| | | 機器學習原理與實踐(Python版) 圖書 | 該商品所屬分類:圖書 -> 人工智能 | 【市場價】 | 750-1088元 | 【優惠價】 | 469-680元 | 【出版社】 | 清華大學出版社 | 【ISBN】 | 9787302566397 | 【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:清華大學出版社 ISBN:9787302566397 商品編碼:10027793992322 品牌:文軒 出版時間:2021-02-01 代碼:89
"
作 者:左飛,補彬 編 定 價:89 出 版 社:清華大學出版社 出版日期:2021年02月01日 頁 數:404 裝 幀:平裝 ISBN:9787302566397 ●第1章機器學習初探 1.1初識機器學習 1.1.1從小蝌蚪找媽媽談起 1.1.2機器學習的主要任務 1.2工欲善其事,必先利其器 1.2.1scikit-learn 1.2.2NumPy 1.2.3SciPy 1.2.4Matplotlib 1.2.5Pandas 1.3最簡單的機器學習模型 1.3.1貝葉斯公式與邊緣分布 1.3.2先驗概率與後驗概率 1.3.3樸素貝葉斯分類器原理 1.4泰坦尼克之災 1.4.1認識問題及數據 1.4.2數據預處理 1.4.3特征篩選 1.4.4分類器的構建 1.4.5分類器的評估 第線性回歸 2.1回歸分析的性質 2.2回歸的基本概念 2.2.1總體的回歸函數 2.2.2隨機干擾的意義 2.2.3樣本的回歸函數 2.3回歸模型的估計 2.3.1普通最小二乘法原理 2.3線性回歸的應用 2.3.3經典模型的基本假定 2.3.4總體方差的無偏估計 2.3.5估計參數的概率分布 2.4正態條件下的模型檢驗 2.4.1擬合優度的檢驗 2.4.2整體性假定檢驗 2.4.3單個參數的檢驗 2線性回歸模型預測 2.5.1點預測 2.5.2區間預測 第線性回歸 3線性回歸模型 3回歸模型估計 3.2.1最小二乘估計量 3.2回歸的實例 3.2.3總體參數估計量 3.3從線代角度理解最小二乘 3.3.1最小二乘問題的通解 3.3.2最小二乘問題的計算 3回歸模型檢驗 3.4.1線性回歸的顯著性 3.4.2回歸繫數的顯著性 3線性回歸模型預測 3.6格蘭傑因果關繫檢驗 第4章線性回歸進階 4.1更多回歸模型函數形式 4.1.1雙對數模型以及生產函數 4.1.2倒數模型與菲利普斯曲線 4.1.3多項式回歸模型及其分析 4.2回歸模型的評估與選擇 4.2.1嵌套模型選擇 4.2.2赤池信息準則 4.3現代回歸方法的新進展 4.3.1多重共線性 4.3.2從嶺回歸到LASSO 4.3.3正則化與沒有免費午餐原理 4.3.4彈性網絡 4.3.5RANSAC 第5章邏輯回歸與優選熵模型 5.1邏輯回歸 5.2牛頓法解邏輯回歸 5.3應用實例: 二分類問題 5.3.1數據初探 5.3.2建模 5邏輯回歸 5.5優選熵模型 5.5.1優選熵原理 5.5.2約束條件 5.5.3模型推導 5.5.4極大似然估計 5.6應用實例: 多分類問題 5.6.1數據初探 5.6.2建模 第6章神經網絡 6.1從感知機開始 6.1.1感知機模型 6.1.2感知機學習 6.1.3多層感知機 6.1.4感知機應用示例 6.2基本神經網絡 6.2.1神經網絡結構 6.2.2符號標記說明 6.2.3後向傳播算法 6.3神經網絡實踐 6.3.1建模 6.3.2Softmax與神經網絡 第7章支持向量機 7.1線性可分的支持向量機 7.1.1函數距離與幾何距離 7.1.2優選間隔分類器 7.1.3拉格朗日乘數法 7.1.4對偶問題的求解 7.2松弛因子與軟間隔模型 7.3非線性支持向量機方法 7.3.1從更高維度上分類 7.3.2非線性核函數方法 7.3.3機器學習中的核方法 7.3.4默瑟定理 7.4對數據進行分類的實踐 7.4.1數據分析 7.4.2線性可分的例子 7.4.3線性不可分的例子 第8章k近鄰算法 8.1距離度量 