| 书名： | 机器学习——原理、算法与Python实战（微课视频版） |
| 出版社： | 清华大学出版社 |
| 出版日期 | 2022 |
| ISBN号： | 9787302616603 |
| |
| 本书以Python为开发语言，采用理论与实践相结合的形式，系统全面地介绍了机器学习涉及的核心知识。本书共6章，其中第1章介绍机器学习的基础知识，包括机器学习的概念、分类、研究范围、开发环境等，介绍第一个机器学习案例； 第2、3章介绍机器学习的主要方法： 监督学习与无监督学习，涉及目前机器学习最为流行的经典算法和模型，如KNN、朴素贝叶斯、决策树、线性回归、逻辑回归、SVM、神经网络、PCA降维、KMeans，每个算法模型都配有代码及可视化演示，让读者能更直观形象地理解机器学习； 第4章介绍机器学习非常重要的数据处理方法： 特征工程，特征工程能进一步提高机器学习算法的性能； 第5章介绍机器学习模型的评估与优化，通过评估判断模型优劣，评估后利用优化方法使其达到生产需求； 第6章介绍机器学习的应用案例，让读者更直观地感受机器学习在生产生活中的实际用途。 本书附有配套教学课件、源代码、习题，供读者实践，旨在通过边学边练的方式，巩固所学知识，提升开发能力。 本书可作为高等学校计算机相关专业的教材，也可作为机器学习工程技术人员的参考用书。 |
| |
|
|
| |
| 由机器学习驱动的人工智能领域在过去十年中经历了一些惊人的变化。从一个纯粹的学术和研究领域开始，已经跨越多个领域，进入多个行业。包括推荐系统、自动驾驶技术、图像/语音/文本处理等技术正在多个领域广泛应用，并取得了巨大的商业价值。机器学习是人工智能的组成部分，是人工智能的核心。 由于多个领域的广泛应用，催生了巨大的人才需求，为此，近年来，各高校纷纷开设智能科学与技术专业，人工智能专业，数据科学与大数据专业。传统的计算机科学与技术专业，软件工程专业也开设人工智能方向。机器学习是其中重要的核心课程，学习和掌握机器学习技术具有巨大的社会需求。 目前很难选择一部适合应用类高校学生特点的机器学习教材，在次背景下，我们选择编写以面向实际应用，以理论学习与案例应用并重的机器学习教材。 |
| |
| 随书资源 第1章机器学习基础
1.1机器学习
1.1.1什么是机器学习
1.1.2从数据中学习
1.1.3机器学习能够解决的问题
1.2机器学习的分类
1.2.1学习方式
1.2.2算法的分类
1.3机器学习的范围
1.4编程语言与开发环境
1.4.1选择Python的原因
1.4.2安装开发环境
1.4.3Scikitlearn
1.5第一个机器学习应用： 鸢尾花分类
1.5.1特征数据与标签数据
1.5.2训练数据与测试数据
1.5.3构建机器学习模型
1.5.4预测与评估
1.6本章小结
习题
第2章监督学习
2.1监督学习概念与术语
2.1.1监督学习工作原理
2.1.2分类与回归
2.1.3泛化
2.1.4欠拟合
2.1.5过拟合
2.1.6不收敛
2.2K近邻算法
2.2.1K近邻分类
2.2.2K近邻回归
2.3朴素贝叶斯
2.3.1贝叶斯定理
2.3.2朴素贝叶斯算法步骤
2.3.3在Scikitlearn中使用贝叶斯分类
2.4决策树
2.4.1决策树的基本思想
2.4.2决策树学习算法
2.4.3构造决策树
2.4.4决策树的优化与可视化
2.4.5决策树回归
2.5线性模型
2.5.1线性回归
2.5.2岭回归与Lasso回归
2.5.3多项式回归
2.5.4线性分类模型
2.6逻辑回归
2.6.1逻辑回归模型介绍
2.6.2逻辑回归算法实现
2.7支持向量机
2.7.1支持向量
2.7.2线性SVM分类
2.7.3核技巧
2.7.4SVM回归
2.7.5Scikitlearn SVM参数
2.8集成学习方法
2.8.1集成学习
2.8.2Bagging和Pasting
2.8.3随机森林
2.8.4提升法
2.9人工神经网络
2.9.1从生物神经元到人工神经元
2.9.2感知器学习
2.9.3神经网络的训练过程
2.9.4神经网络应用案例
2.10分类器的不确定度估计
2.10.1决策函数
2.10.2预测概率
2.11本章小结
习题
第3章无监督学习与数据预处理
3.1无监督学习
3.1.1无监督学习的类型
3.1.2无监督学习的挑战
3.2数据预处理
3.2.1数据清洗
3.2.2数据变换
3.2.3数据集成
3.2.4数据规约
3.3降维
3.3.1数据压缩
3.3.2数据可视化
