了得網研究生_機器學習與算法應用

商品搜索

类别：

关键字：

商品分类

　研究生
　 工学
　 公共课
　 经济管理
　 理学
　 农学
　 文法类
　 医学

　音乐
　 音乐理论

　声乐　通俗音乐　音乐欣赏　钢琴　二胡　小提琴

機器學習與算法應用
該商品所屬分類：研究生 -> 工學
【市場價】	347-502元
【優惠價】	217-314元
【作者】	許桂秋
【所屬類別】	圖書教材研究生/本科/專科教材工學
【出版社】	電子工業出版社
【ISBN】	9787121447099
【折扣說明】	一次購物滿999元台幣免運費+贈品一次購物滿2000元台幣95折+免運費+贈品一次購物滿3000元台幣92折+免運費+贈品一次購物滿4000元台幣88折+免運費+贈品
【本期贈品】	①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾

版本	正版全新電子版PDF檔
您已选择：	正版全新
溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。 . 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。 . 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。

內容介紹

包裝：平塑

是否套裝：否

國際標準書號ISBN：9787121447099

作者：許桂秋

出版社：電子工業出版社

出版時間：2022年12月

內容簡介

本教材從實用的角度出發，采用理論與實踐相結合的方式，介紹機器學習算法與應用的基礎知識，力求培養讀者使用機器學習相關算法進行數據分析的能力。本教材的主要內容有機器學習概述，機器學習的Python常用庫，回歸分析與應用，特征工程、降維與超參數調優，分類算法與應用，關聯規則，聚類算法與應用，神經網絡，文本分析，圖像數據分析，深度學習入門。本教材可以作為人工智能學科相關的機器學習技術的入門教材，目的不在於覆蓋機器學習技術的所有知識點，而是介紹機器學習的常用算法及其應用，使讀者了解機器學習的基本構成及不同場景下使用何種機器學習算法。為了增強實踐效果，本教材引入了多個基礎技術案例及綜合實踐案例，以幫助讀者了解機器學習涉及的基本知識和技能。本教材可作為高等院校機器學習算法與應用課程的教材，也可供對機器學習技術感興趣的讀者閱讀參考。

作者簡介

許桂秋，運營總監。2000年9月—2004年6月，廈門大學，計算機科學與技術專業學習，獲工學學士；2007年8月—2011年4月，中國石油天然氣股份有限公司，項目經理，工程師；2011年6月—2016年7月，曙光信息產業股份有限公司，項目經理，工程師；2016年7月—至今，中科瑞翼（北京）教育科技有限公司，運營總監。主要著作出版情況：《大數據導論》、《Python編程基礎與應用》、《NoSQL數據庫原理與應用》、《數據挖掘與機器學習》等9本繫列教材，浙江科技出版社，2019年。

第1章機器學習概述1
1.1機器學習簡介1
1.1.1 機器學習簡史1
1.1.2 機器學習主要流派3
1.2人工智能、數據挖掘和機器學習5
1.2.1 什麼是人工智能5
1.2.2 什麼是數據挖掘6
1.2.3 人工智能、數據挖掘和機器學習的關繫7
1.3典型機器學習應用領域7
1.3.1 藝術創作7
1.3.2 金融領域8
1.3.3 醫療領域9
1.3.4 自然語言處理10
1.3.5 網絡安全12第1章機器學習概述1

