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

  • [正版新书] 机器学习基础(第2版·题库·微课视频版) 吕云翔 王渌汀 袁琪 许丽华 王志鹏 任昌禹 清华大学出版社
  • 新商品上架
    • 作者: 吕云翔著
    • 出版社: 清华大学出版社
    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: 吕云翔著
    • 出版社:清华大学出版社
    • 开本:16开
    • ISBN:9783504926767
    • 版权提供:清华大学出版社

     书名:  机器学习基础(第2版·题库·微课视频版)
     出版社:  清华大学出版社
     出版日期  2024
     ISBN号:  9787302664093

    本书以机器学习算法为主题,详细介绍算法的理论细节与应用方法。全书共19章,分别介绍了逻辑回归及最大熵模型、k近邻模型、决策树模型、朴素贝叶斯分类器模型、支持向量机模型、集成学习框架、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。本书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。


    本书适合机器学习初学者、相关行业从业人员以及高等院校计算机科学与技术、软件工程等相关专业的师生阅读。




    理论与实践相结合,全面、系统地介绍机器学习算法的理论细节与应用方法

    包括逻辑回归与最大熵模型、k-近邻模型、决策树模型、朴素贝叶斯模型、支持向量机模型、集成学习框架、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

    8个综合项目实战阐述机器学习算法在生产生活中的应用



    目录





    随书资源







    第1章机器学习概述


    1.1机器学习的组成


    1.2分类问题及回归问题


    1.3监督学习、半监督学习和无监督学习


    1.4生成模型及判别模型


    1.5模型评估


    1.5.1训练误差及泛化误差


    1.5.2过拟合及欠拟合


    1.6正则化


    1.7Scikitlearn模块


    1.7.1数据集


    1.7.2模型选择


    习题1


    第2章逻辑回归及最大熵模型


    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


    2.5实例: 基于逻辑回归实现乳腺癌预测


    习题2



    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近邻算法实现鸢尾花分类


    习题3


    第4章决策树


    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


    习题4






    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


    习题5


    第6章支持向量机


    6.1最大间隔及超平面


    6.2线性可分支持向量机


    6.3线性支持向量机


    6.4合页损失函数


    6.5核技巧


    6.6二分类问题与多分类问题


    6.6.1一对一


    6.6.2一对多


    6.6.3多对多


    6.7实例: 基于支持向量机实现葡萄酒分类


    习题6


    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


    7.3.2AdaBoost


    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


    习题7


    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(GMM)


    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


    习题8


    第9章降维


    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


    习题9


    第10章聚类


    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


    习题10



    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


    11.10.1MNIST数据集


    11.10.2基于卷积神经网络的手写数字识别


    习题11


    第12章案例: 用户流失预警


    12.1读入数据


    12.2数据预处理和自变量标准化


    12.3五折交叉验证


    12.4代入三种模型


    12.5调整prob阈值,输出精度评估


    第13章案例: 基于回归问题和XGBoost模型的房价预测


    13.1XGBoost模型介绍


    13.2技术方案


    13.2.1数据分析


    13.2.2XGBoost模型参数


    13.2.3调参过程


    13.3完整代码及结果展示


    第14章案例: 基于KMeans算法的鸢尾花数据聚类和可视化


    14.1数据及工具简介


    14.1.1Iris数据集(鸢尾花数据集)


    14.1.2Tkinter


    14.2案例分析


    14.2.1模块引入


    14.2.2布局图形界面


    14.2.3读取数据文件


    14.2.4聚类


    14.2.5聚类结果可视化


    14.2.6误差分析及其可视化


    14.2.7使用流程


    第15章案例: 影评数据分析与电影推荐


    15.1明确目标与准备数据


    15.2工具选择


    15.3初步分析


    15.3.1用户角度分析


    15.3.2电影角度分析


    15.4电影推荐


    第16章案例: 股价预测


    16.1使用Tsfresh进行升维和特征工程


    16.2程序设计思路


    16.3程序设计步骤


    16.3.1读入并分析数据


    16.3.2移窗


    16.3.3升维


    16.3.4方差过滤


    16.3.5使用AdaBoostRegressor模型进行回归预测


    16.3.6预测结果分析


    第17章案例: 使用CRF实现命名实体识别


    17.1模型定义


    17.2数据预处理


    17.3模型训练


    17.4模型预测



    第18章案例: 利用手机的购物评论分析手机特征


    18.1数据准备


    18.2数据分析


    18.2.1模型介绍


    18.2.2算法应用


    18.2.3名词提取


    18.2.4情感分析


    第19章案例: 基于CNN的手写数字识别


    19.1MINST数据集介绍与分析


    19.2基于 CNN 的构建与训练



    参考文献





     

    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