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:

  • 正版新书]Python机器学习实战 微课视频版吕云翔,王渌汀,袁琪,张
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 吕云翔,王渌汀,袁琪,张凡,韩雪婷著 | 吕云翔,王渌汀,袁琪,张凡,韩雪婷编 | 吕云翔,王渌汀,袁琪,张凡,韩雪婷译 | 吕云翔,王渌汀,袁琪,张凡,韩雪婷绘
    • 出版社: 清华大学出版社
    • 出版时间:2021-05-01
    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:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 吕云翔,王渌汀,袁琪,张凡,韩雪婷著| 吕云翔,王渌汀,袁琪,张凡,韩雪婷编| 吕云翔,王渌汀,袁琪,张凡,韩雪婷译| 吕云翔,王渌汀,袁琪,张凡,韩雪婷绘
    • 出版社:清华大学出版社
    • 出版时间:2021-05-01
    • 版次:1
    • 印次:1
    • 字数:358000
    • 页数:228
    • 开本:16开
    • ISBN:9787302576419
    • 版权提供:清华大学出版社
    • 作者:吕云翔,王渌汀,袁琪,张凡,韩雪婷
    • 著:吕云翔,王渌汀,袁琪,张凡,韩雪婷
    • 装帧:暂无
    • 印次:1
    • 定价:59.8
    • ISBN:9787302576419
    • 出版社:清华大学出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2021-05-01
    • 页数:228
    • 外部编号:党庄B145739
    • 版次:1
    • 成品尺寸:暂无

