機(jī)器學(xué)習(xí)入門(mén)：Python語(yǔ)言實(shí)現(xiàn)

定　價(jià)：￥89.00

作　者：	[美] 奧斯瓦爾德·坎佩薩托（Oswald Campesato）著，趙國(guó)光，白領(lǐng) 譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111695240	出版時(shí)間：	2021-11-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	244	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)旨在為讀者提供與機(jī)器學(xué)習(xí)有關(guān)Python3的基本編程概念。前4章快速介紹了Python 3、NumPy和Pandas。第5章介紹了機(jī)器學(xué)習(xí)的基本概念。第6章主要介紹機(jī)器學(xué)習(xí)分類(lèi)器，例如邏輯回歸、kNN、決策樹(shù)、隨機(jī)森林和SVM。第7章介紹了自然語(yǔ)言處理和強(qiáng)化學(xué)習(xí)。本書(shū)還提供了基于Keras的代碼示例作為理論討論的補(bǔ)充。此外還為正則表達(dá)式、Keras和TensorFlow 2提供了單獨(dú)的附錄。

作者簡(jiǎn)介

　　奧斯瓦爾德·坎佩薩托（Oswald Campesato）專(zhuān)門(mén)研究深度學(xué)習(xí)、Java、Android和TensorFlow。他是25本書(shū)的作者/合著者，其中包括TensorFlow Pocket Primer、Artificial Intelligence， Machine Learning， and Deep Learning和Python Pocket Primer。

