機器學(xué)習(xí)與算法應(yīng)用

定　價：￥69.80

作　者：	許桂秋
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121447099	出版時間：	2022-12-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本教材從實用的角度出發(fā)，采用理論與實踐相結(jié)合的方式，介紹機器學(xué)習(xí)算法與應(yīng)用的基礎(chǔ)知識，力求培養(yǎng)讀者使用機器學(xué)習(xí)相關(guān)算法進行數(shù)據(jù)分析的能力。本教材的主要內(nèi)容有機器學(xué)習(xí)概述，機器學(xué)習(xí)的Python常用庫，回歸分析與應(yīng)用，特征工程、降維與超參數(shù)調(diào)優(yōu)，分類算法與應(yīng)用，關(guān)聯(lián)規(guī)則，聚類算法與應(yīng)用，神經(jīng)網(wǎng)絡(luò)，文本分析，圖像數(shù)據(jù)分析，深度學(xué)習(xí)入門。本教材可以作為人工智能學(xué)科相關(guān)的機器學(xué)習(xí)技術(shù)的入門教材，目的不在于覆蓋機器學(xué)習(xí)技術(shù)的所有知識點，而是介紹機器學(xué)習(xí)的常用算法及其應(yīng)用，使讀者了解機器學(xué)習(xí)的基本構(gòu)成及不同場景下使用何種機器學(xué)習(xí)算法。為了增強實踐效果，本教材引入了多個基礎(chǔ)技術(shù)案例及綜合實踐案例，以幫助讀者了解機器學(xué)習(xí)涉及的基本知識和技能。本教材可作為高等院校機器學(xué)習(xí)算法與應(yīng)用課程的教材，也可供對機器學(xué)習(xí)技術(shù)感興趣的讀者閱讀參考。

作者簡介

　　許桂秋，運營總監(jiān)。2000年9月―2004年6月，廈門大學(xué)，計算機科學(xué)與技術(shù)專業(yè)學(xué)習(xí)，獲工學(xué)學(xué)士；2007年8月―2011年4月，中國石油天然氣股份有限公司，項目經(jīng)理，工程師；2011年6月―2016年7月，曙光信息產(chǎn)業(yè)股份有限公司，項目經(jīng)理，工程師；2016年7月―至今，中科瑞翼（北京）教育科技有限公司，運營總監(jiān)。主要著作出版情況：《大數(shù)據(jù)導(dǎo)論》、《Python編程基礎(chǔ)與應(yīng)用》、《NoSQL數(shù)據(jù)庫原理與應(yīng)用》、《數(shù)據(jù)挖掘與機器學(xué)習(xí)》等9本系列教材，浙江科技出版社，2019年。

