| | | 機器學習原理及應用 大學高職高專教材 鳳凰新華書店旗艦店 | 該商品所屬分類:圖書 -> | 【市場價】 | 507-736元 | 【優惠價】 | 317-460元 | 【作者】 | 呂雲翔王淥汀袁琪等 | 【出版社】 | 機械工業出版社 | 【ISBN】 | 9787111682943 | 【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 | |
出版社:機械工業出版社 ISBN:9787111682943 商品編碼:10037040733074 出版時間:2021-09-01 頁數:212 字數:20000 審圖號:9787111682943 代碼:59 作者:呂雲翔,王淥汀,袁琪等
"
內容介紹 《機器學習原理及應用》以機器學習及其算法為主題,詳細介紹其理論細節與應用方法。《機器學習原理及應用》共19章,分別介紹了機器學習概述、線性回歸與*大熵模型、k近鄰算法、決策樹模型、樸素貝葉斯分類器、支持向量機模型、集成學習、EM算法、降維算法、聚類算法、神經網絡模型等基礎模型或算法,以及8個綜合項目實例。《機器學習原理及應用》重視理論與實踐相結合,希望為讀者提供全面而細致的學習指導。 《機器學習原理及應用》可作為高等院校計算機科學與技術、軟件工程等相關專業的教材,也適合機器學習初學者、相關行業從業人員閱讀。
目錄 前言 D1章機器學習概述 1.1機器學習的組成 1.2分類問題和回歸問題 1.3監督學習、半監督學習和 無監督學習 1.4生成模型和判別模型 1.5模型評估 1.5.1訓練誤差和泛化誤差 1.5.2過擬合和欠擬合 1.6正則化 1.7Scikitlearn模塊 1.7.1數據集 1.7.2模型選擇 1.8習題 D2章線性回歸及Z大熵模型 2.1線性回歸 2.1線性回歸 2.1線性回歸 2.2廣義線性回歸 2.2.1邏輯回歸 2.2.2多分類邏輯回歸 2.2.3交叉熵損失函數 2.3Z大熵模型 2.3.1Z大熵模型的導出 2.3.2Z大熵模型與邏輯回歸之間的 關繫 2.4評價指標 2.4.1混淆矩陣 2.4.2準確率 2.4.3JQ率與召回率 2.4.4PR曲線 2.4.5ROC曲線與AUC曲線 2.5實例:基於邏輯回歸實現乳腺癌 預測 2.6習題 D3章k近鄰算法 3.1k值的選取 3.2距離的度量 3.3快速檢索 3.4實例:基於k近鄰實現鳶尾花 分類 3.5習題 D4章決策樹模型 4.1特征選擇 4.1.1信息增益 4.1.2信息增益比 4.2決策樹生成算法CART 4.3決策樹剪枝 4.3.1預剪枝 4.3.2後剪枝 4.4實例:基於決策樹實現葡萄酒 分類 4.5習題 D5章樸素貝葉斯分類器 5.1J大似然估計 5.2樸素貝葉斯分類 5.3拉普拉斯平滑 5.4樸素貝葉斯分類器的J大似然 估計解釋 5.5實例:基於樸素貝葉斯實現垃圾 短信分類 5.6習題 D6章支持向量機模型 6.1Z大間隔及超平面 6.2線性可分支持向量機 6.3合頁損失函數 6.4核技巧 6.5二分類問題與多分類問題 6.5.1一對一 6.5.2一對多 6.5.3多對多 6.6實例:基於支持向量機實現 葡萄酒分類 6.7習題 D7章集成學習 7.1偏差與方差 7.2Bagging及隨機森林 7.2.1Bagging 7.2.2隨機森林 7.3Boosting及AdaBoost 7.3.1Boosting 7.3.3AdaBoost 7.4提升樹 7.4.1殘差提升樹 7.4.2GBDT 7.4.3XGBoost 7.5Stacking 7.6實例:基於梯度下降樹實現 波士頓房價預測 7.7習題 D8章EM算法及其應用 8.1Jensen不等式 8.2EM算法 8.3高斯混合模型 