Python機器學(xué)習(xí)：原理、算法及案例實戰(zhàn)（微課視頻版）

定　價：￥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：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302590026	出版時間：	2021-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	300	字?jǐn)?shù)：

內(nèi)容簡介

　　本書系統(tǒng)介紹了經(jīng)典的機器學(xué)習(xí)算法，并通過實踐案例對算法進行解析。本書內(nèi)容包含三部分：第一部分（第1章和第2章）為入門篇，著重介紹Python開發(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，著重介紹機器學(xué)習(xí)的理論框架和常用機器學(xué)習(xí)模型；第三部分（第5～11章）為實戰(zhàn)篇，介紹經(jīng)典機器學(xué)習(xí)算法及應(yīng)用，包括KNN分類算法、KMeans聚類算法、推薦算法、回歸算法、支持向量機算法、神經(jīng)網(wǎng)絡(luò)算法以及深度學(xué)習(xí)理論及項目實例。本書力求敘述簡練，概念清晰，通俗易懂。書中的案例選取了接近實際應(yīng)用的典型問題，以應(yīng)用能力、創(chuàng)新能力的培養(yǎng)為核心目標(biāo)。本書可作為高等院校計算機、軟件工程、大數(shù)據(jù)、通信、電子等相關(guān)專業(yè)的教材，也可作為成人教育及自學(xué)考試用書，還可作為機器學(xué)習(xí)相關(guān)領(lǐng)域開發(fā)人員、工程技術(shù)人員和研究人員的參考用書。

作者簡介

　　主要作者為長期從事計算機一線教學(xué)的教師，博士學(xué)歷，研究方向均為人工智能與模式識別，具有豐富的計算機教學(xué)經(jīng)驗和扎實的科研經(jīng)驗。主持國家 863子課題、上海市教委子課題等多個科研項目。包括多目標(biāo)旅行商問題的求解、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)測的支持向量機的研究等、多Agent 蟻群算法在仿真優(yōu)化中應(yīng)用研究等。主持國家、省部級教學(xué)改革項目6項，作為核心成員參加上海市精品課程、校級重大教研課題。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、華東師范大學(xué)教學(xué)成果獎等獎勵。

圖書目錄

目錄

第一部分入門篇
第1章機器學(xué)習(xí)概述3
1.1人工智能簡介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機器學(xué)習(xí)的主要工作17
1.3機器學(xué)習(xí)開發(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程序開發(fā)技術(shù)27
2.2基本數(shù)據(jù)類型29
2.3數(shù)據(jù)文件讀寫37
2.3.1打開與關(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常用機器學(xué)習(xí)庫47
3.1NumPy47
3.1.1ndarray對象48
3.1.2NumPy數(shù)據(jù)類型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計算62
3.2Pandas64
3.2.1Series數(shù)據(jù)結(jié)構(gòu)64
3.2.2DataFrame對象67
3.2.3數(shù)據(jù)對齊75
3.3Matplotlib78
3.4OpenCV91
3.5Scikit learn96
3.5.1SKlearn簡介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章機器學(xué)習(xí)基礎(chǔ)114
4.1機器學(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)和強化學(xué)習(xí)116
4.2機器學(xué)習(xí)算法的選擇120
4.2.1模型的確定121
4.2.2性能評估127
4.3Python機器學(xué)習(xí)利器SKlearn129
4.3.1SKlearn數(shù)據(jù)預(yù)處理129
4.3.2SKlearn模型選擇與算法評價132
習(xí)題134
第三部分實戰(zhàn)篇
第5章KNN分類算法139
5.1KNN分類139
5.2初識KNN——鳶尾花分類142
5.3KNN手寫數(shù)字識別147
實驗150
第6章KMeans聚類算法153
6.1KMeans聚類算法概述153
6.1.1聚類154
6.1.2KMeans聚類154
6.1.3聚類算法的性能評估155
6.2使用KMeans實現(xiàn)數(shù)據(jù)聚類156
6.2.1使用SKlearn實現(xiàn)KMeans聚類156
6.2.2Python實現(xiàn)KMeans聚類159
6.3KMeans算法存在的問題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效果164
實驗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)的評價指標(biāo)175
7.1.3推薦系統(tǒng)面臨的挑戰(zhàn)177
7.1.4常見的推薦算法178
7.2協(xié)同過濾推薦算法178
7.2.1基于用戶的協(xié)同過濾算法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)同過濾算法實現(xiàn)電影推薦188
實驗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)測案例208
8.3.2使用邏輯回歸實現(xiàn)鳶尾花分類預(yù)測案例211
實驗213
第9章支持向量機216
9.1支持向量機的概念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
實驗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
實驗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常見的深度學(xué)習(xí)開源框架和平臺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綜合實例280
習(xí)題286