圖書目錄

第1章機器學(xué)習(xí)概述 1
1．1　機器學(xué)習(xí)簡介 1
1．1．1 機器學(xué)習(xí)簡史 1
1．1．2 機器學(xué)習(xí)主要流派 3
1．2　人工智能、數(shù)據(jù)挖掘和機器學(xué)習(xí) 5
1．2．1 什么是人工智能 5
1．2．2 什么是數(shù)據(jù)挖掘 6
1．2．3 人工智能、數(shù)據(jù)挖掘和機器學(xué)習(xí)的關(guān)系 7
1．3　典型機器學(xué)習(xí)應(yīng)用領(lǐng)域 7
1．3．1 藝術(shù)創(chuàng)作 7
1．3．2 金融領(lǐng)域 8
1．3．3 醫(yī)療領(lǐng)域 9
1．3．4 自然語言處理 10
1．3．5 網(wǎng)絡(luò)安全 12
1．4　機器學(xué)習(xí)算法分類 14
1．4．1 分類算法 15
1．4．2 關(guān)聯(lián)分析 19
1．4．3 回歸分析 19
1．4．4 深度學(xué)習(xí) 20
1．5　機器學(xué)習(xí)的一般流程 22
第2章機器學(xué)習(xí)的Python常用庫 24
2．1　Numpy簡介及基礎(chǔ)使用 24
2．1．1 Numpy簡介 24
2．1．2 Numpy基礎(chǔ)使用 27
2．2　Pandas簡介及基礎(chǔ)使用 31
2．2．1 Pandas簡介 31
2．2．2 Pandas自行車數(shù)據(jù)統(tǒng)計分析 36
2．3　Matplotlib簡介及基礎(chǔ)使用 42
2．3．1 Matplotlib簡介 42
2．3．2 Matplotlib繪圖實例 45
2．4　Scikit-Learn簡介及基礎(chǔ)使用 52
2．4．1 Scikit-Learn安裝與簡介 52
2．4．2 Scikit-Learn基礎(chǔ)使用 56
2．5　波士頓房價預(yù)測實驗 59
第3章回歸分析與應(yīng)用 64
3．1　回歸分析問題 64
3．1．1 介紹 64
3．1．2 常見回歸數(shù)據(jù)集 66
3．2　線性回歸 68
3．2．1 原理與應(yīng)用場景 68
3．2．2 實現(xiàn)線性回歸 70
3．2．3 Python實現(xiàn)最小二乘法擬合直線 71
3．3　嶺回歸和Lasso回歸 72
3．3．1 原理與應(yīng)用場景 73
3．3．2 實現(xiàn)嶺回歸 75
3．3．3 實現(xiàn)Lasso回歸 76
3．4　邏輯回歸 76
3．4．1 原理與應(yīng)用場景 76
3．4．2 實現(xiàn)邏輯回歸 78
第4章特征工程、降維與超參數(shù)調(diào)優(yōu) 80
4．1　特征工程 80
4．1．1 缺失值處理 81
4．1．2 數(shù)據(jù)的特征值化 87
4．1．3 特征選擇 89
4．1．4 特征構(gòu)建 89
4．2　降維與超參數(shù)調(diào)優(yōu) 91
4．2．1 降維 91
4．2．2 實現(xiàn)降維 92
4．2．3 超參數(shù)調(diào)優(yōu) 93
第5章分類算法與應(yīng)用 97
5．1　分類問題簡介 97
5．1．1 分類問題的流程與任務(wù) 97
5．1．2 常用的分類數(shù)據(jù)集 98
5．2　K近鄰算法 102
5．2．1 K近鄰算法原理與應(yīng)用場景 102
5．2．2 基于K近鄰算法實現(xiàn)分類任務(wù) 103
5．2．3 使用Python實現(xiàn)KNN算法 110
5．3　概率模型 111
5．3．1 原理 111
5．3．2 應(yīng)用場景 111
5．4　樸素貝葉斯分類 112
5．4．1 原理與應(yīng)用場景 112
5．4．2 樸素貝葉斯算法應(yīng)用 115
5．5　向量空間模型 115
5．5．1 原理與應(yīng)用場景 115
5．5．2 向量空間模型應(yīng)用 116
5．6　支持向量機 120
5．6．1 支持向量機概述 120
5．6．2 支持向量機實現(xiàn)分類 122
5．6．3 支持向量機實現(xiàn)回歸 123
5．6．4 支持向量機異常檢測 123
5．6．5 過擬合問題 125
5．7　集成學(xué)習(xí) 129
5．7．1 集成學(xué)習(xí)概述 129
5．7．2 決策樹 131
5．7．3 隨機森林 135
5．7．4 Adaboost算法 137
第6章關(guān)聯(lián)規(guī)則 140
6．1　關(guān)聯(lián)規(guī)則的概念 140
6．1．1 什么是關(guān)聯(lián)規(guī)則 140
6．1．2 關(guān)聯(lián)規(guī)則的挖掘過程 141
6．2　Apriori算法 142
6．2．1 Apriori算法概念 142
