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:

  • 正版 Python机器学习:基于PyTorch和Scikit-Learn
  • 新华书店旗下自营,正版全新
    • 作者: (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著著 | (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著编 | (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著译 | (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著绘
    • 出版社: 机械工业出版社
    • 出版时间:2023-06
    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:
    美阅书店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著著| (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著编| (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著译| (美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著绘
    • 出版社:机械工业出版社
    • 出版时间:2023-06
    • 版次:1
    • 印次:1
    • 字数:864000
    • 页数:620
    • 开本:16开
    • ISBN:9787111726814
    • 版权提供:机械工业出版社
    • 作者:(美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著
    • 著:(美)塞巴斯蒂安·拉施卡(Sebastian Raschka),(美)刘玉溪(海登),(美)瓦希德·米尔贾利利(Vahid Mirjalili)著
    • 装帧:平装
    • 印次:1
    • 定价:159.00
    • ISBN:9787111726814
    • 出版社:机械工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2023-06
    • 页数:620
    • 外部编号:12854573
    • 版次:1
    • 成品尺寸:暂无

    译者序



    前言

    作者简介

    审校者简介

    第1章赋予计算机从数据中学习的能力1

    1.1将数据转化为知识的智能系统1

    1.2三种机器学习类型2

    1.2.1用于预测未来的监督学习2

    1.2.2解决交互问题的强化学习4

    1.2.3发现数据中隐藏规律的无监督学习 5

    1.3基本术语与符号6

    1.3.1本书中使用的符号和约定6

    1.3.2机器学习术语8

    1.4构建机器学习系统的路线图8

    1.4.1数据预处理——让数据可用8

    1.4.2训练和选择预测模型9

    1.4.3使用未见过的数据对模型进行评估10

    1.5使用Python实现机器学习算法10

    1.5.1从Python Package Index中安装Python和其他软件包10

    1.5.2使用Anaconda Python软件包管理器11

    1.5.3科学计算、数据科学和机器学习软件包12

    1.6本章小结13

    第2章训练简单的机器学习分类算法14

    2.1人工神经元——机器学习早期历史一瞥14

    2.1.1人工神经元的定义15

    2.1.2感知机学习规则16

    2.2使用Python实现感知机学习算法19

    2.2.1面向对象的感知机API19

    2.2.2使用鸢尾花数据集训练感知机22

    2.3自适应线性神经元与算法收敛27

    2.3.1使用梯度下降法最小化损失函数28

    2.3.2在Python中实现Adaline30

    2.3.3通过特征缩放改进梯度下降34

    2.3.4大规模机器学习与随机梯度下降36

    2.4本章小结41

    第3章Scikit-Learn机器学习分类算法之旅42

    3.1分类算法的选择42

    3.2学习Scikit-Learn的第一步——训练感知机43

    3.3用逻辑回归算法建模分类概率48

    3.3.1逻辑回归与条件概率48

    3.3.2用逻辑损失函数更新模型权重51

    3.3.3从Adaline的代码实现到逻辑回归的代码实现53

    3.3.4用Scikit-Learn训练逻辑回归模型56

    3.3.5使用正则化避免模型过拟合59

