近些年机器学习发展迅猛,早已从科研领域延伸到了商业领域,新技术和新应用不断涌现,其中Python语言光芒难掩。越来越多的发者和研究人员选择了Python,Python也助推了机器学习和数据科学的发展。 本书是基于Python的机器学习指南,全面介绍了各种强大的机器学习技术,不仅清晰阐释了基本的算法和概念,而且运用丰富的Python代码示例展示了各种复杂算法的实现与应用,此外还介绍了如何使用流行的机器学习库和框架。对于想要了解数据科学领域中的新展,以提高自身技能的Python发人员、分析师和数据科学家来说,本书值得一读。 - 利用无监督学习技术识别数据集的内在模式与结构 - 掌握受限玻尔兹曼机和深度信念网络的工作原理 - 使用堆叠降噪自编码机构建深度架构 - 应用卷积神经网络解决图像分类问题 - 学习CPLE、自学习和S3VM等半监督学习技术 - 运用强大的特征工程技术提升模型性能 - 使用集成技术提升深度学习模型的效率 - 介绍Lasagne、TensorFlow等机器学习工具
售 价:¥
纸质售价:¥43.90购买纸书
温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印
为你推荐
版权声明
前言
什么是高级机器学习
你将从本书中得到什么
本书导读
阅读前提
读者对象
排版约定
读者反馈
用户支持
第 1 章 无监督机器学习
1.1 主成分分析
1.2 k均值聚类
1.3 自组织映射
1.4 扩展阅读
1.5 小结
第 2 章 深度信念网络
2.1 神经网络入门
2.2 受限玻尔兹曼机
2.3 深度信念网络
2.4 扩展阅读
2.5 小结
第 3 章 堆叠式降噪自编码机
3.1 自编码机
3.2 堆叠式降噪自编码机
3.3 扩展阅读
3.4 小结
第 4 章 卷积神经网络
4.1 CNN介绍
4.2 扩展阅读
4.3 小结
第 5 章 半监督学习
5.1 简介
5.2 何为半监督学习
5.3 半监督算法实战
5.4 扩展阅读
5.5 小结
第 6 章 文本特征工程
6.1 介绍
6.2 文本特征工程
6.3 扩展阅读
6.4 小结
第 7 章 特征工程II
7.1 介绍
7.2 创建特征集
7.3 特征工程实战
7.4 扩展阅读
7.5 小结
第 8 章 集成方法
8.1 集成简介
8.2 在动态应用中使用模型
8.3 扩展阅读
8.4 小结
第 9 章 其他Python机器学习工具
9.1 可选的开发工具
9.2 扩展阅读
9.3 小结
附录 代码运行要求
看完了
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