初学者学习机器学习课程一般都会面临两大障碍。*大障碍是数学基础。机器学习要求有数学基础，书中大量的公式是初学者的噩梦，尤其是对于已经离大学走向工作岗位的爱好者来说，从头始去学习和理解数据分布和模型背后的数学原理需要花费很多的时间和精力，学习周期非常漫长。第二大障碍是编程实践。并不是所有人都擅长编代码，而只有亲手用代码实现机器学习的各种算法，亲眼见到算法解决了实际问题，才能更深理解算法。除非想做高精尖的前沿研究，理论研究和公式推导并非大多数人的专长，如果只是想更合理地应用机器学习来解决实际问题，掌握必需的数学知识就可以理解问题该如何解决，使用Python编程实现机器学习算法也比使用C 或Java等语言容易得多。
售 价：¥
纸质售价：¥37.90购买纸书
6.2
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
封面页
书名页
版权页
内容简介
前言
第1章 机器学习介绍
1.1 机器学习简介
1.1.1 什么是机器学习
1.1.2 机器学习与日常生活
1.1.3 如何学习机器学习
1.1.4 Python的优势
1.2 基本概念
1.2.1 机器学习的种类
1.2.2 有监督学习
1.2.3 无监督学习
1.2.4 机器学习的术语
1.2.5 预处理
1.3 Numpy数据格式
1.3.1 标称数据
1.3.2 序数数据
1.3.3 分类数据
1.4 示例数据集
1.4.1 天气问题
1.4.2 鸢尾花
1.4.3 其他数据集
1.5 了解你的数据
习题
第2章 线性回归
2.1 从一个实际例子说起
2.1.1 模型定义
2.1.2 模型假设
2.1.3 模型评估
2.2 最小二乘法
2.2.1 最小二乘法求解参数
2.2.2 用最小二乘法来拟合奥运会数据
2.2.3 预测比赛结果
2.3 梯度下降
2.3.1 基本思路
2.3.2 梯度下降算法
2.3.3 梯度下降求解线性回归问题
2.4 多变量线性回归
2.4.1 多变量线性回归问题
2.4.2 多变量梯度下降
2.4.3 随机梯度下降
2.4.4 小批量梯度下降
2.4.5 正规方程
2.5 多项式回归
2.5.1 多项式回归算法
2.5.2 正则化
习题
第3章 逻辑回归
3.1 逻辑回归介绍
3.1.1 线性回归用于分类
3.1.2 假设函数
3.1.3 决策边界
3.2 逻辑回归算法
3.2.1 代价函数
3.2.2 梯度下降算法
3.2.3 SciPy优化函数
3.2.4 多项式逻辑回归
3.3 多元分类
3.3.1 一对多
3.3.2 一对一
3.3.3 Softmax回归
习题
第4章 贝叶斯分类器
4.1 简介
4.1.1 概述
4.1.2 判别模型和生成模型
4.1.3 极大似然估计
4.2 高斯判别分析
4.2.1 多元高斯分布
4.2.2 高斯判别模型
4.3 朴素贝叶斯
4.3.1 朴素贝叶斯算法
4.3.2 文本分类
习题
第5章 模型评估与选择
5.1 简介
5.1.1 训练误差与泛化误差
5.1.2 偏差和方差
5.2 评估方法
5.2.1 训练集、验证集和测试集划分
5.2.2 交叉验证
5.3 性能度量
5.3.1 常用性能度量
5.3.2 查准率和查全率
5.3.3 ROC和AUC
5.4 偏差与方差折中
5.4.1 偏差方差诊断
5.4.2 正则化与偏差和方差
5.4.3 学习曲线
习题
第6章 K-均值算法和EM算法
6.1 聚类分析
6.1.1 K-means算法
6.1.2 K-means算法的应用
6.1.3 注意事项
6.2 EM算法
6.2.1 基本EM算法
6.2.2 EM算法的一般形式
6.2.3 混合高斯模型
习题
第7章 决策树
7.1 决策树介绍
7.2 ID3算法
7.2.1 信息熵
7.2.2 信息增益计算示例
7.2.3 ID3算法描述
7.2.4 ID3算法实现
7.3 C4.5算法
7.3.1 基本概念
7.3.2 剪枝处理
7.3.3 C4.5算法描述
7.3.4 C4.5算法实现
7.4 CART算法
7.4.1 CART算法介绍
7.4.2 CART算法描述
7.4.3 CART算法实现
习题
第8章 神经网络
8.1 神经网络介绍
8.1.1 从一个实例说起
8.1.2 神经元
8.1.3 神经网络结构
8.1.4 简化的神经网络模型
8.1.5 细节说明
8.2 神经网络学习
8.2.1 代价函数
8.2.2 BP算法
8.2.3 BP算法实现
8.3 神经网络实现
8.3.1 MNIST神经网络实现
8.3.2 逻辑异或的神经网络实现
习题
第9章 隐马尔科夫模型
9.1 隐马尔科夫模型基本概念
9.1.1 离散马尔科夫过程
9.1.2 扩展至隐马尔科夫模型
9.1.3 HMM的组成和序列生成
9.1.4 三个基本问题
9.2 求解HMM三个基本问题
9.2.1 评估问题
9.2.2 解码问题
9.2.3 学习问题
习题
第10章 支持向量机
10.1 支持向量机介绍
10.2 最大间隔超平面
10.2.1 SVM问题的形式化描述
10.2.2 函数间隔和几何间隔
10.2.3 最优间隔分类器
10.2.4 使用优化软件求解SVM
10.3 对偶算法
10.3.1 SVM对偶问题
10.3.2 使用优化软件求解对偶SVM
10.4 非线性支持向量机
10.4.1 核技巧
10.4.2 常用核函数
10.5 软间隔支持向量机
10.5.1 动机及原问题
10.5.2 对偶问题
10.5.3 使用优化软件求解软间隔对偶SVM
10.6 SMO算法
10.6.1 SMO算法描述
10.6.2 简化SMO算法实现
10.7 LibSVM
10.7.1 LibSVM的安装
10.7.2 LibSVM函数
10.7.3 LibSVM实践指南
习题
第11章 推荐系统
11.1 推荐系统介绍
11.1.1 什么是推荐系统
11.1.2 数据集描述
11.1.3 推荐系统符号
11.2 基于用户的协同过滤
11.2.1 相似性度量
11.2.2 算法描述
11.2.3 算法实现
11.3 基于物品的协同过滤
11.3.1 调整余弦相似度和预测
11.3.2 Slope One算法描述与实现
11.4 基于内容的协同过滤算法与实现
11.4.1 算法描述
11.4.2 算法实现
习题
第12章 主成分分析
12.1 主成分分析介绍
12.2 本征值与奇异值分解
12.2.1 本征值分解
12.2.2 奇异值分解
12.3 PCA算法描述
12.3.1 PCA算法
12.3.2 从压缩表示中重建
12.3.3 确定主成分数量
12.4 PCA实现
12.4.1 假想实例
12.4.2 MNIST实例
习题
第13章 集成学习
13.1 集成学习介绍
13.1.1 集成学习简介
13.1.2 个体学习器
13.1.3 集成学习的基本原理
13.1.4 融合个体学习器的方法
13.2 装袋
13.2.1 装袋算法描述
13.2.2 装袋算法实现
13.3 提升
13.3.1 提升算法描述
13.3.2 AdaBoost算法实现
13.4 随机森林
13.4.1 随机森林算法描述
13.4.2 随机森林算法实现
习题
附录1 符号表
附录2 习题参考答案
参考文献
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
购物车
个人中心
