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:

  • Python机器学习核心算法编程实例 丁伟雄 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 丁伟雄著
    • 出版社: 电子工业出版社
    • 出版时间:2019-12-01 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: 丁伟雄著
    • 出版社:电子工业出版社
    • 出版时间:2019-12-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2019-12-01
    • 字数:582000
    • 页数:352
    • 开本:16开
    • 装帧:平装
    • ISBN:9787121382475
    • 国别/地区:中国
    • 版权提供:电子工业出版社

    Python机器学习核心算法编程实例

    作  者:丁伟雄 著
    定  价:78
    出 版 社:电子工业出版社
    出版日期:2019年12月01日
    页  数:352
    装  帧:平装
    ISBN:9787121382475
    主编推荐

    内容简介

    在大数据时代背景下,机器学习是人工智能研究领域中一个极其重要的方向,本书是一本机器学习方面的入门读物,注重理论与实践相结合,书中以Python 3.6.5为编写平台,共分13章,主要包括机器学习绪论、线性模型、树回归、K-means聚类算法、朴素贝叶斯、数据降维、支持向量机、随机森林、人工神经网络、协同过滤算法、基于矩阵分解的推荐算法、集成学习、数据预处理等内容。通过本书的学习,除使读者轻松掌握Python外,还能利用Python简单、快捷地解决各种机器学习问题。本书适合Python初学者,也适合研究Python的广大科研人员、学者、工程技术人员。

