万本电子书0元读

万本电子书0元读

顶部广告

Python机器学习核心算法编程实例电子书

在数据科学家的技能中,机器学习和Python应该是位列前五的两项。机器学习灸手可热,在互联网、金融保险、电商、电信、制造业、零售业、医疗等领域发挥了越来越大的作用,关注度也越来越高。Python是全球前四大流行语言之一,它具有简单易学、应用几乎无限制等特性,因此在发从业者眼中是全栈发的。 针对机器学习与Python软件的特,作者将两者相结合编写了本书,希望对读者有所帮助。

售       价:¥

纸质售价:¥46.00购买纸书

64人正在读 | 1人评论 6.2

作       者:丁伟雄

出  版  社:电子工业出版社

出版时间:2020-01-01

字       数:11.4万

所属分类: 科技 > 计算机/网络 > 程序设计

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

  • 读书简介
  • 目录
  • 累计评论(1条)
  • 读书简介
  • 目录
  • 累计评论(1条)
在大数据时代背景下,机器学习是人工智能研究领域中一个极其重要的方向,本书是一本机器学习方面的门读物,注重理论与实践相结合,书中以Python 3.6.5为编写平台,共分13章,主要包括机器学习绪论、线性模型、树回归、K-means聚类算法、朴素贝叶斯、数据降维、支持向量机、随机森林、人工神经网络、协同过滤算法、基于矩阵分解的推荐算法、集成学习、数据预处理等内容。通过本书的学习,除使读者轻松掌握Python外,还能利用Python简单、快捷地解决各种机器学习问题。本书适合Python初学者,也适合研究Python的广大科研人员、学者、工程技术人员。<br/>【推荐语】<br/>在数据科学家的技能中,机器学习和Python应该是位列前五的两项。机器学习灸手可热,在互联网、金融保险、电商、电信、制造业、零售业、医疗等领域发挥了越来越大的作用,关注度也越来越高。Python是全球前四大流行语言之一,它具有简单易学、应用几乎无限制等特性,因此在发从业者眼中是全栈发的。 针对机器学习与Python软件的特,作者将两者相结合编写了本书,希望对读者有所帮助。<br/>【作者】<br/>丁伟雄(1971年生),男,北京航空航天大学毕业,佛山科学技术学院创业学院副院长,高级实验师。研究方向:计算机应用技术。编写的图书实例丰富,实用性强。<br/>
目录展开

内容简介

前言

第1章 机器学习绪论

1.1 机器学习的定义

1.2 学习算法

1.3 机器学习应用程序的步骤

1.4 Python语言

1.5 Python的环境搭建

1.6 NumPy函数库基础

1.7 Python的基础知识

第2章 线性模型

2.1 一般线性回归

2.2 局部加权线性回归

2.3 广义线性模型

2.4 逻辑回归分析

2.5 牛顿法

2.6 缩减法

2.7 利用线性回归进行预测

第3章 树回归

3.1 构建决策树的准备工作

3.2 Matplotlib注释绘制树形图

3.3 使用决策树执行分类

3.4 决策树的存储

3.5 Sklearn使用决策树预测隐形眼镜类型

3.6 复杂数据的局部性建模

3.7 连续型和离散型特征的树构建

3.8 分类回归树

第4章 K-means聚类算法

4.1 K-means聚类算法概述

4.2 相似性的度量

4.3 K-means聚类算法的原理

4.4 K-近邻算法

4.5 各种聚类算法

4.6 K-means++算法

第5章 朴素贝叶斯

5.1 朴素贝叶斯理论

5.2 朴素贝叶斯算法

5.3 朴素贝叶斯算法的优缺点

第6章 数据降维

6.1 维度灾难与降维

6.2 高维数据降维的方法

第7章 支持向量机

7.1 支持向量机概述

7.2 分类间隔

7.3 拉格朗日乘子

7.4 核函数

7.5 SOM算法

7.6 SVM的优缺点

7.7 SVM的Python实现

第8章 随机森林

8.1 什么是随机森林

8.2 集成学习

8.3 Stacking学习算法

8.4 随机森林算法

8.5 随机森林算法实践

8.6 美国人口普查的例子

第9章 人工神经网络

9.1 感知机模型

9.2 从感知机到神经网络

9.3 多层前馈神经网络

9.4 神经网络的Python实现

第10章 协同过滤算法

10.1 协同过滤的核心

10.2 协同过滤的分类

10.3 相似性的度量方法

10.4 基于用户的协同过滤算法

10.5 基于项的协同过滤算法

10.6 利用协同过滤算法进行推荐

第11章 基于矩阵分解的推荐算法

11.1 矩阵分解

11.2 利用矩阵分解进行预测

11.3 非负矩阵分解

11.4 基于矩阵分解的推荐方法

第12章 集成学习

12.1 集成学习的原理及误差

12.2 集成学习方法

12.3 Python实现

第13章 数据预处理

13.1 数据预处理概述

13.2 去除唯一属性

13.3 处理缺失值

13.4 Python实现

参考文献

反侵权盗版声明

累计评论(1条) 1个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部