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]机器学习与Python实践 9787115538468 人民邮电出版社
  • 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: 不详著 | 不详编 | 不详译 | 不详绘
    • 出版社: 人民邮电出版社
    • 出版时间:2010-01-01
    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: 不详著| 不详编| 不详译| 不详绘
    • 出版社:人民邮电出版社
    • 出版时间:2010-01-01
    • 版次:1
    • 印次:1
    • 字数:387000
    • 页数:260
    • 开本:16开
    • ISBN:9787115538468
    • 版权提供:人民邮电出版社
    • 作者:不详
    • 著:不详
    • 装帧:平装
    • 印次:1
    • 定价:59.8
    • ISBN:9787115538468
    • 出版社:人民邮电出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2010-01-01
    • 页数:260
    • 外部编号:党庄B145868
    • 版次:1
    • 成品尺寸:暂无

    章机器学习概述1

    1.1引言1

    1.1.1问题导向框架1

    1.1.2数据挖掘和机器学习3

    1.1.3人工智能和机器学习3

    1.2机器学习的分类4

    1.2.1无监督学习、有监督学习和强化学习4

    1.2.2深度学习和浅层学习5

    1.2.3统计学习6

    1.3机器学习的发展历程及应用7

    本章习题7

    第2章Python科学计算简介9

    2.1基础变量类型9

    2.1.1数字(Number)9

    2.1.2字符串(String)10

    2.1.3列表(List)12

    2.1.4元组(Tuple)13

    2.1.5字典(Dictionary)14

    2.2控制语句和函数15

    2.2.1控制语句15

    2.2.2函数17

    2.3用于科学计算和数据处理的库19

    2.3.1NumPy19

    2.3.2SciPy23

    2.3.3Pandas23

    2.4作图和可视化25

    2.4.1plot()函数与savefig()函数26

    2.4.2标题、图例和坐标26

    2.4.3散点图与直方图27

    2.4.4ImagePlot28

    2.5输入和输出28

    2.5.1标准输入和输出函数28

    2.5.2第三方库的输入输出函数29

    2.5.3案例分析:读取并处理股票行情数据29

    2.6面向对象编程30

    2.6.1面向过程编程31

    2.6.2案例分析:面向对象编程示例31

    2.7Python常用工具库33

    本章习题34

    第3章无监督学习36

    3.1描述性统计36

    3.1.1描述性统计分析工具36

    3.1.2案例分析:指数收益率的描述性统计39

    3.2核密度估计40

    3.2.1核密度估计方法40

    3.2.2核密度估计的目标函数42

    3.3k均值算法42

    3.4主成分分析44

    3.4.1Z大投影方差和Z小重构误差45

    3.4.2特征分解和奇异值分解46

    3.4.3案例分析:手写数字3特征分析47

    3.4.4案例分析:利率期限结构50

    3.4.5案例分析:股票收益率的协方差矩阵分解52

    3.5混合模型和隐马尔可夫模型54

    3.5.1混合模型54

    3.5.2隐马尔可夫模型55

    本章习题59

    第4章线性回归和正则化方法60

    4.1回归分析流程60

    4.1.1回归分析流程的主要步骤61

    4.1.2案例分析:宏观违约率预测65

    4.2变量选择基础66

    4.2.1变量选择方法简介66

    4.2.2案例分析:指数跟踪68

    4.2.3ForwardStagewise回归69

    4.3正则化方法70

    4.3.1L2正则71

    4.3.2L1正则72

    4.3.3惩罚函数和稀疏性78

    4.4回归估计和矩阵分解80

    4.4.1奇异值分解和线性回归80

    4.4.2QR分解和QR算法83

    本章习题85

    第5章分类86

    5.1判别分析86

    5.1.1线性判别分析87

    5.1.2二次判别分析89

    5.1.3朴素贝叶斯89

    5.2逻辑回归89

    5.2.1模型估计90

    5.2.2与交叉熵的关系93

    5.2.3案例分析:股票涨跌预测94

    5.3支持向量机96

    5.4分类的评判99

    5.4.1混淆矩阵和常用度量99

    5.4.2F1Score100

    5.4.3ROC和AUC101

    5.4.4数据不平衡的处理104

    本章习题105

    第6章局部建模106

    6.1样条方法106

    6.1.1三阶样条106