圖書(shū)目錄

譯者序
前言
第1章　Python 3簡(jiǎn)介 1
11　Python相關(guān)工具與安裝 1
111　Python相關(guān)工具 1
112　安裝Python 3
113　設(shè)置PATH環(huán)境變量（僅Windows） 3
12　Python編程基礎(chǔ) 3
121　Python交互式解釋器 3
122　Python基礎(chǔ)語(yǔ)法 4
123　以模塊形式保存代碼 6
124　Python中的一些標(biāo)準(zhǔn)模塊 7
125　help(?)和dir(?)函數(shù) 7
126　編譯時(shí)和運(yùn)行時(shí)的代碼檢查 8
13　Python中的簡(jiǎn)單數(shù)據(jù)類(lèi)型 9
131　數(shù)字 9
132　字符串 12
133　處理日期 19
14　Python中的異常處理 21
141　處理用戶(hù)輸入 22
142　命令行參數(shù) 24
15　小結(jié) 25
第2章　條件邏輯、循環(huán)和函數(shù) 26
21　Python中的條件邏輯 26
211　Python的保留關(guān)鍵字 27
212　Python運(yùn)算符的優(yōu)先級(jí) 28
213　比較運(yùn)算符和布爾運(yùn)算符 28
22　Python中的變量和參數(shù) 29
221　局部變量和全局變量 29
222　變量的作用域 29
223　引用傳遞和值傳遞 31
224　實(shí)參和形參 31
23　在Python中使用循環(huán) 32
231　Python中的for循環(huán) 32
232　Python中的while循環(huán) 39
24　Python中的用戶(hù)自定義函數(shù) 41
241　在函數(shù)中設(shè)定默認(rèn)值 42
242　具有可變參數(shù)的函數(shù) 42
243　lambda表達(dá)式 43
25　遞歸 44
251　計(jì)算階乘值 44
252　計(jì)算斐波那契數(shù) 45
253　計(jì)算兩個(gè)數(shù)的最大公約數(shù) 45
254　計(jì)算兩個(gè)數(shù)的最小公倍數(shù) 46
26　小結(jié) 47
第3章　Python數(shù)據(jù)類(lèi)型 48
31　列表 48
311　列表和基本操作 48
312　列表中的表達(dá)式 53
313　連接字符串列表 53
314　Python中的range(?)函數(shù) 54
315　數(shù)組和append(?)函數(shù) 55
316　使用列表和split(?)函數(shù) 56
317　對(duì)列表中的單詞計(jì)數(shù) 56
318　遍歷成對(duì)的列表 57
319　其他與列表相關(guān)的函數(shù) 57
3110　棧和隊(duì)列 59
3111　使用向量 60
3112　使用矩陣 61
3113　使用NumPy庫(kù)處理矩陣 61
32　元組（不可變列表） 62
33　集合 63
34　字典 64
341　創(chuàng)建字典及字典中的基本操作 65
342　字典的相關(guān)函數(shù)和方法 67
343　字典的格式 67
344　有序字典 67
35　Python中的其他數(shù)據(jù)類(lèi)型 68
351　Python中的其他序列類(lèi)型 68
352　Python中的可變類(lèi)型和不可變類(lèi)型 69
353　type(?)函數(shù) 70
36　小結(jié) 70
第4章　NumPy和Pandas介紹 71
41　NumPy 71
411　NumPy簡(jiǎn)介 71
412　NumPy數(shù)組 72
413　使用NumPy數(shù)組的示例 73
42　子范圍 77
421　使用向量的“-1”子范圍 77
422　使用數(shù)組的“-1”子范圍 77
43　NumPy中其他有用的方法 78
431　數(shù)組和向量操作 79
432　NumPy和點(diǎn)積 79
433　NumPy和向量的“范數(shù)” 80
434　NumPy和向量的乘積 81
435　NumPy和reshape(?)方法 82
436　計(jì)算均值和標(biāo)準(zhǔn)差 83
44　Pandas 84
45　Pandas DataFrame的各種操作 89
451　合并Pandas DataFrame 89
452　使用Pandas DataFrame進(jìn)行數(shù)據(jù)操作 90
453　Pandas DataFrame和CSV文件 93
454　Pandas DataFrame和Excel電子表格 95
455　選擇、添加和刪除DataFrame中的列 96
456　Pandas DataFrame和散點(diǎn)圖 97
457　Pandas DataFrame和簡(jiǎn)單統(tǒng)計(jì) 98
458　Pandas中簡(jiǎn)單有用的命令 98
46　小結(jié) 100
第5章　機(jī)器學(xué)習(xí) 101
51　什么是機(jī)器學(xué)習(xí) 101
511　機(jī)器學(xué)習(xí)算法的類(lèi)型 103
512　特征工程、特征選擇和特征提取 105
513　降維 106
52　使用數(shù)據(jù)集 107
521　訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù) 108
522　什么是交叉驗(yàn)證 108
523　正則化 108
524　偏差-方差的權(quán)衡 109
525　模型性能的衡量指標(biāo) 109
53　線(xiàn)性回歸 111
531　線(xiàn)性回歸與曲線(xiàn)擬合 112
532　何時(shí)的解是準(zhǔn)確值 112
533　什么是多元分析 112
534　其他類(lèi)型的回歸 113
535　平面中對(duì)直線(xiàn)的處理（選讀） 113
54　求解線(xiàn)性回歸問(wèn)題的示例 116
541　使用NumPy和Matplotlib繪制散點(diǎn)圖 116
542　MSE 119
543　Keras的線(xiàn)性回歸 123
55　小結(jié) 126
第6章　機(jī)器學(xué)習(xí)中的分類(lèi)器 127
61　分類(lèi)器 127
611　什么是分類(lèi) 127
612　線(xiàn)性分類(lèi)器 129
613　kNN 129
614　決策樹(shù) 130
615　隨機(jī)森林 133
616　支持向量機(jī) 134
617　貝葉斯分類(lèi)器 134
618　訓(xùn)練分類(lèi)器 136
619　評(píng)估分類(lèi)器 137
62　激活函數(shù) 137
621　什么是激活函數(shù) 137
622　常見(jiàn)的激活函數(shù) 139
623　ReLU和ELU激活函數(shù) 140
624　sigmoid、softmax和tanh的相似之處 141
625　sigmoid、softmax和hardmax的區(qū)