1.1機器學習簡介1

1.1.1 機器學習簡史1

1.1.2 機器學習主要流派3

1.2人工智能、數據挖掘和機器學習5

1.2.1 什麼是人工智能5

1.2.2 什麼是數據挖掘6

1.2.3 人工智能、數據挖掘和機器學習的關繫7

1.3典型機器學習應用領域7

1.3.1 藝術創作7

1.3.2 金融領域8

1.3.3 醫療領域9

1.3.4 自然語言處理10

1.3.5 網絡安全12

1.4機器學習算法分類14

1.4.1 分類算法15

1.4.2 關聯分析19

1.4.3 回歸分析19

1.4.4 深度學習20

1.5機器學習的一般流程22

第2章機器學習的Python常用庫24

2.1Numpy簡介及基礎使用24

2.1.1 Numpy簡介24

2.1.2 Numpy基礎使用27

2.2Pandas簡介及基礎使用31

2.2.1 Pandas簡介31

2.2.2 Pandas自行車數據統計分析36

2.3Matplotlib簡介及基礎使用42

2.3.1 Matplotlib簡介42

2.3.2 Matplotlib繪圖實例45

2.4Scikit-Learn簡介及基礎使用52

2.4.1 Scikit-Learn安裝與簡介52

2.4.2 Scikit-Learn基礎使用56

2.5波士頓房價預測實驗59

第3章回歸分析與應用64

3.1回歸分析問題64

3.1.1 介紹64

3.1.2 常見回歸數據集66

3.2線性回歸68

3.2.1 原理與應用場景68

3.2.2 實現線性回歸70

3.2.3 Python實現小二乘法擬合直線71

3.3嶺回歸和Lasso回歸72

3.3.1 原理與應用場景73

3.3.2 實現嶺回歸75

3.3.3 實現Lasso回歸76

3.4邏輯回歸76

3.4.1 原理與應用場景76

3.4.2 實現邏輯回歸78

第4章特征工程、降維與超參數調優80

4.1特征工程80

4.1.1 缺失值處理81

4.1.2 數據的特征值化87

4.1.3 特征選擇89

4.1.4 特征構建89

4.2降維與超參數調優91

4.2.1 降維91

4.2.2 實現降維92

4.2.3 超參數調優93

第5章分類算法與應用97

5.1分類問題簡介97

5.1.1 分類問題的流程與任務97

5.1.2 常用的分類數據集98

5.2K近鄰算法102

5.2.1 K近鄰算法原理與應用場景102

5.2.2 基於K近鄰算法實現分類任務103

5.2.3 使用Python實現KNN算法110

5.3概率模型111

5.3.1 原理111

5.3.2 應用場景111

5.4樸素貝葉斯分類112

5.4.1 原理與應用場景112

5.4.2 樸素貝葉斯算法應用115

5.5向量空間模型115

5.5.1 原理與應用場景115

5.5.2 向量空間模型應用116

5.6支持向量機120

5.6.1 支持向量機概述120

5.6.2 支持向量機實現分類122

5.6.3 支持向量機實現回歸123

5.6.4 支持向量機異常檢測123

5.6.5 過擬合問題125

5.7集成學習129

5.7.1 集成學習概述129

5.7.2 決策樹131

5.7.3 隨機森林135

5.7.4 Adaboost算法137

第6章關聯規則140

6.1關聯規則的概念140

6.1.1 什麼是關聯規則140

6.1.2 關聯規則的挖掘過程141

6.2Apriori算法142

6.2.1 Apriori算法概念142

6.2.2 Apriori算法實現原理142

6.2.3 實現Apriori算法144

第7章聚類算法與應用148

7.1無監督學習問題148

7.1.1 無監督學習148

7.1.2 聚類分析的基本概念與原理149

7.1.3 常見聚類數據集150

7.2劃分聚類152

7.2.1 劃分聚類概述152

7.2.2 K-Means算法152

7.2.3 sklearn中K-Means算法聚類的使用155

7.2.4 使用聚類進行圖像壓縮156

7.2.5 Numpy實現K-Means聚類158

7.3層次聚類159

7.3.1 層次聚類算法159

7.3.2 使用層次聚類算法聚類161

7.4密度聚類162

7.4.1 DBSCAN算法163

7.4.2 OPTICS算法167

7.4.3 DENCLUE算法168

7.5聚類效果評測169

第8章神經網絡172

8.1神經網絡介紹172

8.1.1 原理173

8.1.2 前饋神經網絡174

8.1.3 反饋神經網絡175

8.1.4 自組織神經網絡176

8.2神經網絡相關概念177

8.2.1 激活函數177

8.2.2 Softmax算法與損失函數182

8.2.3 梯度下降算法185

8.2.4 學習率186

8.2.5 過擬合與欠擬合187

8.2.6 神經網絡模型的評估指標189

8.3神經網絡識別MNIST手寫數據集190

第9章文本分析198

9.1文本數據處理的相關概念198

9.2中英文的文本數據處理方法對比199

9.2.1 中英文分詞與分詞粒度200

9.2.2 中英文的多種形態200

9.2.3 詞性標注方法的差異201

9.2.4 句法結構分析方法201

9.3文本數據處理分析案例202

9.3.1 使用NLTK進行文本數據分析202

9.3.2 使用jieba進行文本數據分析215

9.4自然語言處理的應用221

第10章圖像數據分析226

10.1圖像數據226

10.2圖像數據分析方法228

10.3圖像數據分析案例230

10.3.1 PIL：Python圖像處理類庫應用示例230

10.3.2 Numpy圖像數據分析示例235

10.3.3 SciPy圖像數據分析示例238

10.3.4 Scikit-Image241

10.3.5 OpenCV246

10.4計算機視覺的應用255

10.4.1 圖像分類256

10.4.2 目標檢測257

10.4.3 圖像分割258

10.4.4 風格遷移260

10.4.5 圖像重構260

10.4.6 超分辨率261

10.4.7 圖像生成261

10.4.8 人臉圖像的應用262

10.4.9 其他262

第11章深度學習入門263

11.1深度學習的概述263

11.2卷積神經網絡264

11.2.1 卷積神經網絡簡介264

11.2.2 卷積神經網絡的整體結構265

11.2.3 常見的卷積神經網絡267

11.3循環神經網絡276

11.3.1 RNN基本原理276

11.3.2 長短期記憶網絡278

11.3.3 門限282

11.4深度學習流行框架283

11.5基於卷積神經網絡識別手寫數字的實戰284

11.5.1 實驗目的284

11.5.2 實驗背景284

11.5.3 實驗原理285

11.5.4 實驗環境285

11.5.5 實驗步驟285

網友評論我們期待著您對此商品發表評論

相關商品

商品搜索

商品分类

【醫學】

【各大出版社】