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:
本店所有商品

  • 正版 机器学习原理及应用 吕云翔 王渌汀 袁琪 普通高等教育系列教材 9787111682943 机械工业出版社店
  • 新商品上架
    • 作者: 无著
    • 出版社: 机械工业出版社
    • 出版时间:2021-07
    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:
    句字图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 无著
    • 出版社:机械工业出版社
    • 出版时间:2021-07
    • ISBN:9780934951323
    • 版权提供:机械工业出版社

      商品基本信息

    商品名称:

      机器学习原理及应用

    作     者:

      吕云翔  王渌汀  袁琪  等

    市 场 价:

      59.00元

    ISBN  号:

      9787111682943

    页     数:

      212

    出 版 社:

      机械工业出版社


     

      目录

      

    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7Scikit-learn模块

    171数据集

    172模型选择

    18习题

    第2章线性回归及最大熵模型

    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最大熵模型

    231最大熵模型的导出

    232最大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

    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最大间隔及超平面

    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3K-Means聚类

    104K-Medoids聚类

    105DBSCAN

    106实例:基于K-Means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:机器人最优路径

    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计算不同位置最优路径

    参考文献


     

      内容简介

     

    《机器学习原理及应用》以机器学习及其算法为主题,详细介绍其理论细节与应用方法。《机器学习原理及应用》共19章,分别介绍了机器学习概述、线性回归与*大熵模型、k-近邻算法、决策树模型、朴素贝叶斯分类器、支持向量机模型、集成学习、EM算法、降维算法、聚类算法、神经网络模型等基础模型或算法,以及8个综合项目实例。《机器学习原理及应用》重视理论与实践相结合,希望为读者提供全面而细致的学习指导。

    《机器学习原理及应用》可作为高等院校计算机科学与技术、软件工程等相关专业的教材,也适合机器学习初学者、相关行业从业人员阅读。


     



     

    1
    • 商品详情
    • 内容简介

    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