返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 机器学习算法(原书第2版) (意)朱塞佩·博纳科尔索(Giuseppe Bonaccorso) 著 罗娜,汪文发 译
  • 新华书店正版
    • 作者: (意)朱塞佩·博纳科尔索(Giuseppe Bonaccorso)著 | | 罗娜,汪文发译
    • 出版社: 机械工业出版社
    • 出版时间:2020-03-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: (意)朱塞佩·博纳科尔索(Giuseppe Bonaccorso)著| 罗娜,汪文发译
    • 出版社:机械工业出版社
    • 出版时间:2020-03-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2020-03-01
    • 页数:368
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111645788
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    机器学习算法(原书第2版)

    作  者:(意)朱塞佩·博纳科尔索(Giuseppe Bonaccorso) 著 罗娜,汪文发 译
    定  价:99
    出 版 社:机械工业出版社
    出版日期:2020年03月01日
    页  数:368
    装  帧:平装
    ISBN:9787111645788
    主编推荐

    与机器学习领域很多偏重于理论的书相比,本书在简明扼要地阐明基本原理的基础上,侧重于介绍如何在Python环境下使用机器学习方法库,并通过大量实例清晰形象地展示了不同场景下机器学习方法的应用。从这个角度来说,本书是一本使机器学习算法通过Python实现真正“落地”的书,而这无疑将给想要或致力于机器学习应用的读者带来方法理解和实现上的巨大裨益。书中所有实例都是用Python编写,使用了scikit-learn机器学习框架、自然语言工具包(NLTK)、Crab、langdetect、Spark(PySpark)、Gensim、Keras和TensorFlow(深度学习框架)。这些程序适用于Linux、macOS X和Windows系统,Python 2.7和3.3+版本。本书主要面向希望在预测分析和机器学习领域建立扎实基础的机器学习工程师、数据工程师和数据科学家。

    内容简介

    与机器学习领域很多偏重于理论的书相比,本书在简明扼要地阐明基本原理的基础上,侧重于介绍如何在Python环境下使用机器学习方法库,并通过大量实例清晰形象地展示了不同场景下机器学习方法的应用。从这个角度来说,本书是一本使机器学习算法通过Python实现真正“落地”的书,而这无疑将给想要或致力于机器学习应用的读者带来方法理解和实现上的巨大裨益。
    书中所有实例都是用Python编写,使用了scikit-learn机器学习框架、自然语言工具包(NLTK)、Crab、langdetect、Spark(PySpark)、Gensim、Keras和TensorFlow(深度学习框架)。这些程序适用于基于Linux、和Windows系统的Python 2.7和3.3+版本。
    本书主要面向希望在预测分析和机器学习领域建立扎实基础的机器学习工程师、数据工程师和数据科学家。

    作者简介

    朱塞佩·博纳科尔索(Giuseppe Bonaccorso),一家大型跨国公司的数据科学主管。他拥有意大利卡塔尼亚大学电子工程专业工程学硕士学位,然后在意大利罗马第二大学、英国埃塞克斯大学深造过。在他的职业生涯中,担任过公共管理、军事、公用事业、医疗保健、诊断和广告等多个业务领域的IT工程师,使用Java、Python、Hadoop、Spark、Theano和TensorFlow等多种技术进行过项目开发与管理。他的主要研究兴趣包括人工智能、机器学习、深度学习、强化学习、数据科学等。

