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:

  • 机器学习入门与实战 基于scikit-learn和Keras 张海涛,李建东 编 大中专 文轩网
  • 新华书店正版
    • 作者: 暂无著
    • 出版社: 电子工业出版社
    • 出版时间:2021-05-01 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: 暂无著
    • 出版社:电子工业出版社
    • 出版时间:2021-05-01 00:00:00
    • 版次:1
    • 印次:3
    • 印刷时间:2022-10-01
    • 字数:348000
    • 页数:232
    • 开本:16开
    • 装帧:平装
    • ISBN:9787121409509
    • 国别/地区:中国
    • 版权提供:电子工业出版社

    机器学习入门与实战 基于scikit-learn和Keras

    作  者:张海涛,李建东 编
    定  价:59.9
    出 版 社:电子工业出版社
    出版日期:2021年05月01日
    页  数:232
    装  帧:平装
    ISBN:9787121409509
    主编推荐

    内容简介

    本书以scikit-learn和Keras框架作为实战平台,讲解了传统机器学习的主流技术和近期新深度学习的研究成果。其中,“第一篇 传统机器学习”包括第1~10章,介绍了机器学习概念、监督学习算法(回归分析、Logistic回归、k近邻、决策树、朴素贝叶斯、支持向量机)、无监督学习算法(神经网络、聚类、降维);“第二篇 深度学习”包括第11~15章,介绍了深度学习的概念、卷积神经网络、循环神经网络、生成对抗网络和强化学习等。本书的编写旨在体现“做中学”理念,读者在学习初期不必过多纠缠于算法理论,而是通过实际案例快速入门,进而激发兴趣,自主完善理论学习,最终顺利跨入人工智能的殿堂。本书可以作为高校数据科学与大数据技术、人工智能等专业的教材,也可以作为致力于开展人工智能研究的读者快速入门的参考资料。

    作者简介

    精彩内容

    目录
    第一篇 传统机器学习
    第1章 机器学习概述 2
    1.1 机器学习概念 2
    1.1.1 什么是机器学习 2
    1.1.2 机器学习有什么用 2
    1.1.3 机器学习的分类 3
    1.2 机器学习理论基础 9
    1.2.1 过拟合和欠拟合 9
    1.2.2 损失函数 9
    1.2.3 模型性能度量方法 11
    1.2.4 学习曲线 14
    1.2.5 算法模型性能优化 17
    1.3 scikit-learn简介 21
    1.3.1 关于scikit-learn 21
    1.3.2 安装scikit-learn 21
    1.3.3 scikit-learn数据集 21
    习题 27
    参考文献 30
    第2章 回归分析 31
    2.1 一元线性回归 31
    2.1.1 一元线性回归的实现 31
    2.1.2 解一元线性回归的最小二乘法 34
    2.1.3 模型评估 35
    2.2 多元线性回归 36
    2.3 多项式回归 36
    习题 41
    参考文献 42
    第3章 Logistic回归 43
    3.1 分类问题概述 43
    3.2 Logistic回归分类 44
    3.2.1 Logistic回归算法的原理 44
    3.2.2 Logistic回归算法实例 48
    3.3 Softmax回归――多元分类问题 55
    习题 58
    参考文献 59
    第4章 k近邻 60
    4.1 k近邻算法原理 60
    4.1.1 KNN算法三要素 60
    4.1.2 KNN算法之蛮力实现原理 61
    4.1.3 KNN算法之KD树实现原理 62
    4.1.4 KNN算法之球树实现原理 64
    4.1.5 KNN算法的扩展 66
    4.1.6 KNN算法小结 66
    4.2 用scikit-learn实现KNN算法 67
    习题 72
    参考文献 72
    第5章 决策树 73
    5.1 决策树分类原理 74
    5.2 决策树的学习过程 74
    5.3 ID3算法的数学原理 75
    5.3.1 什么是信息增益 75
    5.3.2 ID3树中很优划分属性计算举例 76
    5.4 scikit-learn决策树算法实现 78
    5.5 决策树可视化 80
    习题 83
    参考文献 84
    第6章 朴素贝叶斯 85
    6.1 基本原理 85
    6.1.1 贝叶斯定理 85
    6.1.2 朴素贝叶斯分类器 86
    6.2 朴素贝叶斯三种基本模型 88
    6.3 朴素贝叶斯的应用及特点 90
    6.3.1 朴素贝叶斯常见的四种应用 90
    6.3.2 朴素贝叶斯的优缺点 90
    6.3.3 提升朴素贝叶斯性能的技巧 91
    习题 93
    参考文献 94
    第7章 支持向量机 95
    7.1 支持向量机原理 95
    7.1.1 支持向量机定义 95
    7.1.2 线性可分性 95
    7.1.3 损失函数 96
    7.1.4 经验风险与结构风险 97
    7.2 标准算法 99
    7.2.1 线性SVM 99
    7.2.2 非线性SVM 100
    7.3 scikit-learn SVM分类算法实现 101
    7.3.1 算法简单实现 101
    7.3.2 算法的优化 102
    习题 106
    参考文献 107
    第8章 神经网络 108
    8.1 神经网络概述 108
    8.1.1 神经元模型 108
    8.1.2 感知机 109
    8.1.3 神经网络 110
    8.1.4 梯度下降法与反向传播 112
    8.2 scikit-learn神经网络分类算法实现 118
    习题 122
    参考文献 123
    第9章 聚类 124
    9.1 聚类概述 124
    9.1.1 K-Means聚类算法 124
    9.1.2 均值漂移聚类 127
    9.1.3 基于密度的聚类方法(DBSCAN) 130
    9.1.4 基于高斯混合模型(GMM)的期望优选化(EM)聚类 132
    9.1.5 凝聚层次聚类 133
    9.2 scikit-learn聚类算法的实现 136
    习题 142
    参考文献 144
    第10章 降维 145
    10.1 降维方法概述 145
    10.1.1 主成分分析(PCA) 145
    10.1.2 线性判别分析(LDA) 148
    10.1.3 局部线性嵌入(LLE) 150
    10.1.4 拉普拉斯特征映射(LE) 151
    10.2 scikit-learn降维算法实现 152
    习题 157
    参考文献 158