    作者简介

    丁伟雄(1971年生),男,北京航空航天大学毕业,佛山科学技术学院创业学院副院长,不错实验师。研究方向:计算机应用技术。编写的图书实例丰富,实用性强。

    精彩内容

    目录
    第1章机器学习绪论1
    1.1机器学习的定义1
    1.1.1绪论1
    1.1.2机器学习发展历程2
    1.1.3机器学习算法的分类3
    1.2学习算法4
    1.2.1监督学习4
    1.2.2无监督学习5
    1.3机器学习应用程序的步骤6
    1.4Python语言7
    1.4.1Python的风格7
    1.4.2Python的优势7
    1.4.3Python语言的缺点8
    1.5Python的环境搭建9
    1.5.1安装10
    1.5.2使用pip安装第三方库13
    1.6NumPy函数库基础14
    1.7Python的基础知识16
    1.7.1数和表达式16
    1.7.2Python的标识符18
    1.7.3Python的保留字符19
    1.7.4行和缩进19
    1.7.5多行语句20
    1.7.6Python引号20
    1.7.7Python空行20
    1.7.8同一行显示多条语句20
    1.7.9Print输出21
    第2章线性模型22
    2.1一般线性回归23
    2.1.1线性回归公式表示法23
    2.1.2线性回归的Python实现25
    2.2局部加权线性回归27
    2.3广义线性模型30
    2.4逻辑回归分析36
    2.5牛顿法40
    2.5.1基本牛顿法的原理40
    2.5.2基本牛顿法的流程40
    2.5.3全局牛顿法40
    2.5.4Armijo搜索42
    2.5.5全局牛顿法求解线性回归模型42
    2.6缩减法43
    2.6.1岭回归44
    2.6.2lasso回归46
    2.7利用线性回归进行预测47
    2.7.1训练线性回归模型47
    2.7.2对新数据的预测49
    第3章树回归51
    3.1构建决策树的准备工作52
    3.1.1特征选择52
    3.1.2决策树的生成和修剪60
    3.2Matplotlib注释绘制树形图60
    3.3使用决策树执行分类67
    3.4决策树的存储71
    3.5Sklearn使用决策树预测隐形眼镜类型73
    3.5.1实战背景73
    3.5.2使用Sklearn构建决策树73
    3.6复杂数据的局部性建模80
    3.7连续型和离散型特征的树构建81
    3.8分类回归树82
    3.8.1构建树83
    3.8.2剪枝85
    3.8.3模型树87
    3.8.4分类回归的Python实现88
    第4章K-means聚类算法92
    4.1K-means聚类算法的概述92
    4.2相似性的度量93
    4.2.1闵可夫斯基距离93
    4.2.2曼哈顿距离93
    4.2.3欧氏距离93
    4.3K-means聚类算法的原理94
    4.3.1K-means聚类算法的步骤94
    4.3.2K-means算法与矩阵分解95
    4.3.3K-means聚类算法的实现96
    4.4K-近邻算法104
    4.5各种聚类算法107
    4.5.1划分聚类法107
    4.5.2层次聚类法108
    4.5.3密度聚类法111
    4.5.4谱聚类法116
    4.5.5Birch聚类119
    4.5.6混合高斯模型121
    4.6K-means++算法122
    4.6.1K-means算法存在的问题122
    4.6.2K-means++算法的思路123
    第5章朴素贝叶斯127
    5.1朴素贝叶斯理论127
    5.1.1贝叶斯决策理论127
    5.1.2条件概率128
    5.1.3全概率公式128
    5.1.4贝叶斯推断129
    5.1.5朴素贝叶斯推断130
    5.2朴素贝叶斯算法131
    5.3朴素贝叶斯算法的优缺点140
    第6章数据降维141
    6.1维度灾难与降维141
    6.2高维数据降维的方法141
    6.2.1线性降维142
    6.2.2非线性降维146
    6.2.3SVD降维153
    6.2.4流形学习降维159
    6.2.5多维缩放降维166
    第7章支持向量机170
    7.1支持向量机概述170
    7.2分类间隔171
    7.2.1函数间距172
    7.2.2几何间距173
    7.3拉格朗日乘子175
    7.3.1拉格朗日对偶性175
    7.3.2优化间隔分类器176
    7.4核函数178
    7.4.1核函数的选择180
    7.4.2松弛向量与软间隔优选化180
    7.5SOM算法181
    7.5.1坐标上升算法182
    7.5.2SOM182
    7.6SVM的优缺点185
    7.7SVM的Python实现185
    第8章随机森林192
    8.1什么是随机森林192
    8.2集成学习192
    8.2.1集成学习的思想193
    8.2.2集成学习中的典型方法193
    8.3Stacking194
    8.3.1Stacking的基本思想194
    8.3.2Stacking的实现195
    8.4随机森林算法198
    8.4.1随机森林的特点198
    8.4.2随机森林算法流程199
    8.5随机森林算法实践201
    8.6美国人口普查年收入50k分类207
    8.6.1数据预处理208
    8.6.2模型训练及验证212
    第9章人工神经网络217
    9.1感知机模型217
    9.1.1感知机的定义217
    9.1.2感知机的学习策略218
    9.1.3感知机学习算法218
    9.1.4感知机的Python实现226
    9.2从感知机到神经网络236
    9.3多层前馈神经网络238
    9.3.1BP网络算法241
    9.3.2BP神经网络的学习过程244
    9.3.3BP神经网络中参数的设置249
    9.4神经网络的Python实现253
    第10章协同过滤算法272
    10.1协同过滤的核心272
    10.2协同过滤的分类272
    10.3相似性的度量方法273
    10.3.1欧氏距离273
    10.3.2皮尔逊相关系数273
    10.3.3余弦相似度274
    10.3.4用Python实现余弦相似度的计算274
    10.4基于用户的协同过滤算法275
    10.4.1基于物品的协同过滤算法275
    10.4.2基于矩阵分解的协同过滤算法276
    10.4.3Python实现276
    10.5基于项的协同过滤算法280
    10.6利用协同过滤算法进行推荐281
    10.6.1导入用户-商品数据281
    10.6.2利用基于用户的协同过滤算法进行推荐282
    10.6.3利用基于项的协同过滤算法进行推荐283
    第11章基于矩阵分解的推荐算法285
    11.1矩阵分解285
    11.2利用矩阵分解进行预测286
    11.2.1损失函数286
    11.2.2损失函数的求解286
    11.2.3加入正则项的损失函数即求解方法286
    11.2.4预测288
    11.2.5程序实现289
    11.3非负矩阵分解291
    11.3.1非负矩阵分解的形式定义291
    11.3.2损失函数291
    11.3.3优化问题的求解292
    11.3.4利用乘法规则进行分解和预测294
    11.4基于矩阵分解的推荐方法295
    11.4.1LFM法295
    11.4.2SVD法298
    11.4.3SVD++法300
    第12章集成学习304
    12.1集成学习的原理及误差304
    12.2集成学习方法305
    12.2.1Boosting算法305
    12.2.2AdaBoost算法305
    12.2.3AdaBoost与加法模型309
    12.2.4提升树310
    12.2.5Bagging算法313
    12.2.6误差-分歧分解314
    12.2.7多样性增强315
    12.2.8Stacking算法316
    12.3Python实现317
    第13章数据预处理322
    13.1数据预处理概述322
    13.1.1为什么要对数据进行预处理322
    13.1.2数据预处理的主要任务323
    13.2去除专享属性323
    13.3处理缺失值324
    13.3.1直接使用324
    13.3.2删除特征324
    13.3.3缺失值补全324
    13.3.4数据清理328
    13.3.5特征编码330
    13.3.6数据标准化331
    13.3.7正则化332
    13.3.8特征选择333
    13.3.9稀疏表示和字典学习335
    13.4Python实现337
    参考文献352

    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