本书是针对非计算机专业的读者介绍关于机器学习商用内容的一本门教材，技术难度适中，旨在让读者了解数据科学家这个职业及其对企业发展的推动作用。全书分11章介绍了机器学习的基础知识和数据科学家最常用的算法，从机器学习的基本原理始，介绍无监督学习、监督学习和强化学习的核心内容，并结合商业案例讲解诸如分类、回归、聚类等常见任务的应用场景。此外，书中还涵盖数据处理、模型评估、参数调优等关键环节，强调数据在模型性能中的重要性。章末习题可帮助读者巩固所学知识，检验学习成果，提高实践技能。
售 价：¥
纸质售价：¥51.90购买纸书
6.6
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
作者简介
译者简介
译者序言
前言
第1章 引言
1.1 机器学习与统计学
1.2 关于本书及相关材料
1.3 机器学习分类
1.4 验证和测试
1.5 数据清洗
1.6 贝叶斯定理
小结
练习题
作业题
第2章 无监督学习
2.1 特征标准化处理
2.2 k-均值算法
2.3 设置k值
2.4 维度灾难
2.5 国家和地区风险
2.6 其他聚类方法
2.7 主成分分析
小结
练习题
作业题
第3章 监督学习：线性与逻辑回归
3.1 线性回归：单特征
3.2 线性回归：多特征
3.3 分类特征
虚拟变量陷阱
3.4 正则化
3.5 岭回归
3.6 套索回归
3.7 弹性网络回归
3.8 房价数据模型结果
3.9 逻辑回归
3.10 逻辑回归的准确性
3.11 信贷决策中的运用
3.12 k-近邻算法
小结
练习题
作业题
第4章 监督学习：决策树
4.1 决策树的本质
4.2 信息增益测度
4.3 信息决策应用
4.4 朴素贝叶斯分类器
4.5 连续目标变量
4.6 集成学习
小结
练习题
作业题
第5章 监督学习：支持向量机
5.1 线性支持向量机分类
5.2 关于软间隔的修改
5.3 非线性分离
5.4 关于连续变量的预测
小结
练习题
作业题
第6章 监督学习：神经网络
6.1 单层人工神经网络
6.2 多层人工神经网络
6.3 其他激活函数
6.4 梯度下降算法
6.4.1 多个参数
6.4.2 反向传播
6.5 梯度下降算法的变形
6.6 迭代终止规则
6.7 布莱克-斯科尔斯-默顿公式
6.8 推广
6.9 理解波动率变动
小结
练习题
作业题
第7章 神经网络的进一步应用
7.1 自动编码器和主成分分析
7.2 通用自动编码器设计
7.3 变分自动编码器
7.4 生成对抗网络
7.5 递归神经网络
LSTM网络
7.6 卷积神经网络
小结
练习题
作业题
第8章 强化学习
8.1 多臂老虎机问题
8.2 环境变化
8.3 Nim游戏博弈
8.4 时序差分学习
8.5 如果对手学习
8.6 深度Q学习
8.7 下棋
8.8 应用
8.9 最优交易执行
8.10 数据问题
小结
练习题
作业题
第9章 自然语言处理
9.1 数据来源
9.2 预处理
9.3 词袋模型
9.4 朴素贝叶斯分类器的应用
9.5 其他算法的应用
9.6 信息检索
9.7 其他自然语言处理的应用
小结
练习题
作业题
第10章 模型可解释性
10.1 线性回归
10.2 逻辑回归
10.3 黑盒模型
10.4 夏普利值
10.5 LIME
小结
练习题
作业题
第11章 社会问题
11.1 数据隐私
11.2 偏见
11.3 道德伦理
11.4 透明度
11.5 对抗机器学习
11.6 法律问题
11.7 人类和机器
部分习题答案
术语表
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
