本书理论与实践并重，通过数学公式推导过程揭示算法背后的数学原理，从贴近生活的案例验证算法的有效性。 本书讲解经典的机器学习算法，每个算法除了数学公式推导，还利用Python中基本的列表、数组和调用机器学习常用工具包两种方式给出算法实现。 本书以西瓜分类、是否相亲、垃圾邮件分类等贴近生活的实例分析每个算法的思想、推导过程、实现及应用，内容讲解通俗易懂，每个算法有完整实现。
售 价：¥
纸质售价：¥54.50购买纸书
6.7
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
内容简介
前言
本书内容
配套教学资源下载
本书作者与鸣谢
目 录
第1章 机器学习基础
1.1 机器学习概述
1.2 机器学习相关概念
1.3 机器学习的任务
1.4 机器学习的一般步骤
1.5 机器学习Python基础
1.6 本章小结
1.7 习题
第2章 k近邻算法
2.1 k近邻算法原理
2.2 基于k近邻算法的实现
2.3 k近邻算法应用——鸢尾花的分类
2.4 本章小结
2.5 习题
第3章 贝叶斯分类器
3.1 贝叶斯定理相关概念
3.2 朴素贝叶斯分类器
3.3 朴素贝叶斯分类算法实现——三文鱼和鲈鱼的分类
3.4 正态贝叶斯分类器
3.5 本章小结
3.6 习题
第4章 聚类
4.1 聚类算法简介
4.2 K-means聚类
4.3 基于密度的聚类——DBSCAN聚类
4.4 基于层次的聚类——AGNES聚类
4.5 聚类应用举例
4.6 各种聚类算法的比较
4.7 本章小结
4.8 习题
第5章 EM算法
5.1 EM算法原理及推导过程
5.2 高斯混合聚类
5.3 服从0-1二项分布的EM算法
5.4 本章小结
5.5 习题
第6章 支持向量机
6.1 SVM简介
6.2 线性SVM算法实现
6.3 非线性SVM与核函数
6.4 SVM回归
6.5 SVM算法实现——鸢尾花的分类
6.6 本章小结
6.7 习题
第7章 决策树
7.1 决策树构造基本原理
7.2 决策树构造过程
7.3 决策树学习算法思想及实现
7.4 决策树算法实现—泰坦尼克号幸存者预测
7.5 本章小结
7.6 习题
第8章 线性回归
8.1 回归分析概述
8.2 单变量线性回归
8.3 多变量回归分析
8.4 多项式回归分析
8.5 本章小结
8.6 习题
第9章 逻辑回归
9.1 sigmoid函数与逻辑回归模型
9.2 梯度下降与推导过程
9.3 参数学习向量化
9.4 逻辑回归的Python实现——乳腺良性与恶性肿瘤的预测
9.5 评估方法
9.6 本章小结
9.7 习题
第10章 人工神经网络
10.1 从感知机到多层感知机
10.2 神经网络模型
10.3 BP神经网络算法思想及实现
10.4 BP神经网络算法实现——鸢尾花分类
10.5 本章小结
10.6 习题
第11章 综合案例分析：垃圾邮件分类
11.1 文本预处理
11.2 中文垃圾邮件分类算法及实现
11.3 本章小结
11.4 习题
第12章 综合案例分析：手写数字识别
12.1 图像的存储表示
12.2 数据预处理
12.3 基于kNN的手写数字识别
12.4 基于神经网络的手写数字识别
12.5 本章小结
12.6 习题
第13章 综合案例分析：零售商品销售额分析与预测
13.1 问题描述与分析
13.2 数据探索与预处理
13.3 特征选择
13.4 建立回归模型
13.5 超参数选择
13.6 本章小结
13.7 习题
第14章 综合案例分析：基于协同过滤的推荐系统
14.1 推荐系统简介
14.2 基于最近邻的协同过滤推荐算法原理与实现
14.3 基于隐语义分析的推荐模型
14.4 基于标签的推荐算法
14.5 本章小结
14.6 习题
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
