機器學習入門：基于數(shù)學原理的Python實戰(zhàn)

定　價：￥69.00

作　者：	戴璞微，潘斌著
出版社：	北京大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787301308974	出版時間：	2019-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	296	字數(shù)：

內(nèi)容簡介

　　機器學習是一門涉及高等數(shù)學、線性代數(shù)、概率論、統(tǒng)計學和運籌學等領(lǐng)域的交叉學科。機器學習的基礎(chǔ)就是數(shù)學，這也就要求學習者要有良好的數(shù)學基礎(chǔ)。為了降低機器學習的學習門檻，本書深入淺出地對機器學習算法的數(shù)學原理進行了嚴謹?shù)耐茖?；并利用Python 3對各種機器學習算法進行復現(xiàn)，還利用介紹的算法在相應數(shù)據(jù)集上進行實戰(zhàn)。本書主要內(nèi)容包括機器學習及其數(shù)學基礎(chǔ)；線性回歸、局部加權(quán)線性回歸兩種回歸算法；Logistic回歸、Softmax回歸和BP神經(jīng)網(wǎng)絡(luò)3種分類算法；模型評估與優(yōu)化；K-Means聚類算法、高斯混合模型兩種聚類算法和一種降維算法——主成分分析。《機器學習入門：基于數(shù)學原理的Python實戰(zhàn)》理論性與實用性兼?zhèn)?，既可作為初學者的入門書籍，也可作為求職者的面試寶典，更可作為職場人士轉(zhuǎn)崗的實用手冊。本書適合需要全面學習機器學習算法的初學者、希望掌握機器學習算法數(shù)學理論的程序員、想轉(zhuǎn)行從事機器學習算法的專業(yè)人員、對機器學習算法興趣濃厚的人員、專業(yè)培訓機構(gòu)學員和希望提高Python編程水平的程序員。

作者簡介

　　戴璞微，中國民航大學碩士，CSDN博客專家。曾獲得全國大學生數(shù)學競賽國家一等獎、北美數(shù)學建模二等獎，參與國家自然科學基金項目1項。對計算機視覺、機器學習和深度學習有深入研究?！∨吮螅憬髮W應用數(shù)學系博士，現(xiàn)任遼寧石油化工大學理學院副院長。2018年入選遼寧省“興遼英才計劃”青年拔尖人才，2016年主持國家自然科學基金青年基金項目1項；2015年主持遼寧省自然科學基金項目1項；2016年主持浙江大學CAD&CG國家重點實驗室開放課題2項。近年來，指導本科生獲全國大學生數(shù)學建模競賽國家一等獎。

圖書目錄

第1章　機器學習及其數(shù)學基礎(chǔ)
1.1 機器學習與人工智能簡述 2
1.2 高等數(shù)學 4
1.3 線性代數(shù) 7
1.4 概率論與數(shù)理統(tǒng)計 14
1.5 Jensen不等式 25
1.6 本章小結(jié) 27
第2章　線性回歸
2.1 線性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線性回歸的Python實現(xiàn) 36
2.7 案例：利用線性回歸預測波士頓房價 43
2.8 本章小結(jié) 54
第3章　局部加權(quán)線性回歸
3.1 欠擬合與過擬合 56
3.2 局部加權(quán)線性回歸模型 57
3.3 局部加權(quán)線性回歸的Python實現(xiàn) 61
3.4 案例：再看預測波士頓房價 64
3.5 案例：利用局部加權(quán)線性回歸預測鮑魚年齡 71
3.6 本章小結(jié) 77
第4章?Logistic回歸與Softmax回歸
4.1 監(jiān)督學習 80
4.2 Logistic回歸 80
4.3 廣義線性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實現(xiàn) 90
4.6 案例：利用Logistic回歸對乳腺癌數(shù)據(jù)集進行分類 96
4.7 Softmax回歸的Python實現(xiàn) 107
4.8 案例：利用Softmax回歸對語音信號數(shù)據(jù)集進行分類 116
4.9 本章小結(jié) 127
第5章　模型評估與優(yōu)化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗證 144
5.5 Ridge回歸的Python實現(xiàn) 145
5.6 案例：再看預測鮑魚年齡 153
5.7 帶L2正則化的Softmax回歸的Python實現(xiàn) 156
5.8 案例：再看語音信號數(shù)據(jù)集分類 161
5.9 本章小結(jié) 165
第6章　BP神經(jīng)網(wǎng)絡(luò)
6.1 神經(jīng)網(wǎng)絡(luò)模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)改進 175
6.4 BP神經(jīng)網(wǎng)絡(luò)的Python實現(xiàn) 185
6.5 案例：利用BP神經(jīng)網(wǎng)絡(luò)對語音信號數(shù)據(jù)集進行分類 197
6.6 本章小結(jié) 215
第7章　K-Means聚類算法
7.1 無監(jiān)督學習與聚類 218
7.2 K-Means聚類算法 219
7.3 K-Means聚類的Python實現(xiàn) 222
7.4 案例：利用K-Means算法對Iris數(shù)據(jù)集進行聚類 225
7.5 本章小結(jié) 229
第8章　高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM與K-Means的區(qū)別與聯(lián)系 238
8.4 聚類性能評價指標 240
8.5 GMM的Python實現(xiàn) 242
8.6 案例：利用GMM對葡萄酒數(shù)據(jù)集進行聚類 248
8.7 本章小結(jié) 255
第9章　主成分分析
9.1 降維技術(shù) 258
9.2 主成分分析 258
9.3 核函數(shù) 263
9.4 核主成分分析 265
9.5 PCA的Python實現(xiàn) 268
9.6 案例：利用PCA對葡萄酒質(zhì)量數(shù)據(jù)集進行降維 271
9.7 本章小結(jié) 280