3.3.3降维的主要方法
3.3.4PCA
3.3.5利用PCA实现半导体制造数据降维
3.4聚类
3.4.1KMeans聚类
3.4.2均值偏移聚类
3.4.3DBSCAN
3.4.4高斯混合模型的期望最大化(EM)聚类
3.4.5层次聚类
3.5本章小结
习题
第4章特征工程
4.1特征理解
4.2特征增强
4.2.1EDA
4.2.2处理数据缺失
4.2.3标准化和归一化
4.3特征构建
4.3.1特征构建的基础操作
4.3.2特征构建的数值变量扩展
4.3.3文本变量处理
4.4特征选择
4.4.1单变量特征选择
4.4.2模型特征选择
4.4.3迭代特征选择
4.5特征转换
4.5.1PCA
4.5.2LDA
4.6特征学习
4.6.1数据的参数假设
4.6.2受限玻尔兹曼机(RBM)
4.6.3词嵌入
4.7本章小结
习题
第5章模型评估与优化
5.1算法链与管道
5.1.1用管道方法简化工作流
5.1.2通用的管道接口
5.2交叉验证
5.2.1K折交叉验证
5.2.2分层K折交叉验证
5.3模型评价指标
5.3.1误分类的不同影响
5.3.2混淆矩阵
5.3.3分类的不确定性
5.3.4准确率召回率曲线
5.3.5受试者工作特征（ROC）与AUC
5.3.6多分类指标
5.3.7回归指标
5.3.8在模型选择中使用评估指标
5.4处理类的不平衡问题
5.4.1类别不平衡问题
5.4.2解决类别不平衡问题
5.5网格搜索优化模型
5.5.1简单网格搜索选择超参数
5.5.2验证集用于选择超参数
5.5.3带交叉验证的网格搜索
5.6本章小结
习题
第6章机器学习应用案例
6.1电影推荐系统
6.1.1推荐系统基础
6.1.2推荐引擎算法
6.1.3相似度指标
6.1.4电影推荐系统实战
6.2情感分析系统
6.2.1情感分析概述
6.2.2导入数据集
6.2.3词袋模型
6.2.4TFIDF
6.2.5数据预处理
6.2.6训练模型
6.2.7模型评估及调优
6.3房价预测系统
6.3.1案例背景
6.3.2数据处理及可视化分析
6.3.3训练模型
6.3.4模型评估
6.3.5模型调优
6.4人脸识别
6.4.1概述
6.4.2加载数据集
6.4.3训练模型
6.4.4测试模型
6.4.5PCA主成分分析
6.4.6模型调优
6.5本章小结
习题 |
| |
| 以云计算、大数据、人工智能为引领的新一轮技术进步正在融入各行各业，在这样一个转型阶段，人工智能备受关注。人工智能取得革命性进步背后的推手，其实是机器学习(Machine Learning)。由机器学习驱动的人工智能领域在过去十多年中经历了一些惊人的变化，它从一个纯粹的学术研究领域开始，到现在已经看到广泛的行业正在采用机器学习技术。跨越多个领域的应用正在蓬勃发展，包括推荐系统、自动驾驶技术、图像、语音、文本处理等技术正在多个领域广泛应用，并取得了巨大的商业价值。机器学习是人工智能的组成部分，是人工智能的核心。 由于多个领域的广泛应用，催生了巨大的人才需求，为此，近年来，各高校纷纷开设智能科学与技术专业、人工智能专业、数据科学与大数据专业。传统的计算机科学与技术专业、软件工程专业也开设了人工智能方向，而机器学习是其中重要的核心课程，学习和掌握机器学习技术具有巨大的社会需求。在此背景下，希望这本以面向应用为主的机器学习教材可以帮助读者更好、更快地进入机器学习领域。 机器学习其实是一门多领域交叉学科，它涉及计算机科学、概率统计、函数逼近论、最优化理论、控制论、决策论、算法复杂度理论、实验科学等多个学科。机器学习也因此有许多不同的具体定义，分别因学科视角不同而有差异。但总体上讲，其关注的核心问题是如何用计算的方法模拟人类的学习行为，从历史经验中获取规律(或模型)，并将其应用到新的类似场景中。 机器学习是用算法指导计算机利用已知数据自主构建合理的模型，并利用此模型对新的情境给出判断的过程。它不同于传统软件程序，因为传统软件由人编写指令，软件按照这些预先编写的逻辑规则运行，输出结果。机器学习则是通过大量数据的输入，机器学习算法从中主动寻求规律(模型)，评估模型的性能，然后用学习到的模型在新的数据上得出结论，自主解决问题。 机器学习之所以重要，是因为它可以为复杂问题提供解决方案。相对于传统程序设计，这些解决方案具有更高的鲁棒性和更多的策略动态。因为计算机程序使数据处理过程得以自动化，它通常是线性的、基于过程和规则逻辑的。而有些复杂问题，想通过传统程序设计方法来解决通常不可行。