君凤文轩图书专营店
  • 扫码下单

  • 正版新书]Python机器学习及实践梁佩莹9787302539735
  • 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: 梁佩莹著 | 梁佩莹编 | 梁佩莹译 | 梁佩莹绘
    • 出版社: 清华大学出版社
    • 出版时间:2020-05-01
    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
    /
    ×

    店铺装修中

    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

    君凤文轩图书专营店

  • 商品参数
    • 作者: 梁佩莹著| 梁佩莹编| 梁佩莹译| 梁佩莹绘
    • 出版社:清华大学出版社
    • 出版时间:2020-05-01
    • 版次:1
    • 印次:1
    • 印刷时间:2020-05-01
    • 字数:503000
    • 页数:319
    • 开本:16开
    • ISBN:9787302539735
    • 版权提供:清华大学出版社
  • 作者: 梁佩莹
  • 著: 梁佩莹
  • 装帧: 平装
  • 印次: 1
  • 定价: 79
  • ISBN: 9787302539735
  • 出版社: 清华大学出版社
  • 开本: 16开
  • 印刷时间: 2020-05-01
  • 语种: 中文
  • 出版时间: 2020-05-01
  • 页数: 319
  • 外部编号: 庄村56371
  • 版次: 1
  • 成品尺寸: 暂无
  • 章 机器学习的基础知识

    1.1 何谓机器学习

    1.1.1 传感器和海量数据

    1.1.2 机器学习的重要性

    1.1.3 机器学习的表现

    1.1.4 机器学习的主要任务

    1.1.5 选择合适的算法

    1.1.6 机器学习程序的步骤

    1.2 综合分类

    1.3 推荐系统和深度学习

    1.3.1 推荐系统

    1.3.2 深度学习

    1.4 何为Python

    1.4.1 使用Python软件的由来

    1.4.2 为什么使用Python

    1.4.3 Python设计定位

    1.4.4 Python的优缺点

    1.4.5 Python的应用

    1.5 Python编程步

    1.6 NumPy函数库基础

    1.7 Python迭代器与生成器

    1.7.1 迭代器

    1.7.2 生成器

    1.8 多线程

    1.8.1 学习Python线程

    1.8.2 线程模块

    1.8.3 线程同步

    1.8.4 线程优先级队列(Queue)

    1.9 小结

    1.10 习题

    第2章 Python近邻法

    2.1 k近邻法的三要素

    2.1.1 k选择

    2.1.2 距离度量

    2.1.3 分类决策规则

    2.2 k近邻法

    2.3 kd树

    2.3.1 什么是kd树

    2.3.2 如何构建kd树

    2.3.3 如何在kd树中搜索

    2.4 Python实现kd树、k近邻法

    2.5 小结

    2.6 习题

    第3章 Python数据降维

    3.1 维度灾难与降维

    3.2 主成分分析

    3.2.1 PCA原理

    3.2.2 PCA算法

    3.2.3 PCA降维的两个准则

    3.3 SVD降维

    3.4 核主成分分析降维

    3.5 流形学习降维

    3.6 多维缩放降维

    3.6.1 原理

    3.6.2 MDS算法

    3.7 等度量映射降维

    3.8 局部线性嵌入

    3.8.1 原理

    3.8.2 LLE算法

    3.9 非负矩阵分解

    3.10 小结

    3.11 习题

    ……

    第4章 Python分类算法

    第5章 Python回归算法

    第6章 Python聚类算法

    第7章 Python神经网络

    第8章 Python推荐算法

    第9章 Python频繁项集

    0章 Python数据预处理

    参考文献

    第3章CHAPTER3Python数据降维伴随ICT(通信与信息技术)和互联网技术的不断发展,人们收集和获得数据的能力越来越强。而这些数据已呈现出维数高、规模大和结构复杂等特点。
    人们想利用这些大数据(维数大、规模大、复杂大),挖掘其中有意义的知识和内容以指导实际生产和具体应用,数据的降维就显得尤为重要了。数据降维又称为维数约简。顾名思义,就是降低数据的维数。为什么要
    降低数据的维数?如何有效地降低数据的维数?由此问题引发了广泛的研究和应用。
    数据降维,一方面可以解决“维数灾难”,缓解“信息丰富、知识贫乏”现状,降低复杂度;另一方面可以更好地认识和理解数据。
    截止到目前,数据降维的方法很多。从不同的角度入手可以有着不同的分类,主要分类方法有:根据数据的特性可以划分为线性降维和非线性降维,根据是否考虑和利用数据的监督信息可以划分为无监督降维、有监督降维和半监督降维,根据保持数据的结构可以划分为全局保持降维、局部保持降维和全局与局部保持一致降维等。
    总之,数据降维意义重大,数据降维方法众多,很多时候需要根据特定问题选用合适的数据降维方法。数据降维是机器学习领域中非常重要的内容。
    3.1维度灾难与降维1.维度灾难维度灾难(curseofdimensionality)用来描述当(数学)空间维度增加时,分析和组织高维空间(通常有成百上千维),因体积指数增加而遇到各种问题场景。
    在机器学习中,维度灾难常指以下问题:在高维情况下,数据样本稀疏。
    例如,k近邻法的讨论中经常涉及维度灾难,是因为k近邻法基于一个重要的基本假设:任意样本附近任意小的距离内总能找到一个训练样本,即训练样本的采样密度足够大,也称为“密采样”,才能保证分类性能;当特征维度很大时,满足密采样的样本数量会呈指数级增长,大到几乎无法达到。
    在高维情况下,涉及距离、内积的计算变得困难。
    其实,不仅是k近邻,其他机器学习算法几乎都会遇到维度灾难的问题。
    2.降维缓解维度灾难的一个重要途径就是降维。
    1)为什么能够进行降维这是因为很多时候,数据是高维的,但是与学习任务(分类、回归等)密切相关的仅是某个低维分布,即高维空间中的某个低维难嵌入。因此,很多情况下,高维空间中的样本点,在低维嵌入子空间中更容易学习。
    2)线性降维一般来说,想获得低维子空间,最简单的方法是对

    "《Python机器学习及实践》内容由浅入深,既有原理介绍,又有实战操作,使读者在实践中掌握相关知识,并为解决问题提供详细的方法。
    《Python机器学习及实践》具有超强的实用性,实例丰富,书中给出了80多个实例让读者理解概念、原理和算法。
    《Python机器学习及实践》以理论与实践相结合为出发点,介绍Python机器学习的相关内容,即使没有机器学习基础的读者也可以快速上手。
    "

    《Python机器学习及实践》内容由浅入深,既有原理介绍,又有实战操作,使读者在实践中掌握相关知识,并为解决问题提供详细的方法。 《Python机器学习及实践》具有超强的实用性,实例丰富,书中给出了80多个实例让读者理解概念、原理和算法。 《Python机器学习及实践》以理论与实践相结合为出发点,介绍Python机器学习的相关内容,即使没有机器学习基础的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