    章机器学习概述

    资源下载

    1.1机器学习的组成

    1.2分类问题及回归问题

    1.3监督学习、半监督学习和无监督学习

    1.4生成模型及判别模型

    1.5模型评估

    1.5.1训练误差及泛化误差

    1.5.2过拟合及欠拟合

    1.6正则化

    1.7Scikitlearn模块

    1.7.1数据集

    1.7.2模型选择

    第2章逻辑回归及优选熵模型

    2.1线性回归

    2.1.1一元线性回归

    2.1.2多元线性回归

    2.2广义线性回归

    2.2.1逻辑回归

    2.2.2多分类逻辑回归

    2.2.3交叉熵损失函数

    2.3优选熵模型

    2.3.1优选熵模型的导出

    2.3.2优选熵模型与逻辑回归之间的关系

    2.4评价指标

    2.4.1混淆矩阵

    2.4.2准确率

    2.4.3精确率与召回率

    2.4.4PR曲线

    2.4.5ROC曲线与AUC曲线

    2.5实例:基于逻辑回归实现乳腺癌预测

    第3章k近邻算法

    3.1k值的选取

    3.2距离的度量

    3.3快速检索

    3.4实例:基于k近邻算法实现鸢尾花分类

    第4章决策树

    4.1特征选择

    4.1.1信息增益

    4.1.2信息增益比

    4.2决策树生成算法CART

    4.3决策树剪枝

    4.3.1预剪枝

    4.3.2后剪枝

    4.4实例:基于决策树实现葡萄酒分类

    第5章朴素贝叶斯分类器

    5.1极大似然估计

    5.2朴素贝叶斯分类

    5.3拉普拉斯平滑

    5.4朴素贝叶斯分类器的极大似然估计解释

    5.5实例:基于朴素贝叶斯实现垃圾短信分类

    第6章支持向量机

    6.1优选间隔及超平面

    6.2线性可分支持向量机

    6.3线性支持向量机

    6.4合页损失函数

    6.5核技巧

    6.6二分类问题与多分类问题

    6.6.1一对一

    6.6.2一对多

    6.6.3多对多

    6.7实例:基于支持向量机实现葡萄酒分类

    第7章集成学习

    7.1偏差与方差

    7.2Bagging及随机森林

    7.2.1Bagging

    7.2.2随机森林

    7.3Boosting及AdaBoost

    7.3.1Boosting

    7.3.2AdaBoost

    7.4提升树

    7.4.1残差提升树

    7.4.2GBDT

    7.4.3XGBoost

    7.5Stacking

    7.6实例:基于梯度下降树实现波士顿房价预测

    第8章EM算法及其应用

    8.1Jensen不等式

    8.2EM算法

    8.3高斯混合模型GMM

    8.4隐马尔可夫模型

    8.4.1计算观测概率的输出

    8.4.2估计隐马尔可夫模型的参数

    8.4.3隐变量序列预测

    8.5实例:基于高斯混合模型实现鸢尾花分类

    第9章降维

    9.1主成分分析

    9.1.1方差即协方差的无偏估计

    9.1.2实例:基于主成分分析实现鸢尾花数据降维

    9.2奇异值分解

    9.2.1奇异值分解的构造

    9.2.2奇异值分解用于数据压缩

    9.2.3SVD与PCA的关系

    9.2.4奇异值分解的几何解释

    9.2.5实例:基于奇异值分解实现图片压缩

    0章聚类

    10.1距离度量

    10.1.1闵可夫斯基距离

    10.1.2余弦相似度

    10.1.3马氏距离

    10.1.4汉明距离

    10.2层次聚类

    10.3KMeans聚类

    10.4KMedoids聚类

    10.5DBSCAN

    10.6实例:基于KMeans实现鸢花聚类

    1章神经网络与深度学习

    11.1神经元模型

    11.2多层感知机

    11.3损失函数

    11.4反向传播算法

    11.4.1梯度下降法

    11.4.2梯度消失及梯度爆炸

    11.5卷积神经网络

    11.5.1卷积

    11.5.2池化

    11.5.3网络架构

    11.6循环神经网络

    11.7生成对抗网络

    11.8图卷积神经网络

    11.9深度学习发展

    11.10实例:基于卷积神经网络实现手写数字识别

    11.10.1MNIST数据集

    11.10.2基于卷积神经网络的手写数字识别

    2章实战:基于KMeans算法的汽车行驶运动学片段的分类

    12.1样本聚类

    12.1.1SSE

    12.1.2轮廓分析

    12.2汽车行驶运动学片段的提取

    12.3基于KMeans的汽车行驶运动学片段分类

    3章实战:从零实现朴素贝叶斯分类器用于垃圾信息识别

    13.1算法流程

    13.2数据集载入

    13.3朴素贝叶斯模型

    13.3.1构造函数设计

    13.3.2数据预处理

    13.3.3模型训练

    13.3.4测试集预测

    13.3.5主函数实现

    4章实战:基于逻辑回归算法进行乳腺癌的识别

    14.1数据集加载

    14.2Logistic模块

    14.3模型评价

    5章实战:基于线性回归、决策树和SVM进行鸢尾花分类

    15.1使用Logistic实现鸢尾花分类

    15.2使用决策树实现鸢尾花分类

    15.3使用SVM实现鸢尾花分类

    6章实战:基于多层感知机模型和随机森林模型的波士顿房价预测

    16.1使用MLP实现波士顿房价预测

    16.2使用随机森林模型实现波士顿房价预测

    7章实战:基于生成式对抗网络生成动漫人物

    17.1生成动漫人物任务概述

    17.2反卷积网络

    17.3DCGAN

    17.4基于DCGAN的动漫人物生成

    8章实战:基于主成分分析法、随机森林算法和SVM算法的人脸识别问题

    18.1数据集介绍与分析

    18.2LBP算子

    18.3提取图片特征

    18.4基于随机森林算法的人脸识别问题

    18.5基于SVM算法的人脸识别问题

    9章实战:使用多种机器学习算法实现基于用户行为数据的用户分类器

    19.1基于机器学习的分类器的技术概述

    19.2工程数据的提取聚合和存储

    19.2.1数据整合的逻辑流程

    19.2.2Sqoop数据同步

    19.2.3基于Hive的数据仓库

    19.2.4基于Azkaban的数据仓库的调度任务

    19.2.5数据仓库的数据集成和数据清洗

    19.2.6整合后的数据表

    19.3数据展示和分析

    19.3.1数据集的选取和业务背景的描述

    19.3.2各维度信息详细说明

    19.3.3各维度数据的描述性统计

    19.3.4各维度数据的可视化

    19.4特征工程

    19.4.1标准化

    19.4.2区间缩放

    19.4.3归一化

    19.4.4对定性特征进行onehot编码

    19.4.5缺失值填补

    19.4.6数据倾斜

    19.5模型训练和结果评价

    19.5.1构造模型思路

    19.5.2模型训练的流程

    19.5.3K-Fold交叉验证

    19.6各分类器模型的训练和结果评价

    19.6.1利用Python的sklearn包进行模型训练的过程梳理

    19.6.2逻辑斯谛分类模型的训练和结果评价

    19.6.3最小近邻算法模型的训练和结果评价

    19.6.4线性判别分析模型的训练和结果评价

    19.6.5朴素贝叶斯算法的模型的训练和结果评价

    19.6.6决策树模型的训练和结果评价

    19.6.7支持向量机模型的训练和结果评价

    19.7模型提升——集成分类器

    19.7.1Boosting提升算法

    19.7.2AdaBoost提升算法

    19.7.3AdaBoost实现过程及实验结果

    附录A用户历史充值情况数据表

    附录B用户各类订单余额情况

    附录C各省用户收到公示消息后的充值情况

    参考文献


    "内容深入浅出,既有对基础知识点的讲解,也涉及关键问题和重点、难点的分析和解决。
    具有超强的实用性,实例丰富。前11章理论部分都提供了一个小的实例,后8章提供了综合项目实例,让读者理解概念、原理和算法。
    以理论与实践相结合为出发点,介绍Python机器学习实战中的相关内容,使零基础读者也可以快速上手。"

    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