由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
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
¥ ×1
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 11机器学习的组成 12分类问题和回归问题 13监督学习、半监督学习和 无监督学习 14生成模型和判别模型 15模型评估 151训练误差和泛化误差 152过拟合和欠拟合 16正则化 17Scikit-learn模块 171数据集 172模型选择 18习题 第2章线性回归及最大熵模型 21线性回归 211一元线性回归 212多元线性回归 22广义线性回归 221逻辑回归 222多分类逻辑回归 223交叉熵损失函数 23最大熵模型 231最大熵模型的导出 232最大熵模型与逻辑回归之间的 关系 24评价指标 241混淆矩阵 242准确率 243精确率与召回率 244PR曲线 245ROC曲线与AUC曲线 25实例:基于逻辑回归实现乳腺癌 预测 26习题 第3章k-近邻算法 31k值的选取 32距离的度量 33快速检索 34实例:基于k-近邻实现鸢尾花 分类 35习题 第4章决策树模型 41特征选择 411信息增益 412信息增益比 42决策树生成算法CART 43决策树剪枝 431预剪枝 432后剪枝 44实例:基于决策树实现葡萄酒 分类 45习题 第5章朴素贝叶斯分类器 51极大似然估计 52朴素贝叶斯分类 53拉普拉斯平滑 54朴素贝叶斯分类器的极大似然 估计解释 55实例:基于朴素贝叶斯实现垃圾 短信分类 56习题 第6章支持向量机模型 61最大间隔及超平面 62线性可分支持向量机 63合页损失函数 64核技巧 65二分类问题与多分类问题 651一对一 652一对多 653多对多 66实例:基于支持向量机实现 葡萄酒分类 67习题 第7章集成学习 71偏差与方差 72Bagging及随机森林 721Bagging 722随机森林 73Boosting及AdaBoost 731Boosting 733AdaBoost 74提升树 741残差提升树 742GBDT 743XGBoost 75Stacking 76实例:基于梯度下降树实现 波士顿房价预测 77习题 第8章EM算法及其应用 81Jensen不等式 82EM算法 83高斯混合模型 84隐马尔可夫模型 841计算观测概率的输出 842估计隐马尔可夫模型的参数 843隐变量序列预测 85实例:基于高斯混合模型实现 鸢尾花分类 86习题 第9章降维算法 91主成分分析 911方差即协方差的无偏估计 912实例:基于主成分分析实现 鸢尾花数据降维 92奇异值分解 921奇异值分解的构造 922奇异值分解用于数据压缩 923SVD与PCA的关系 924奇异值分解的几何解释 925实例:基于奇异值分解实现图片 压缩 93习题 第10章聚类算法 101距离度量 1011闵可夫斯基距离 1012余弦相似度 1013马氏距离 1014汉明距离 102层次聚类 103K-Means聚类 104K-Medoids聚类 105DBSCAN 106实例:基于K-Means实现 鸢尾花聚类 107习题 第11章神经网络与深度学习 111神经元模型 112多层感知机 113损失函数 114反向传播算法 1141梯度下降法 1142梯度消失及梯度爆炸 115卷积神经网络 1151卷积 1152池化 1153网络架构 116循环神经网络 117生成对抗网络 118图卷积神经网络 119深度学习发展 1110实例:基于卷积神经网络 实现手写数字识别 11101MINST数据集 11102基于卷积神经网络的手写 数字识别 1111习题 第12章案例1:基于回归问题、 XGBoost的房价预测 121XGBoost模型介绍 122技术方案 1221数据分析 1222XGBoost模型参数 1223调参过程 123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 131明确目标与数据准备 132工具选择 133初步分析 1331用户角度分析 1332电影角度分析 134电影推荐 第14章案例3:汽车贷款违约的 数据分析 141数据分析常用的Python 工具库 142数据样本分析 1421数据样本概述 1422变量类型分析 1423Python代码实践 143数据分析的预处理 1431目标变量探索 1432X变量初步探索 1433连续变量的缺失值处理 1434分类变量的缺失值处理 144数据分析的模型建立与模型 评估 1441数据的预处理与训练集划分 1442采用回归模型进行数据分析 1443采用决策树模型进行数据 分析 1444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 151KNN模型的初级构建 152使用专业工具包构建KNN 模型 153数据可视化 第16章案例5:使用Keras进行人 脸关键点检测 161深度学习模型 1611数据集获取 1612卷积神经网络的搭建与训练 162模型评价 163训练历史可视化 第17章案例6:股价预测 171使用tsfresh进行升维和特征 工程 172程序设计思路 173程序设计步骤 1731读入数据,分析数据 1732移窗 1733升维 1734方差过滤 1735使用Adaboost模型进行回归 预测 1736预测结果分析 第18章案例7:用户流失预警 181读入数据 182数据预处理 183五折交叉验证 184代入三种模型 185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 191关键技术 1911马尔科夫决策过程 1912Bellman方程 192程序设计步骤 1921初始化迷宫地图 1922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。
|
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格