6．2．2 Apriori算法實現(xiàn)原理 142
6．2．3 實現(xiàn)Apriori算法 144
第7章聚類算法與應(yīng)用 148
7．1　無監(jiān)督學(xué)習(xí)問題 148
7．1．1 無監(jiān)督學(xué)習(xí) 148
7．1．2 聚類分析的基本概念與原理 149
7．1．3 常見聚類數(shù)據(jù)集 150
7．2　劃分聚類 152
7．2．1 劃分聚類概述 152
7．2．2 K-Means算法 152
7．2．3 sklearn中K-Means算法聚類的使用 155
7．2．4 使用聚類進行圖像壓縮 156
7．2．5 Numpy實現(xiàn)K-Means聚類 158
7．3　層次聚類 159
7．3．1 層次聚類算法 159
7．3．2 使用層次聚類算法聚類 161
7．4　密度聚類 162
7．4．1 DBSCAN算法 163
7．4．2 OPTICS算法 167
7．4．3 DENCLUE算法 168
7．5　聚類效果評測 169
第8章神經(jīng)網(wǎng)絡(luò) 172
8．1　神經(jīng)網(wǎng)絡(luò)介紹 172
8．1．1 神經(jīng)元原理 173
8．1．2 前饋神經(jīng)網(wǎng)絡(luò) 174
8．1．3 反饋神經(jīng)網(wǎng)絡(luò) 175
8．1．4 自組織神經(jīng)網(wǎng)絡(luò) 176
8．2　神經(jīng)網(wǎng)絡(luò)相關(guān)概念 177
8．2．1 激活函數(shù) 177
8．2．2 Softmax算法與損失函數(shù) 182
8．2．3 梯度下降算法 185
8．2．4 學(xué)習(xí)率 186
8．2．5 過擬合與欠擬合 187
8．2．6 神經(jīng)網(wǎng)絡(luò)模型的評估指標 189
8．3　神經(jīng)網(wǎng)絡(luò)識別MNIST手寫數(shù)據(jù)集 190
第9章文本分析 198
9．1　文本數(shù)據(jù)處理的相關(guān)概念 198
9．2　中英文的文本數(shù)據(jù)處理方法對比 199
9．2．1 中英文分詞與分詞粒度 200
9．2．2 中英文的多種形態(tài) 200
9．2．3 詞性標注方法的差異 201
9．2．4 句法結(jié)構(gòu)分析方法 201
9．3　文本數(shù)據(jù)處理分析案例 202
9．3．1 使用NLTK進行文本數(shù)據(jù)分析 202
9．3．2 使用jieba進行文本數(shù)據(jù)分析 215
9．4　自然語言處理的應(yīng)用 221
第10章圖像數(shù)據(jù)分析 226
10．1　圖像數(shù)據(jù) 226
10．2　圖像數(shù)據(jù)分析方法 228
10．3　圖像數(shù)據(jù)分析案例 230
10．3．1 PIL：Python圖像處理類庫應(yīng)用示例 230
10．3．2 Numpy圖像數(shù)據(jù)分析示例 235
10．3．3 SciPy圖像數(shù)據(jù)分析示例 238
10．3．4 Scikit-Image 241
10．3．5 OpenCV 246
10．4　計算機視覺的應(yīng)用 255
10．4．1 圖像分類 256
10．4．2 目標檢測 257
10．4．3 圖像分割 258
10．4．4 風(fēng)格遷移 260
10．4．5 圖像重構(gòu) 260
10．4．6 超分辨率 261
10．4．7 圖像生成 261
10．4．8 人臉圖像的應(yīng)用 262
10．4．9 其他 262
第11章深度學(xué)習(xí)入門 263
11．1　深度學(xué)習(xí)的概述 263
11．2　卷積神經(jīng)網(wǎng)絡(luò) 264
11．2．1 卷積神經(jīng)網(wǎng)絡(luò)簡介 264
11．2．2 卷積神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu) 265
11．2．3 常見的卷積神經(jīng)網(wǎng)絡(luò) 267
11．3　循環(huán)神經(jīng)網(wǎng)絡(luò) 276
11．3．1 RNN基本原理 276
11．3．2 長短期記憶網(wǎng)絡(luò) 278
11．3．3 門限循環(huán)單元 282
11．4　深度學(xué)習(xí)流行框架 283
11．5　基于卷積神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字的實戰(zhàn) 284
11．5．1 實驗?zāi)康?284
11．5．2 實驗背景 284
11．5．3 實驗原理 285
11．5．4 實驗環(huán)境 285
11．5．5 實驗步驟 285