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]机器学习原理及应用吕云翔 王渌汀 袁琪著978711168294
  • 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 袁琪著著 | 吕云翔 王渌汀 袁琪著编 | 吕云翔 王渌汀 袁琪著译 | 吕云翔 王渌汀 袁琪著绘
    • 出版社: 机械工业出版社
    • 出版时间:2021-08
    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 袁琪著著| 吕云翔 王渌汀 袁琪著编| 吕云翔 王渌汀 袁琪著译| 吕云翔 王渌汀 袁琪著绘
    • 出版社:机械工业出版社
    • 出版时间:2021-08
    • 版次:1
    • 印次:1
    • 字数:339000
    • 页数:220
    • 开本:16开
    • ISBN:9787111682943
    • 版权提供:机械工业出版社
  • 作者: 吕云翔 王渌汀 袁琪著
  • 著: 吕云翔 王渌汀 袁琪著 译
  • 装帧: 平装
  • 印次: 1
  • 定价: 59
  • ISBN: 9787111682943
  • 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: 2021-08
  • 页数: 220
  • 外部编号: 庄村27627
  • 版次: 1
  • 成品尺寸: 暂无
  • 前言

    第1章机器学习概述

    1.1机器学习的组成

    1.2分类问题和回归问题

    1.3监督学习、半监督学习和无监督学习

    1.4生成模型和判别模型

    1.5模型评估

    1.5.1训练误差和泛化误差

    1.5.2过拟合和欠拟合

    1.6正则化

    1.7Scikitlearn模块

    1.7.1数据集

    1.7.2模型选择

    1.8习题

    第2章线性回归及优选熵模型

    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准确率与召回率

    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

    2.6习题

    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近邻实现鸢尾花分类

    3.5习题

    第4章决策树模型

    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

    4.5习题

    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

    5.6习题

    第6章支持向量机模型

    6.1优选间隔及超平面

    6.2线性可分支持向量机

    6.3合页损失函数

    6.4核技巧

    6.5二分类问题与多分类问题

    6.5.1一对一

    6.5.2一对多

    6.5.3多对多

    6.6实例:基于支持向量机实现葡萄酒分类

    6.7习题

    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

    7.3.3AdaBoost

    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

    7.7习题

    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

    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

    8.6习题

    第9章降维算法

    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

    9.3习题

    第10章聚类算法

    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

    10.3KMeans聚类

    10.4KMedoids聚类

    10.5DBSCAN

    10.6实例:基于KMeans实现鸢尾花聚类

    10.7习题

    第11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

    11.10.1MINST数据集

    11.10.2基于卷积神经网络的手写数字识别

    11.11习题

    第12章案例1:基于回归问题、XGBoost的房价预测

    12.1XGBoost模型介绍

    12.2技术方案

    12.2.1数据分析

    12.2.2XGBoost模型参数

    12.2.3调参过程

    12.3完整代码及结果展示

    第13章案例2:影评数据分析与电影推荐

    13.1明确目标与数据准备

    13.2工具选择

    13.3初步分析

    13.3.1用户角度分析

    13.3.2电影角度分析

    13.4电影推荐

    第14章案例3:汽车贷款违约的数据分析

    14.1数据分析常用的Python工具库

    14.2数据样本分析

    14.2.1数据样本概述

    14.2.2变量类型分析

    14.2.3Python代码实践

    14.3数据分析的预处理

    14.3.1目标变量探索

    14.3.2X变量初步探索

    14.3.3连续变量的缺失值处理

    14.3.4分类变量的缺失值处理

    14.4数据分析的模型建立与模型评估

    14.4.1数据的预处理与训练集划分

    14.4.2采用回归模型进行数据分析

    14.4.3采用决策树模型进行数据分析

    14.4.4采用随机森林模型优化决策树模型

    第15章案例4:基于KNN模型预测葡萄酒种类的数据分析与可视化

    15.1KNN模型的初级构建

    15.2使用专业工具包构建KNN模型

    15.3数据可视化

    第16章案例5:使用Keras进行人脸关键点检测

    16.1深度学习模型

    16.1.1数据集获取

    16.1.2卷积神经网络的搭建与训练

    16.2模型评价

    16.3训练历史可视化

    第17章案例6:股价预测

    17.1使用tsfresh进行升维和特征工程

    17.2程序设计思路

    17.3程序设计步骤

    17.3.1读入数据,分析数据

    17.3.2移窗

    17.3.3升维

    17.3.4方差过滤

    17.3.5使用Adaboost模型进行回归预测

    17.3.6预测结果分析

    第18章案例7:用户流失预警

    18.1读入数据

    18.2数据预处理

    18.3五折交叉验证

    18.4代入三种模型

    18.5调整prob阈值,输出精度评估

    第19章案例8:机器人很优路径走迷宫

    19.1关键技术

    19.1.1马尔科夫决策过程

    19.1.2Bellman方程

    19.2程序设计步骤

    19.2.1初始化迷宫地图

    19.2.2计算不同位置很优路径

    参考文献

    以机器学习及其算法为主题,详细介绍了算法中涉及的数学理论。注重机器学习的实际应用,在理论介绍中穿插项目实例,帮助读者掌握机器学习研究的方法。8个综合项目案例,帮助读者理解和应用前面各章所学理论。

    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