如下面这些问题，可以描述，却不能通过传统程序解决。这类问题具有如下特点： (1) 无法界定输入数据的属性范围。 (2) 数据属性太多，无法设计出逻辑去实现程序的目标。 (3) 规则太复杂，无法设计出实现目标的所有逻辑。 (4) 可以收集输入数据的样例，需要将样例中的规律推广到更广泛的数据上。 这类问题对基于过程和因果逻辑的传统程序解决方案来说很难实现，或者即使实现了，但其性能也很差。总体上来说，传统程序设计基于因果逻辑，而机器学习采用的算法基于概率统计和经验反馈。 由此可以看出，机器学习概念广泛，算法过程复杂，以不同的定位和视角学习的内容会有非常大的区别。本书立足于应用，以算法思想替代了机器学习算法的复杂数学公式推导，降低了读者的数学门槛，以大量的案例和具体的项目为线索来学习机器学习的各种算法和应用，让读者学以致用，快速进入机器学习领域。全书共有45个程序，分别实现了各种算法和机器学习技术。4个完整的机器学习项目分别是推荐系统、情感分析系统、预测和人脸识别，每个案例都详细地介绍了采用机器学习技术实现这些应用的步骤和流程，读者掌握这些方法后，就可以用来解决自己面对的各种机器学习问题。 全书以Python为开发语言实现机器学习的各种算法和应用，采用理论与实践相结合的形式，系统全面地介绍机器学习算法与应用。本书共6章，第1章介绍机器学习的基础知识，包括机器学习的基本概念，机器学习的分类和范围。第2章介绍机器学习的监督学习算法，涵盖了机器学习常用的经典算法和模型，包括： K近邻、朴素贝叶斯、决策树、线性回归、逻辑回归、SVM、神经网络等，这些算法和模型采用原理与代码相结合的方式进行讲解。第3章介绍无监督学习与数据预处理，包括数据变换、可视化、降维、聚类等无监督学习常用算法。第4章介绍特征工程，良好的特征工程通常可以提高模型的性能。第5章介绍模型的评估与优化，机器学习模型的多种评价指标以及搜索最有价值模型参数的技术和方法。第6章介绍机器学习在推荐系统、情感分析系统、预测与人脸识别问题上的应用案例。 本书由刘华春老师编写第1章和第2章，姚捃老师编写第3章和第4章，侯向宁老师编写第5章和第6章。本书配套有全部的电子课件和软件程序，可以在清华大学出版社官方网站下载。 在编写过程中，每位作者均付出了很多努力，力求算法描述可理解、案例生动、语言表述简洁。机器学习是一个范围广泛、博大精深的领域，由于编写时间有限，错误和不足在所难免，希望广大读者提出宝贵的意见，以便我们不断完善本书，在此表示感谢！
编者 2022年6月 |
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
![[正版新书] 机器学习——原理、算法与Python实战(微课视频版) 姚捃 清华大学出版社](http://imgservice.suning.cn/uimg1/b2c/image/UT_Vamf4kbaXEMhA4Umjsw.jpg_400w_400h_4e)
![[正版新书] 机器学习——原理、算法与Python实战(微课视频版) 姚捃 清华大学出版社](http://imgservice.suning.cn/uimg1/b2c/image/UT_Vamf4kbaXEMhA4Umjsw.jpg_60w_60h_4e)
![[正版新书] 机器学习——原理、算法与Python实战(微课视频版) 姚捃 清华大学出版社](http://imgservice.suning.cn/uimg1/b2c/image/kCGdgyH_55GsKxMMXcgIyw.jpg_60w_60h_4e)
![[正版新书] 机器学习——原理、算法与Python实战(微课视频版) 姚捃 清华大学出版社](http://imgservice.suning.cn/uimg1/b2c/image/LprxitO0wSSpxu6QdIidMw.jpg_60w_60h_4e)
![[正版新书] 机器学习——原理、算法与Python实战(微课视频版) 姚捃 清华大学出版社](http://imgservice.suning.cn/uimg1/b2c/image/G1UEfjQWLh-UL6IMiGmIVw.jpg_60w_60h_4e)
![[正版新书] 机器学习——原理、算法与Python实战(微课视频版) 姚捃 清华大学出版社](http://imgservice.suning.cn/uimg1/b2c/image/UViOZpt0v3dnInVQbfYKpg.jpg_60w_60h_4e)