    精彩内容

    目录
    译者序
    前言
    第1章机器学习简介
    1.1简介——经典机器和自适应的机器
    1.1.1描述性分析
    1.1.2预测性分析
    1.2关于学习
    1.2.1监督学习
    1.2.2无监督学习
    1.2.3半监督学习
    1.2.4强化学习
    1.2.5计算神经科学
    1.3超越机器学习——深度学习和基于生物启发的适应系统
    1.4机器学习和大数据
    1.5本章小结
    第2章机器学习的重要元素
    2.1数据格式
    2.2可学习性
    2.2.1欠拟合和过拟合
    2.2.2误差度量和成本函数
    2.2.3PAC学习
    2.3统计学习方法介绍
    2.3.1优选后验概率学习
    2.3.2优选似然学习
    2.4类平衡
    2.4.1可置换的重采样
    2.4.2合成少数类过采样
    2.5信息论的要素
    2.5.1熵
    2.5.2交叉熵和互信息
    2.5.3两个概率分布的散度
    2.6本章小结
    第3章特征选择与特征工程
    3.1scikit-learn的toy数据集
    3.2创建训练集和测试集
    3.3管理分类数据
    3.4管理缺失特征
    3.5数据缩放和归一化
    3.6特征选择和过滤
    3.7主成分分析
    3.7.1非负矩阵分解
    3.7.2稀疏PCA
    3.7.3核PCA
    3.8独立成分分析
    3.9原子提取和字典学习
    3.10使用t-SNE可视化高维数据集
    3.11本章小结
    第4章回归算法
    4.1线性模型
    4.2一个二维的例子
    4.3基于scikit-learn的线性回归和更高维
    4.3.1决定系数
    4.3.2可解释方差
    4.3.3回归的解析表达
    4.4Ridge回归、Lasso回归和ElasticNet
    4.4.1Ridge回归
    4.4.2Lasso回归
    4.4.3ElasticNet
    4.5稳健回归
    4.5.1随机抽样一致算法
    4.5.2Huber回归
    4.6贝叶斯回归
    4.7多项式回归
    4.8保序回归
    4.9本章小结
    第5章线性分类算法
    5.1线性分类
    5.2逻辑回归
    5.3实现和优化
    5.4随机梯度下降算法
    5.5被动攻击算法
    5.6通过网格搜索找到很优超参数
    5.7评估分类的指标
    5.7.1混淆矩阵
    5.7.2准确率
    5.7.3召回率
    5.7.4F-Beta
    5.7.5Kappa系数
    5.7.6分类报告
    5.7.7学习曲线
    5.8ROC曲线
    5.9本章小结
    第6章朴素贝叶斯和判别分析
    6.1贝叶斯定理
    6.2朴素贝叶斯分类器
    6.3scikit-learn中的朴素贝叶斯
    6.3.1伯努利朴素贝叶斯
    6.3.2多项式朴素贝叶斯
    6.3.3高斯朴素贝叶斯
    6.4判别分析
    6.5本章小结
    第7章支持向量机
    7.1线性支持向量机
    7.2scikit-learn实现
    7.3基于内核的分类
    7.3.1径向基函数
    7.3.2多项式核
    7.3.3Sigmoid核
    7.3.4自定义核
    7.3.5非线性例子
    7.4受控支持向量机
    7.5支持向量回归
    7.6半监督支持向量机简介
    7.7本章小结
    第8章决策树和集成学习
    8.1二元决策树
    8.1.1二元决策
    8.1.2不纯度的衡量
    8.1.3特征重要度
    8.2基于scikit-learn的决策树分类
    8.3决策树回归
    8.4集成学习简介
    8.4.1随机森林
    8.4.2AdaBoost
    8.4.3梯度树提升
    8.4.4投票分类器
    8.5本章小结
    第9章聚类原理
    9.1聚类基础
    9.2k-NN算法
    9.3高斯混合
    9.4k-means
    9.5基于样本标记的评价方法
    9.5.1同质性
    9.5.2完整性
    9.5.3修正兰德指数
    9.6本章小结
    第10章高级聚类
    10.1DBSCAN
    10.2谱聚类
    10.3在线聚类
    10.3.1mini-batch k-means
    10.3.2BIRCH
    10.4双聚类
    10.5本章小结
    第11章层次聚类
    11.1分层策略
    11.2凝聚聚类
    11.2.1树形图
    11.2.2scikit-learn中的凝聚聚类
    11.2.3连接
    11.3本章小结
    第12章推荐系统介绍
    12.1朴素的基于用户的系统
    12.2基于内容的系统
    12.3无模式(或基于内存的)协同过滤
    12.4基于模型的协同过滤
    12.4.1奇异值分解策略
    12.4.2交替最小二乘法策略
    12.4.3用Apache Spark MLlib实现交替最小二乘法策略
    12.5本章小结
    第13章自然语言处理简介
    13.1NLTK和内置语料库
    13.2词袋策略
    13.2.1标记
    13.2.2停止词的删除
    13.2.3词干抽取
    13.2.4向量化
    13.3词性
    13.4示例文本分类器
    13.5本章小结
    第14章NLP中的主题建模与情感分析
    14.1主题建模
    14.1.1隐性语义分析
    14.1.2概率隐性语义分析
    14.1.3隐性狄利克雷分配
    14.2使用Gensim的Word2vec简介
    14.3情感分析
    14.4本章小结
    第15章神经网络介绍
    15.1深度学习简介
    15.2基于Keras的MLP
    15.3本章小结
    第16章高级深度学习模型
    16.1深层结构
    16.2基于Keras的深度卷积网络示例
    16.3基于Kears的LSTM网络示例
    16.4TensorFlow简介
    16.4.1梯度计算
    16.4.2逻辑回归
    16.4.3用多层感知器进行分类
    16.4.4图像卷积
    16.5本章小结
    第17章创建机器学习架构
    17.1机器学习框架
    17.1.1数据收集
    17.1.2归一化
    17.1.3降维
    17.1.4数据扩充
    17.1.5数据转换
    17.1.6建模、网格搜索和交叉验证
    17.1.7可视化
    17.1.8GPU支持
    17.1.9分布式架构简介
    17.2用于机器学习架构的scikit-learn工具
    17.2.1管道
    17.2.2特征联合
    17.3本章小结

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购