    第二篇 深度学习
    第11章 深度学习概述 161
    11.1 深度学习的概念 161
    11.2 深度学习的分类及特点 163
    11.2.1 深度学习的分类 163
    11.2.2 深度学习的特点 164
    11.3 深度学习的历史及发展 164
    11.4 深度学习的应用 165
    11.5 Keras简介 166
    11.5.1 Keras深度学习库 166
    11.5.2 Keras安装 168
    11.5.3 Keras举例 168
    习题 169
    参考文献 170
    第12章 卷积神经网络 171
    12.1 卷积与池化操作 172
    12.1.1 卷积层 172
    12.1.2 池化层 174
    12.2 典型的CNN架构 175
    12.2.1 LeNet-5 176
    12.2.2 AlexNet 176
    12.2.3 GoogLeNet 178
    12.2.4 ResNet 180
    12.3 使用Keras搭建卷积神经网络 182
    习题 185
    参考文献 185
    第13章 循环神经网络 186
    13.1 RNN 186
    13.2 LSTM 190
    13.3 循环神经网络案例 191
    习题 195
    参考文献 195
    第14章 生成对抗网络 196
    14.1 生成对抗网络结构 196
    14.1.1 生成对抗网络模型原理 197
    14.1.2 生成对抗网络优化原理 198
    14.1.3 模型训练 199
    14.1.4 对抗网络的改进模型 200
    14.2 生成对抗网络的构建 201
    14.2.1 生成模型的构建 202
    14.2.2 判别模型的构建 202
    14.2.3 条件生成对抗网络的构建 204
    14.3 生成对抗网络案例 205
    14.3.1 生成模型 205
    14.3.2 判别模型 205
    14.3.3 模型训练 206
    习题 207
    参考文献 208
    第15章 强化学习 209
    15.1 问题概述 209
    15.2 价值函数 211
    15.3 动态规划算法 212
    15.3.1 策略迭代算法 212
    15.3.2 价值迭代算法 213
    15.4 蒙特卡洛算法 213
    15.4.1 状态价值函数估计 214
    15.4.2 动作价值函数估计 214
    15.4.3 蒙特卡洛控制 215
    15.5 时序差分算法 215
    15.5.1 Sarsa算法 216
    15.5.2 Q学习 216
    15.6 深度强化学习 216
    15.6.1 DQN算法 216
    15.6.2 策略梯度算法 217
    15.7 代码案例 219
    习题 223
    参考文献 224

    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