    3.4基于优选分类间隔的支持向量机62

    3.4.1理解优选分类间隔62

    3.4.2使用松弛变量解决非线性可分问题62

    3.4.3Scikit-Learn中另外一种实现64

    3.5使用核支持向量机求解非线性问题64

    3.5.1处理线性不可分数据的核方法64

    3.5.2使用核方法在高维空间中寻找分离超平面66

    3.6决策树学习69

    3.6.1优选化信息增益70

    3.6.2构建决策树73

    3.6.3多棵决策树组成随机森林76

    3.7基于惰性学习策略的k近邻算法78

    3.8本章小结81

    第4章构建良好的训练数据集——数据预处理83

    4.1处理缺失值83

    4.1.1识别表格数据中的缺失值83

    4.1.2删除含有缺失值的样本或特征85

    4.1.3填补缺失值85

    4.1.4Scikit-Learn的估计器86

    4.2处理类别数据87

    4.2.1用pandas实现类别数据编码88

    4.2.2映射有序特征88

    4.2.3类别标签编码89

    4.2.4标称特征的独热编码90

    4.3将数据集划分为训练数据集和测试数据集93

    4.4使特征具有相同的尺度95

    4.5选择有意义的特征97

    4.5.1用L1和L2正则化对模型复杂度进行惩罚98

    4.5.2L2正则化的几何解释98

    4.5.3L1正则化与稀疏解99

    4.5.4序贯特征选择算法102

    4.6用随机森林评估特征重要性107

    4.7本章小结109

    第5章通过降维方法压缩数据110

    5.1无监督降维的主成分分析方法110

    5.1.1主成分分析的主要步骤110

    5.1.2提取主成分的步骤112

    5.1.3总方差和被解释的方差114

    5.1.4特征变换115

    5.1.5用Scikit-Learn实现主成分分析118

    5.1.6评估特征的贡献120

    5.2监督数据压缩的线性判别分析方法122

    5.2.1主成分分析与线性判别分析122

    5.2.2线性判别分析基本原理123

    5.2.3计算散布矩阵124

    5.2.4为新特征子空间选择线性判别式126

    5.2.5将样本投影到新的特征空间128

    5.2.6用Scikit-Learn实现线性判别分析128

    5.3非线性降维和可视化130

    5.3.1非线性降维的不足130

    5.3.2使用t-SNE可视化数据131

    5.4本章小结135

    第6章模型评估和超参数调优的很好实践136

    6.1使用pipeline方法简化工作流程136

    6.1.1加载威斯康星乳腺癌数据集136

    6.1.2在pipeline中集成转换器和估计器138

    6.2使用k折交叉验证评估模型性能140

    6.2.1holdout交叉验证140

    6.2.2k折交叉验证140

    6.3用学习曲线和验证曲线调试算法144

    6.3.1使用学习曲线解决偏差和方差问题144

    6.3.2使用验证曲线解决过拟合和欠拟合问题146

    6.4通过网格搜索微调机器学习模型148

    ……

    本书深入介绍了机器学习领域的基本概念和方法,除介绍了Python机器学习库和用机器学习库搭建神经网络模型的方法外,还介绍了机器学习算法的数学理论、工作原理、使用方法、实现细节以及如何避免机器学习算法实现过程中的常见问题。本书涵盖了多种用于文本和图像分类的机器学习与深度学习方法,以及用于生成新数据的生成对抗网络(GAN)和用于训练智能体的强化学习,还介绍了深度学习的新动态,包括图神经网络和用于自然语言处理(NLP)的大型transformer。本书讲解清晰,示例生动,理论和实践部分相对平衡,既可以作为机器学习领域初学者的入门教程,也可以作为读者开发机器学习项目时的参考书。

    本书是一本在PyTorch环境下学习机器学习和深度学习的综合指南,可以作为初学者的入门教程,也可以作为读者开发机器学习项目时的参考书。 本书讲解清晰、示例生动,深入介绍了机器学习方法的基础知识,不仅提供了构建机器学习模型的说明,而且提供了构建机器学习模型和解决实际问题的基本准则。 本书添加了基于PyTorch的深度学习内容,介绍了新版Scikit-Learn。本书涵盖了多种用于文本和图像分类的机器学习与深度学习方法,介绍了用于生成新数据的生成对抗网络(GAN)和用于训练智能体的强化学习。最后,本书还介绍了深度学习的新动态,包括图神经网络和用于自然语言处理(NLP)的大型transformer。 无论是机器学习入门新手,还是计划跟踪机器学习进展的研发人员,都可以将本书作为使用Python进行机器学习的不二之选。

    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