8.2k近鄰模型 8.2.1分類 8.2.2回歸 8.3在Python中應用k近鄰算法 8.4k近鄰搜索的實現 8.4.1構建k-d-tree 8.4.2區域搜索 8.4.3最近鄰搜索 第9章決策樹 9.1決策樹基礎 9.1.1Hunt算法 9.1.2基尼測度與劃分 9.1.3信息熵與信息增益 9.1.4分類誤差 9.2決策樹進階 9.2.1ID3算法 9.2.2C4.5算法 9.3分類回歸樹 9.4決策樹剪枝 9.5決策樹應用實例 第10章集成學習 10.1集成學習的理論基礎 10.2Bootstrap方法 10.3Bagging與隨機森林 10.3.1算法原理 10.3.2應用實例 10.4Boosting與AdaBoost 10.4.1算法原理 10.4.2應用實例 10.5梯度提升 10.5.1梯度提升樹與回歸 10.5.2梯度提升樹與分類 10.5.3梯度提升樹的原理推導 第11章聚類分析 11.1聚類的概念 11.2k均值算法 11.2.1算法描述 11.2.2應用實例——圖像的色彩量化 11.3優選期望算法 11.3.1算法原理 11.3.2收斂探討 11.4高斯混合模型 11.4.1模型推導 11.4.2應用實例 11.5密度聚類 11.5.1DBSCAN算法 11.5.2應用實例 11.6層次聚類 11.6.1AGNES算法 11.6.2應用實例 11.7譜聚類 11.7.1基本符號 11.7.2正定矩陣與半正定矩陣 11.7.3拉普拉斯矩陣 11.7.4相似圖 11.7.5譜聚類切圖 11.7.6算法描述 11.7.7應用實例 第12章降維與流形學習 12.1主成分分析 12.2奇異值分解 12.2.1一個基本的認識 12.2.2為什麼可以做SVD 12.2.3SVD與PCA的關繫 12.2.4應用舉例與矩陣的偽逆 12.3多維標度法 第13章采樣方法 13.1蒙特卡洛法求定積分 13.1.1無意識統計學家法則 13.1.2投點法 13.1.3期望法 13.2蒙特卡洛采樣 13.2.1逆采樣 13.2.2博克斯-穆勒變換 13.2.3拒絕采樣與自適應拒絕采樣 13.3矩陣的極限與馬爾科夫鏈 13.4查普曼-柯爾莫哥洛夫等式 13.5馬爾科夫鏈蒙特卡洛 13.5.1重要性采樣 13.5.2馬爾科夫鏈蒙特卡洛的基本概念 13.5.3梅特羅波利斯-黑斯廷斯算法 13.5.4吉布斯采樣 第14章概率圖模型 14.1共軛分布 14.2貝葉斯網絡 14.2.1基本 14.2.2模型推理 14.3貝葉斯網絡的Python實例 14.4隱馬爾科夫模型 14.4.1隨機過程 14.4.2從時間角度考慮不確定性 14.4.3前向算法 14.4.4維特比算法 本書全面、繫統地介紹了機器學習領域中的經典方法,並兼顧算法原理與實踐運用。本書具體內容涉及回歸分析(線性回歸、多項式回歸、非線性回歸、嶺回歸、LASSO、彈性網絡以及RANSAC等)、分類(感知機、邏輯回歸、樸素貝葉斯、決策樹、支持向量機、人工神經網絡等)、聚類(k均值、EM算法、密度聚類、層次聚類以及譜聚類等)、集成學習(隨機森林、AdaBoost、梯度提升等)、蒙特卡洛采樣(拒絕采樣、自適應拒絕采樣、重要性采樣、吉布斯采樣和馬爾科夫鏈蒙特卡洛等)、降維與流形學習(SVD、PCA和MDS等),以及概率圖模型(例如,貝葉斯網絡和隱馬爾科夫模型)等話題。 本書是機器學習及相關課程的教學參考書,可供高等院校人工智能、機器學習或數據挖掘等相關專業的師生使用,也可供從事計算機應用,特別是數據科學相關專業的研發人員參考。 左飛,補彬 編 左飛,技術作家、譯者。著作涉及圖像處理、編程語言和移動通信等多個領域,並翻譯出版了計算機領域的經典之作《編碼》,及Jolt震撼大獎獲獎作品《代碼閱讀》和《代碼質量》等多部圖書。在數據分析、信息安全和圖像處理領域也有較深研究,在國際會議與核心學術期刊上發布論文多篇,並申請國家發明專利一項,多部相關著作再版多次、廣受好評。現在的研究興趣主要集中在圖像處理、機器學習、數據分析技術和空間數據庫算法等領域。
" | | | | | |