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

  • Python机器学习算法: 原理、实现与案例 Python 机器学习 线性回归 人工智能 数据分析 数据挖掘
  • 新商品上架
    • 作者: 刘硕著
    • 出版社: 清华大学出版社
    • 出版时间:1
    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: 刘硕著
    • 出版社:清华大学出版社
    • 出版时间:1
    • 开本:16开
    • ISBN:9781625091472
    • 版权提供:清华大学出版社

     书名:  Python机器学习算法: 原理、实现与案例
     出版社:  清华大学出版社
     出版日期  2019
     ISBN号:  9787302536505

    本书用平实的语言深入浅出地介绍当前热门的机器学习经典算法,包括线性回归、Logistic回归与Softmax回归、决策树(分类与回归)、朴素贝叶斯、支持向量机、K近邻学习、K-Means和人工神经网络,针对每一个算法首先介绍数学模型及原理,然后根据模型和算法描述使用Python编程和Numpy库进行算法实现,最后通过案例让读者进一步体会算法的应用场景以及应用时所需注意的问题。
    本书适合准备进入人工智能和数据分析与挖掘领域的初学者,对机器学习算法感兴趣的爱好者、程序员、大学生和各类IT培训班的学员使用。

    刘硕,硕士,曾就职于知名外企,从事一线开发工作10年,目前主要从事Python开发与教学及机器学习算法的研究工作,在慕课网开设有多门Python课程,深受学员欢迎。

    详细阐述数学模型的理论基础和算法原理
    使用Python编程和基于Numpy的算法实现,代码注释详尽
    通过项目实战深入体验算法的应用场景及其使用中需注意的问题

    第1章  线性回归    1
    1.1  线性回归模型    1
    1.2  最小二乘法    2
    1.3  梯度下降    4
    1.3.1  梯度下降算法    4
    1.3.2  随机梯度下降和小批量梯度下降    6
    1.4  算法实现    7
    1.4.1  最小二乘法    7
    1.4.2  梯度下降    9
    1.5  项目实战    12
    1.5.1  准备数据    12
    1.5.2  模型训练与测试    13
    第2章  Logistic回归与Softmax回归    20
    2.1  Logistic回归    20
    2.1.1  线性模型    20
    2.1.2  logistic函数    21
    2.1.3  Logistic回归模型    23
    2.1.4  极大似然法估计参数    24
    2.1.5  梯度下降更新公式    25
    2.2  Softmax回归    26
    2.2.1  Softmax函数    26
    2.2.2  Softmax回归模型    27
    2.2.3  梯度下降更新公式    27
    2.3  编码实现    28
    2.3.1  Logistic回归    28
    2.3.2  Softmax回归    32
    2.4  项目实战    36
    2.4.1  Logistic回归    36
    2.4.2  Softmax回归    43
    第3章  决策树——分类树    46
    3.1  决策树模型    46
    3.2  生成决策树    48
    3.3  切分特征的选择    49
    3.3.1  信息熵    49
    3.3.2  条件信息熵    50
    3.3.3  信息增益    51
    3.3.4  信息增益比    53
    3.4  算法实现    53
    3.5  绘制决策树    57
    3.6  项目实战    64
    3.6.1  准备数据    64
    3.6.2  模型训练与测试    66
    第4章  决策树——分类回归树    70
    4.1  CART算法的改进    70
    4.2  处理连续值特征    71
    4.3  CART分类树与回归树    72
    4.3.1  CART分类树    72
    4.3.2  CART回归树    74
    4.4  算法实现    75
    4.4.1  CART分类树    75
    4.4.2  CART回归树    80
    4.5  项目实战    85
    4.5.1  CART分类树    85
    4.5.2  CART回归树    89
    第5章  朴素贝叶斯    95
    5.1  朴素贝叶斯模型    95
    5.1.1  贝叶斯公式    95
    5.1.2  贝叶斯分类器    97
    5.1.3  朴素贝叶斯分类器    97
    5.2  模型参数估计    98
    5.2.1  极大似然估计    98
    5.2.2  贝叶斯估计    102
    5.3  算法实现    103
    5.4  项目实战    105
    5.4.1  准备数据    106
    5.4.2  模型训练与测试    108
    第6章  支持向量机    110
    6.1  线性可分支持向量机    110
    6.1.1  分离超平面    110
    6.1.2  间隔最大化    112
    6.1.3  拉格朗日对偶法    113
    6.1.4  分类决策函数    116
    6.1.5  线性可分支持向量机算法    117
    6.2  线性支持向量机    118
    6.2.1  软间隔最大化    118
    6.2.2  线性支持向量机算法    121
    6.3  非线性支持向量机    122
    6.3.1  空间变换    122
    6.3.2  核技巧    123
    6.3.3  非线性支持向量机算法    124
    6.4  SMO算法    125
    6.4.1  两个变量最优化问题的求解    126
    6.4.2  变量选择    129
    6.4.3  更新b    131
    6.4.4  更新E缓存    132
    6.5  算法实现    133
    6.6  项目实战    139
    6.6.1  准备数据    140
    6.6.2  模型训练与测试    141
    第7章  k近邻学习    145
    7.1  kNN学习    145
    7.1.1  kNN学习模型    145
    7.1.2  距离的度量    146
    7.1.3  k值的选择    149
    7.2  kNN的一种实现:k-d树    150
    7.2.1  构造k-d树    150
    7.2.2  搜索k-d树    153
    7.3  算法实现    155
    7.3.1  线性扫描版本    155
    7.3.2  k-d树版本    157
    7.4  项目实战    161
    7.4.1  准备数据    162
    7.4.2  模型训练与测试    163
    第8章  K-Means    167
    8.1  K-Means    167
    8.1.1  距离的度量    168
    8.1.2  聚类算法的性能    169
    8.1.3  K-Means算法    171
    8.2  K-Means++    172
    8.3  算法实现    173
    8.3.1  K-Means    173
    8.3.2  K-Means++    176
    8.4  项目实战    179
    8.4.1  准备数据    180
    8.4.2  模型训练与测试    181
    第9章  人工神经网络    184
    9.1  神经网络    184
    9.1.1  人造神经元    184
    9.1.2  神经网络    187
    9.2  反向传播算法    188
    9.2.1  输出节点的权值更新    189
    9.2.2  隐藏节点的权值更新    190
    9.3  算法实现    192
    9.3.1  神经网络分类器    192
    9.3.2  神经网络回归器    196
    9.4  项目实战    202
    9.4.1  准备数据    203
    9.4.2  模型训练与测试    206