8.4隱馬爾可夫模型 8.4.1計算觀測概率的輸出 8.4.2估計隱馬爾可夫模型的參數 8.4.3隱變量序列預測 8.5實例:基於高斯混合模型實現 鳶尾花分類 8.6習題 D9章降維算法 9.1主成分分析 9.1.1方差即協方差的無偏估計 9.1.2實例:基於主成分分析實現 鳶尾花數據降維 9.2奇異值分解 9.2.1奇異值分解的構造 9.2.2奇異值分解用於數據壓縮 9.2.3SVD與PCA的關繫 9.2.4奇異值分解的幾何解釋 9.2.5實例:基於奇異值分解實現圖片 壓縮 9.3習題 D10章聚類算法 10.1距離度量 10.1.1閔可夫斯基距離 10.1.2餘弦相似度 10.1.3馬氏距離 10.1.4漢明距離 10.2層次聚類 10.3KMeans聚類 10.4KMedoids聚類 10.5DBSCAN 10.6實例:基於KMeans實現 鳶尾花聚類 10.7習題 D11章神經網絡與深度學習 11.模型 11.2多層感知機 11.3損失函數 11.4反向傳播算法 11.4.1梯度下降法 11.4.2梯度消失及梯度爆炸 11.5卷積神經網絡 11.5.1卷積 11.5.2池化 11.5.3網絡架構 11.6循環神經網絡 11.7生成對抗網絡 11.8圖卷積神經網絡 11.9深度學習發展 11.10實例:基於卷積神經網絡 實現手寫數字識別 11.10.1MINST數據集 11.10.2基於卷積神經網絡的手寫 數字識別 11.11習題 D12章案例1:基於回歸問題、 XGBoost的房價預測 12.1XGBoost模型介紹 12.2技術方案 12.2.1數據分析 12.2.2XGBoost模型參數 12.2.3調參過程 12.3完整代碼及結果展示 D13章案例2:影評數據分析與 電影 13.1明確目標與數據準備 13.2工具選擇 13.3初步分析 13.3.1用戶角度分析 13.3.2電影角度分析 13.4電影 D14章案例3:汽車貸款違約的 數據分析 14.1數據分析常用的Python 工具庫 14.2數據樣本分析 14.2.1數據樣本概述 14.2.2變量類型分析 14.2.3Python代碼實踐 14.3數據分析的預處理 14.3.1目標變量探索 14.3.2X變量初步探索 14.3.3連續變量的缺失值處理 14.3.4分類變量的缺失值處理 14.4數據分析的模型建立與模型 評估 14.4.1數據的預處理與訓練集劃分 14.4.2采用回歸模型進行數據分析 14.4.3采用決策樹模型進行數據 分析 14.4.4采用隨機森林模型優化 決策樹模型 D15章案例4:基於KNN模型預測 葡萄酒種類的數據分析與 可視化 15.1KNN模型的初級構建 15.2使用專業工具包構建KNN 模型 15.3數據可視化 D16章案例5:使用Keras進行人 臉關鍵點檢測 16.1深度學習模型 16.1.1數據集獲取 16.1.2卷積神經網絡的搭建與訓練 16.2模型評價 16.3訓練歷史可視化 D17章案例6:股價預測 17.1使用tsfresh進行升維和特征 工程 17.2程序設計思路 17.3程序設計步驟 17.3.1讀入數據,分析數據 17.3.2移窗 17.3.3升維 17.3.4方差過濾 17.3.5使用Adaboost模型進行回歸 預測 17.3.6預測結果分析 D18章案例7:用戶流失預警 18.1讀入數據 18.2數據預處理 18.3WZ交叉驗證 18.4代入三種模型 18.5調整prob閾值,輸出精度 評估 D19章案例8:機器人Z優路徑 走迷宮 19.1關鍵技術 19.1.1馬爾科夫決策過程 19.1.2Bellman方程 19.2程序設計步驟 19.2.1初始化迷宮地圖 19.2.2計算不同位置Z優路徑 參考文獻
" | | | | | |