) 120
第10 章 LASSO 回歸與嶺回歸 122
10. 1 L1 范數(shù)正則化——LASSO 回歸 123
10. 1. 1 LASSO 回歸中的alpha 參數(shù)調(diào)節(jié) 125
10. 1. 2 LASSO 類的常用參數(shù) 125
10. 1. 3 應(yīng)用案例：對(duì)糖尿病數(shù)據(jù)集進(jìn)行擬合 126
10. 2 L2 范數(shù)正則化——嶺回歸 130
10. 2. 1 嶺回歸中的alpha 參數(shù)調(diào)節(jié) 131
10. 2. 2 Ridge 類的常用參數(shù) 132
目錄VII
10. 2. 3 應(yīng)用案例：對(duì)糖尿病數(shù)據(jù)集進(jìn)行擬合 132
10. 3 LASSO 回歸與嶺回歸的異同 137
10. 3. 1 LASSO 回歸與嶺回歸的共同點(diǎn) 137
10. 3. 2 LASSO 回歸與嶺回歸的區(qū)別 137
本章小結(jié) 137
第11 章 邏輯回歸 138
11. 1 邏輯回歸的原理 139
11. 2 邏輯回歸的應(yīng)用 143
11. 2. 1 邏輯回歸算法的常用參數(shù) 143
11. 2. 2 應(yīng)用案例：鳶尾花分類 144
11. 3 邏輯回歸實(shí)現(xiàn)多分類的原理 145
11. 3. 1 OVR/A（One Vs Rest/All） 146
11. 3. 2 OVO（One Vs One） 147
11. 4 多分類邏輯回歸的應(yīng)用 148
11. 5 邏輯回歸的特點(diǎn) 150
本章小結(jié) 150
第12 章 模型評(píng)估與優(yōu)化 152
12. 1 交叉驗(yàn)證 152
12. 1. 1 K 折交叉驗(yàn)證的原理 154
12. 1. 2 交叉驗(yàn)證法的具體應(yīng)用 155
12. 1. 3 留一交叉驗(yàn)證法 157
12. 2 分類模型的可信度評(píng)估 158
12. 2. 1 混淆矩陣 159
12. 2. 2 分類系統(tǒng)的評(píng)價(jià)指標(biāo) 160
12. 2. 3 應(yīng)用案例：識(shí)別乳腺癌 162
12. 3 回歸模型的可信度評(píng)估 163
12. 3. 1 平均絕對(duì)誤差 164
12. 3. 2 均方誤差 164
12. 3. 3 均方根誤差 165
12. 3. 4 R2 166
12. 3. 5 應(yīng)用案例：波士頓房價(jià)預(yù)測 166
12. 4 超參數(shù)調(diào)優(yōu) 168
VIII 走進(jìn)人工智能——機(jī)器學(xué)習(xí)原理解析與應(yīng)用
12. 4. 1 簡單網(wǎng)格搜索來尋找超參數(shù) 168
12. 4. 2 與交叉驗(yàn)證結(jié)合的網(wǎng)格搜索 170
本章小結(jié) 172
第四部分 聚 類
第13 章 物以類聚：K 均值聚類 175
13. 1 K 均值算法的原理 175
13. 1. 1 K 均值算法的基本思想 176
13. 1. 2 算法基本過程 177
13. 2 K 均值算法的應(yīng)用 178
13. 2. 1 KMeans 類的常用參數(shù) 178
13. 2. 2 應(yīng)用案例一：鳶尾花的聚類 179
13. 2. 3 應(yīng)用案例二：甜西瓜的由來（一） 181
13. 3 K 均值算法的特點(diǎn) 184
本章小結(jié) 184
第14 章 DBSCAN 聚類 185
14. 1 DBSCAN 算法的原理 186
14. 1. 1 DBSCAN 算法的核心概念 186
14. 1. 2 DBSCAN 算法的基本過程 187
14. 2 DBSCAN 算法的應(yīng)用 189
14. 2. 1 DBSCAN 類的常用參數(shù) 189
14. 2. 2 應(yīng)用案例一：小濤的問題 190
14. 2. 3 應(yīng)用案例二：甜西瓜的由來（二） 191
14. 3 DBSCAN 算法的特點(diǎn) 193
本章小結(jié) 193
第五部分 關(guān) 聯(lián) 分 析
第15 章 Apriori 算法 196
15. 1 Apriori 算法的原理 196
15. 1. 1 關(guān)聯(lián)分析中的相關(guān)概念 196
目錄IX
15. 1. 2 Apriori 算法的原理 197
15. 2 Apriori 算法的應(yīng)用 201
15. 2. 1 Apriori 類的常用參數(shù) 201
15. 2. 2 應(yīng)用案例一：貨架調(diào)整 201
15. 2. 3 應(yīng)用案例二：餐廳菜品 203
15. 3 Apriori 算法的特點(diǎn) 206
本章小結(jié) 206
第六部分 數(shù)據(jù)預(yù)處理
第16 章 數(shù)據(jù)歸一與標(biāo)準(zhǔn)化 209
16. 1 數(shù)據(jù)歸一化與標(biāo)準(zhǔn)化的必要性 209
16. 2 數(shù)據(jù)歸一化 210
16. 2. 1 離差法過程 210
16. 2. 2 均值歸一化過程 211
16. 2. 3 數(shù)據(jù)歸一化的應(yīng)用 211
16. 3 數(shù)據(jù)標(biāo)準(zhǔn)化 213
16. 3. 1 數(shù)據(jù)標(biāo)準(zhǔn)化過程 214
16. 3. 2 數(shù)據(jù)標(biāo)準(zhǔn)化的應(yīng)用 214
16. 4 數(shù)據(jù)預(yù)處理實(shí)例 216
本章小結(jié) 219
第17 章 神奇的工具PCA 220
17. 1 PCA 算法的基本原理 221
17. 1. 1 PCA 的簡單理解 221
17. 1. 2 向量投影與內(nèi)積 222
17. 1. 3 PCA——選擇最優(yōu)的基 224
17. 1. 4 PCA 的基本過程 227
17. 2 PCA 算法的應(yīng)用 229
17. 2. 1 PCA 類的常用參數(shù) 229
17. 2. 2 應(yīng)用案例一：對(duì)鳶尾花進(jìn)行PCA 降維 229
17. 3 PCA 算法的特點(diǎn) 231
本章小結(jié) 231
X 走進(jìn)人工智能——機(jī)器學(xué)習(xí)原理解析與應(yīng)用
第七部分 人工神經(jīng)網(wǎng)絡(luò)
第18 章 自主學(xué)習(xí)—— MLP 算法 234
18. 1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展簡史 234
18. 2 單層感知機(jī) 236
18. 3 多層感知機(jī) 240
18. 3. 1 MLP 的基本原理 240
18. 3. 2 MLP 前向傳播 242
18. 3. 3 MLP 后向傳播 245
18. 3. 4 梯度下降 248
18. 4 MLP 算法的應(yīng)用 253
18. 4. 1 MLPClassifier 類的常用參數(shù) 253
18. 4. 2 應(yīng)用案例一：一起去游樂場 254
18. 4. 3 應(yīng)用案例二：圖片文字識(shí)別 256
18. 5 MLP 算法的特點(diǎn) 259
本章小結(jié) 259
鄂公網(wǎng)安備 42010302001612號(hào) 