    近年来,机器学习技术已经渗透到我们日常生活的各个方面,比如网上购物时的商品推荐、浏览网页时的广告推送、手机拍照后的图像处理、电子邮箱中的垃圾邮件过滤、停车场出入口的车牌识别、各种游戏中的机器人玩家以及汽车厂商正在研发的无人驾驶等,机器学习技术的应用随处可见,并且它的发展极其迅猛,在更多领域令人兴奋(或恐惧)的应用已被研发出来或正在研发中。
    尤瓦尔?赫拉利在其畅销书《未来简史》中表明了一个观点:未来的世界由机器学习算法掌控。当了解到像谷歌、苹果、亚马逊、IBM这样的大公司投入巨资用于机器学习的理论和应用研究,并且时不时就听到AI在某领域把人类打得一败涂地的新闻时,或许我们就不会认为赫拉利的观点是离谱的异端邪说,或出于好奇,或出于恐惧,或出于实际的目的,我们都应有充足的动力学习机器学习。
    市面上机器学习的书已经很多了,大体上分为两类:一类是偏重机器学习理论的书,这种类型的书,算法理论部分大都介绍得很详细,但对于算法仅给出粗略的伪代码,而没有详尽的编码实现,也没有提供案例应用,在初学者对机器学习了解甚少的情况下,直接面对枯燥烦琐的数学推导,难免痛苦与沮丧。另外,由于初学者很难直接根据理论自己实现算法以及恰当地运用算法进行项目实践,因此无法验证学习成果。另一类是偏重机器学习应用的书,这类书对算法的理论进行了简单的提及,省略了有助于理解的重要数学推导,且大多数不会带领读者编码实现一个算法,而是直接使用开源库(如sklearn)中实现的算法,这类书算法的案例应用部分介绍得很详细,初学者会对机器学习应用有所了解,但由于理论匮乏且没有亲自动手实现算法,故导致无法深入理解算法,学习一段时间后大部分内容便忘记了。
    本书是一本写给初学者的机器学习算法入门书,试图填补以上两类书的不足。本书在讲解算法时,首先详细介绍数学模型及原理,然后带领读者根据模型和算法描述进行算法实现,最后通过案例让读者进一步体会算法的应用场景以及应用时所需注意的问题。其中,算法实现部分是本书的重点,这部分所有算法的实现都基于Numpy这样一个非常底层的数学库,这就意味着需自己手工实现更多的细节,例如在计算损失函数的梯度时,需要手工推导计算梯度的数学公式,然后对照公式编码实现计算梯度的函数,相信本书的这种做法对初学者来说是一个有益的训练。另外,书中几乎每一行代码都给出了详尽的注释,通过代码注释来讲解算法的实现能给读者带来更好的体验,也便于读者理解编码的思想。
    本书精选了经典的机器学习算法进行讲解,主要包括:
    ?    线性回归
    ?    Logistic回归与Softmax回归
    ?    决策树(分类与回归)
    ?    朴素贝叶斯
    ?    支持向量机
    ?    k近邻学习
    ?    K-Means
    ?    人工神经网络
    以上算法涵盖机器学习领域重要的思想,建议初学者在学完本书后能深入理解并自己实现以上算法,它们是日后在机器学习领域继续深入学习的基础。
    本书还提供了算法示例的源代码,读者可以扫描以下二维码下载:
     
    如何在下载过程中遇到问题,请联系booksaga@163.com,邮件主题为“Python机器学习算法:原理、实现与案例下载资源”。
    由于笔者水平有限,书中难免出现纰漏,恳请读者不吝赐教。
    最后,感谢清华大学出版社的王金柱编辑对笔者的信任和在写作方面的指点,我们的第二次合作非常愉快。



    刘  硕
    2019年7月



    清华大学出版社官方旗舰店

    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