阅读本书的理由1：106张漫画小抄，快速搞懂机器学习基础知识，秒懂复杂概念！ （1）知识体系清晰全面，轻松掌握各类机器学习概念。从简单的决策树到复杂的神经网络，从预处理训练集和测试集到各种模型评估指标，每一个概念都以全彩漫画解释！ （2）内容丰富，决策树、随机梯度下降、超参数、k-NN算法，超多概念，应有尽有！ （3）漫画小抄围绕各类数据科学或机器学习问题，涉及诸如过拟合、欠拟合、预处理、深度学习、神经网络等主题。
售 价：¥
纸质售价：¥24.50购买纸书
6.4
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
内容提要
小抄指南
小抄用法
预处理
单位归一化
单位归一化
Tomek链接
Tomek链接
上采样
上采样
数据增强
数据增强
下采样
下采样
最小-最大缩放
最小-最大缩放
独热编码
独热编码
插补法
插补法
基于k-NN的插补法
基于k-NN的插补法
性能指标
学习曲线
学习曲线
假阳性率
假阳性率
闵可夫斯基距离
闵可夫斯基距离
学习率
学习率
布里尔分数
布里尔分数
分类
分类
假阴性率
假阴性率
训练误差率
训练误差率
曲线下面积
曲线下面积
F1分数
F1分数
理论
模型复杂度对偏差和方差的影响
模型复杂度对偏差和方差的影响
没有免费午餐定理
没有免费午餐定理
预处理训练集和测试集
预处理训练集和测试集
深度双重下降
深度双重下降
主成分分析
主成分分析
超参数VS参数
超参数VS参数
损失函数的最小值
损失函数的最小值
模型一致性
模型一致性
模型复杂度
模型复杂度
特征重要性
特征重要性
机器学习中的“学习”意味着什么？
机器学习中的“学习”意味着什么？
泛化
泛化
训练集、验证集和测试集
训练集、验证集和测试集
过拟合与欠拟合
过拟合与欠拟合
树模型
袋外误差
袋外误差
决策树
决策树
决策树回归
决策树回归
随机森林
随机森林
随机森林中的基尼系数
随机森林中的基尼系数
正则化
特征缩放对梯度下降的影响
特征缩放对梯度下降的影响
正则化
正则化
C，正则化强度的倒数
C，正则化强度的倒数
早停法
早停法
弹性网络
弹性网络
Dropout
Dropout
权重衰减
权重衰减
损失函数
Hinge Loss
Hinge Loss
均方误差
均方误差
损失函数
Kullback-Leibler散度损失
Kullback-Leibler散度损失
二元交叉熵损失
二元交叉熵损失
分类交叉熵损失
分类交叉熵损失
损失函数
损失函数
集成学习
Boosting
Boosting
弱学习器
弱学习器
AdaBoost
AdaBoost
bagging算法
bagging算法
集成方法
集成方法
神经网络
神经网络参数随机初始化
神经网络参数随机初始化
深度网络的目的
深度网络的目的
指数线性单元
指数线性单元
神经元
神经元
隐藏层
隐藏层
Leaky ReLU
Leaky ReLU
Noisy ReLU
Noisy ReLU
梯度裁剪
梯度裁剪
反向传播
反向传播
Epoch
Epoch
梯度悬崖
梯度悬崖
常见的输出层激活函数
常见的输出层激活函数
梯度下降法
梯度下降法
线性激活函数
线性激活函数
小批量
小批量
梯度爆炸
梯度爆炸
Sigmoid激活函数
Sigmoid激活函数
Tanh激活函数
Tanh激活函数
深度学习的动机
深度学习的动机
修正线性单元
修正线性单元
聚类
DBSCAN
DBSCAN
k-NN算法
k-NN算法
K均值聚类
K均值聚类
k-NN邻域大小
k-NN邻域大小
降维
线性判别分析
线性判别分析
核主成分分析
核主成分分析
均值漂移聚类
均值漂移聚类
偏差与方差
偏差-方差权衡
偏差-方差权衡
偏差
偏差
偏差直觉
偏差直觉
分类器
贝叶斯误差
贝叶斯误差
算法
大O表示法
评估
大O表示法
混淆矩阵
混淆矩阵
优化器
动量随机梯度下降
动量随机梯度下降
随机梯度下降
随机梯度下降
RMSprop优化器
RMSprop优化器
策略
特征选择策略
特征选择策略
分类
准确率
准确率
特征
分类特征
分类特征
范数
L1范数
L1范数
L2范数
L2范数
问题
维度灾难
维度灾难
数据
特征矩阵
特征矩阵
采样
自助采样法
自助采样法
数据集
MNIST数据集
MNIST数据集
自然语言处理
词袋
词袋
交叉验证
K折交叉验证
K折交叉验证
超参数调试
超参数调优
超参数调优
网格搜索
网格搜索
错误
错误类型
错误类型
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
