| | | Python無監督學習 | 該商品所屬分類:圖書 -> 科技 | 【市場價】 | 684-992元 | 【優惠價】 | 428-620元 | 【作者】 | 朱塞佩·博納科爾索 | 【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:人民郵電出版社 ISBN:9787115540720 商品編碼:10020888601099 品牌:文軒 出版時間:2020-09-01 代碼:79 作者:朱塞佩·博納科爾索
" 作 者:(德)朱塞佩·博納科爾索 著 瞿源,劉江峰 譯 定 價:79 出 版 社:人民郵電出版社 出版日期:2020年09月01日 頁 數:292 裝 幀:平裝 ISBN:9787115540720 1.無監督學習是數據科學中一個重要的分支,常用於數據挖掘領域,是個有趣的熱點話題;2.本書通過Python語言講解無監督學習,基於python圖書的優勢,更容易被讀者接受;3.實戰導向,為讀者提供可以立即使用和可供評估的不同方法,構建高效且實用的解決方案;4.作者是機器學習領域的專家,曾參與了不同業務環境下的解決方案設計、管理和交付。 ●第1章無監督學習入門1 1.1技術要求1 1.2為什麼需要機器學習2 1.2.1描述性分析3 1.2.2診斷性分析4 1.2.3預測性分析4 1.2.4規範性分析7 1.3機器學習算法的類型7 1.3.1有監督學習算法8 1.3.2無監督學習算法11 1.3.3半監督學習算法16 1.3.4強化學習算法17 1.4為什麼用Python進行數據科學和機器學習18 1.5總結19 1.6問題19 第2章聚類基礎知識20 2.1技術要求20 2.2聚類介紹21 2.3K-means26 2.4威斯康星州乳腺癌數據集分析27 2.5評估指標33 2.5.1最小化慣性33 2.5.2輪廓分數38 2.5.3完整性分數40 2.5.4同質性分數42 2.5.5調整後的相互信息分數43 2.5.6調整後的蘭德分數44 2.5.7列聯矩陣45 2.6K-近鄰46 2.7向量量化50 2.8總結56 2.9問題57 第3章高級聚類58 3.1技術要求58 3.2譜聚類59 3.3均值漂移63 3.4DBSCAN67 3.4.1Calinski-Harabasz分數69 3.4.2使用DBSCAN分析工作數據集中的缺勤率69 3.4.3聚類不穩定性作為性能指標76 3.5K-medoids79 3.6聯機聚類83 3.6.1Mini-batchK-means83 3.6.2BIRCH84 3.6.3Mini-batchK-means與BIRCH的比較86 3.7總結89 3.8問題90 第4章實操中的層次聚類91 4.1技術要求91 4.2聚類層次結構92 4.3凝聚聚類93 4.3.1單一鏈和完整鏈94 4.3.2平均鏈95 4.3.3Ward鏈96 4.4樹狀圖分析96 4.5同表型相關性繫數作為一種性能指標101 4.6水處理廠數據集的凝聚聚類103 4.7連通性約束109 4.8總結113 4.9問題113 第5章軟聚類和高斯混合模型115 5.1技術要求115 5.2軟聚類116 5.3Fuzzyc-means117 5.4高斯混合121 5.4.1高斯混合的EM算法123 5.4.2用AIC和BIC方法評估高斯混合的性能129 5.4.3貝葉斯高斯混合選擇成分131 5.4.4生成高斯混合135 5.5總結139 5.6問題140 第6章異常檢測141 6.1技術要求141 6.2概率密度函數142 6.2.1作為異常值或新值的異常143 6.2.2數據集結構144 6.3直方圖145 6.4核密度估計148 6.4.1高斯內核148 6.4.2Epanechnikov內核149 6.4.3指數內核150 6.4.4均勻/Tophat內核151 6.4.5估計密度151 6.5應用異常檢測156 6.6單類支持向量機164 6.7基於孤立森林的異常檢測168 6.8總結172 6.9問題173 第7章降維與分量分析175 7.1技術要求175 7.2主成分分析176 7.2.1具有奇異值分解的PCA178 7.2.2具有MNIST數據集的PCA181 7.2.3基於內核的主成分分析183 7.2.4通過因子分析增加異方差噪聲的強壯性186 7.2.5稀疏主成分分析與字典學習188 7.2.6非負矩陣分解190 7.3獨立成分分析193 7.4具有潛在Dirichlet分配的主題建模197 7.5總結202 7.6問題202 第8章無監督神經網絡模型204 8.1技術要求204 8.2自編碼器205 8.2.1深度卷積自編碼器示例206 8.2.2去噪自編碼器211 8.2.3稀疏自編碼器213 8.2.4變分自編碼器215 8.3基於赫布的主成分分析221 8.3.1Sanger網絡221 8.3.2Rubner-Tavan網絡226 8.4無監督的深度置信網絡230 8.4.1受限玻爾茲曼機231 8.4.2深度置信網絡232 8.4.3無監督DBN示例233 8.5總結235 8.6問題236 第9章生成式對抗網絡和自組織映射237 9.1技術要求237 9.2生成式對抗網絡238 9.2.1GAN分析240 9.2.2深度卷積GAN示例242 9.2.3WassersteinGAN251 9.3自組織映射260 9.4總結265 9.5問題266 第10章問題解答267 10.1第1章267 10.2第2章268 10.3第3章268 10.4第4章269 10.5第5章269 10.6第6章270 10.7第7章271 10.8第8章271 10.9第9章272 機器學習是使計算機具有智能的根本途徑,其應用遍及人工智能的各個領域。無監督學習是機器學習中的一種學習方式,是數據科學的一個重要分支,常用於數據挖掘領域,通過構建模型來為業務決策提供依據。 本書通過Python語言講解無監督學習,全書內容包括10章,前面9章由淺入深地講解了無監督學習的基礎知識、聚類的基礎知識、高級聚類、層次聚類、軟聚類和高斯混合模型、異常檢測、降維和分量分析、無監督神經網絡模型、生成式對抗網絡和自組織映射,第10章以問題解答的形式對前面9章涉及的問題給出了解決方案。 本書適合數據科學家、機器學習從業者和普通的軟件開發人員閱讀,通過學習本書介紹的無監督學習理論和Python編程方法,讀者能夠在業務實踐中獲得有價值的參考。 (德)朱塞佩·博納科爾索 著 瞿源,劉江峰 譯 朱塞佩·博納科爾索,(Giuseppe Bonaccorso)擁有12年機器學習和大數據方面的經驗。他擁有意大利卡塔尼亞大學電子工程專業工程學碩士學位,然後在意大利羅馬第二大學、英國埃塞克斯大學深造過。在他的職業生涯中,擔任過公共管理、軍事、公用事業、醫療保健、診斷和廣告等多個業務領域的IT工程師,使用Java、Python, Hadoop, Spark, Theano和TensorFlow等多種技術進行過項目開發與管理。他的主要研究興趣包括人工智能、機器學習、數據科學等。
" | | | | | |