    6.1.2自然三阶样条107

    6.2核技巧108

    6.3局部回归111

    6.3.1K邻近估计111

    6.3.2局部常数估计113

    6.3.3局部多项式估计114

    6.3.4案例分析:期权隐含分布估计115

    6.3.5局部似然估计117

    本章习题118

    第7章模型选择和模型评估120

    7.1模型评估120

    7.1.1泛化误差120

    7.1.2交叉验证121

    7.1.3Bootstrap123

    7.2模型选择124

    7.2.1AIC准则124

    7.2.2BIC准则126

    7.3估计的自由度128

    7.4案例分析:期权隐含分布估计(续1)129

    本章习题131

    第8章统计推断基础132

    8.1极大似然估计132

    8.2置信区间和假设检验134

    8.2.1置信区间134

    8.2.2假设检验134

    8.3Bootstrap方法136

    8.4KL距离和信息论相关概念139

    8.4.1KL距离和熵140

    8.4.2KL距离和互信息141

    8.5EM算法142

    8.5.1EM算法与变分推断和MM算法143

    8.5.2高斯混合模型的EM算法143

    8.5.3隐马尔可夫模型的EM算法146

    8.5.4案例分析:收益率序列隐状态预测149

    本章习题152

    第9章贝叶斯方法153

    9.1贝叶斯定理153

    9.1.1事件的贝叶斯公式153

    9.1.2随机变量的贝叶斯公式154

    9.2贝叶斯视角下的频率方法155

    9.3抽样方法157

    9.3.1拒绝抽样法157

    9.3.2案例分析:期权隐含分布估计(续2)158

    9.3.3Metropolis-Hastings抽样算法159

    9.3.4重要性抽样164

    9.3.5蒙特卡洛标准误165

    9.4变分推断166

    9.4.1基于平均场的变分推断166

    9.4.2变分推断算法示例167

    本章习题171

    0章树和树的集成173

    10.1回归树和分类树173

    10.1.1回归树173

    10.1.2分类树175

    10.2Bagging和随机森林179

    10.2.1Bagging179

    10.2.2随机森林180

    10.3提升树BoostingTrees182

    10.3.1AdaBoost182

    10.3.2梯度提升树GBDT183

    10.3.3XGBoost184

    10.3.4案例分析:股票涨跌预测(续1)186

    本章习题188

    1章深度学习189

    11.1前馈神经网络和梯度下降算法189

    11.1.1神经元189

    1.1.2前馈神经网络191

    11.1.3梯度下降算法191

    11.1.4反向传播算法192

    11.1.5随机梯度算法的改进193

    11.1.6激活函数和梯度消失问题194

    11.1.7案例分析:股票涨跌预测(续2)197

    11.2网络结构198

    11.2.1卷积神经网络CNN198

    11.2.2循环神经网络RNN202

    11.2.3Dropout203

    11.2.4BatchNormalization203

    11.2.5残差网络204

    11.3自编码和生成模型205

    11.3.1自编码205

    11.3.2案例分析:手写数字3特征分析(续)207

    11.3.3逐层特征学习208

    11.3.4生成对抗网络209

    11.3.5变分自编码210

    11.4揭开深度学习的黑箱212

    本章习题214

    2章强化学习215

    12.1基于值函数的强化学习215

    12.1.1强化学习的基础概念215

    12.1.2值函数和Bellman方程216

    12.1.3策略迭代和值迭代218

    12.1.4基于值函数的无模型强化学习219

    12.2值函数近似和深度Q网络222

    12.2.1值函数的近似222

    12.2.2深度Q网络DQN223

    12.2.3案例分析:DQN智能交易机器人225

    12.3策略梯度和Actor-Critic方法226

    12.3.1策略梯度定理226

    12.3.2强化学习和有监督学习的对比228

    12.3.3Actor-Critic算法228

    12.4学习、推演和搜索231

    12.4.1“记忆式”学习231

    12.4.2推演和搜索231

    12.4.3蒙特卡洛树搜索232

    12.4.4不完全信息决策简介233

    本章习题234

    参考文献235


    本书是针对非计算机专业编写的机器学习教材,内容由浅入深,使用目前流行的Python语言进行描述。书中示例丰富、落地,具有较高的学习价值。
    1.内容翔实,案例新颖
    2.模拟实训,代码指导
    3.资源丰富,便于教学

    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