Python机器学习
| 作者 |
| 赵涓涓 强彦 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111630524 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书把握机器学习和Python语言两个热门的领域，使用Python语言对十五个经典的机器学习算法进行解释和编译，使得读者能够在学习机器学习的同时，还能够加深对python语言的熟练程度。 |
| 目录 |
| 前言 第1章 机器学习基础 1 1.1 引论 1 1.2 何谓机器学习 2 1.2.1 概述 2 1.2.2 引例 2 1.3 机器学习中的常用算法 4 1.3.1 按照学习方式划分 4 1.3.2 按照算法相似性划分 7 1.4 本章小结 14 1.5 本章习题 14 第2章 Python与数据科学 15 2.1 Python概述 15 2.2 Python与数据科学的关系 16 2.3 Python中常用的第三方库 16 2.3.1 NumPy 16 2.3.2 SciPy 17 2.3.3 Pandas 17 2.3.4 Matplotlib 18 2.3.5 Scikit-learn 18 2.4 编译环境 18 2.4.1 Anaconda 19 2.4.2 Jupyter Notebook 21 2.5 本章小结 23 2.6 本章习题 24 第3章 线性回归算法 25 3.1 算法概述 25 3.2 算法流程 25 3.3 算法步骤 26 3.4 算法实例 30 3.5 算法应用 32 3.6 算法的改进与优化 34 3.7 本章小结 34 3.8 本章习题 34 第4章 逻辑回归算法 37 4.1 算法概述 37 4.2 算法流程 38 4.3 算法步骤 38 4.4 算法实例 40 4.5 算法应用 45 4.6 算法的改进与优化 49 4.7 本章小结 49 4.8 本章习题 49 第5章 K最近邻算法 51 5.1 算法概述 51 5.2 算法流程 52 5.3 算法步骤 52 5.4 算法实例 53 5.5 算法应用 54 5.6 算法的改进与优化 57 5.7 本章小结 58 5.8 本章习题 58 第6章 PCA降维算法 59 6.1 算法概述 59 6.2 算法流程 60 6.3 算法步骤 60 6.3.1 内积与投影 60 6.3.2 方差 62 6.3.3 协方差 62 6.3.4 协方差矩阵 63 6.3.5 协方差矩阵对角化 63 6.4 算法实例 65 6.5 算法应用 67 6.6 算法的改进与优化 68 6.7 本章小结 68 6.8 本章习题 69 第7章 k-means算法 70 7.1 算法概述 70 7.2 算法流程 70 7.3 算法步骤 71 7.3.1 距离度量 71 7.3.2 算法核心思想 72 7.3.3 初始聚类中心的选择 73 7.3.4 簇类个数k的调整 73 7.3.5 算法特点 74 7.4 算法实例 75 7.5 算法应用 77 7.6 算法的改进与优化 81 7.7 本章小结 81 7.8 本章习题 82 第8章 支持向量机算法 84 8.1 算法概述 84 8.2 算法流程 85 8.2.1 线性可分支持向量机 85 8.2.2 非线性支持向量机 85 8.3 算法步骤 85 8.3.1 线性分类 85 8.3.2 函数间隔与几何间隔 87 8.3.3 对偶方法求解 88 8.3.4 非线性支持向量机与核函数 90 8.4 算法实例 93 8.5 算法应用 95 8.6 算法的改进与优化 100 8.7 本章小结 101 8.8 本章习题 101 第9章 AdaBoost算法 102 9.1 算法概述 102 9.2 算法流程 102 9.3 算法步骤 103 9.4 算法实例 105 9.5 算法应用 106 9.6 算法的改进与优化 109 9.7 本章小结 110 9.8 本章习题 110 第10章 决策树算法 112 10.1 算法概述 112 10.2 算法流程 113 10.3 算法步骤 113 10.3.1 两个重要概念 113 10.3.2 实现步骤 115 10.4 算法实例 115 10.5 算法应用 118 10.6 算法的改进与优化 119 10.7 本章小结 120 10.8 本章习题 120 第11章 高斯混合模型算法 121 11.1 算法概述 121 11.2 算法流程 121 11.3 算法步骤 122 11.3.1 构建高斯混合模型 122 11.3.2 EM算法估计模型参数 123 11.4 算法实例 125 11.5 算法应用 127 11.6 算法的改进与优化 129 11.7 本章小结 130 11.8 本章习题 130 第12章 随机森林算法 132 12.1 算法概述 132 12.2 算法流程 133 12.3 算法步骤 134 12.3.1 构建数据集 134 12.3.2 基于数据集构建分类器 134 12.3.3 投票组合得到最终结果并分析 135 12.4 算法实例 136 12.5 算法应用 140 12.6 算法的改进与优化 142 12.7 本章小结 143 12.8 本章习题 143 第13章 朴素贝叶斯算法 145 13.1 算法概述 145 13.2 算法流程 145 13.3 算法步骤 146 13.4 算法实例 148 13.5 算法应用 149 13.6 算法的改进与优化 151 13.7 本章小结 152 13.8 本章习题 152 第14章 隐马尔可夫模型算法 154 14.1 算法概述 154 14.2 算法流程 154 14.3 算法步骤 155 14.4 算法实例 156 14.5 算法应用 159 14.6 算法的改进与优化 165 14.7 本章小结 166 14.8 本章习题 166 第15章 BP神经网络算法 167 15.1 算法概述 167 15.2 算法流程 167 15.3 算法步骤 168 15.4 算法实例 170 15.5 算法应用 174 15.6 算法的改进与优化 176 15.7 本章小结 177 15.8 本章习题 177 第16章 卷积神经网络算法 179 16.1 算法概述 179 16.2 算法流程 179 16.3 算法步骤 180 16.3.1 向前传播阶段 181 16.3.2 向后传播阶段 183 16.4 算法实例 184 16.5 算法应用 188 16.6 算法的改进与优化 193 16.7 本章小结 194 16.8 本章习题 194 第17章 递归神经网络算法 196 17.1 算法概述 196 17.2 算法流程 197 17.3 算法步骤 198 17.4 算法实例 200 17.5 算法应用 204 17.6 算法的改进与优化 207 17.7 本章小结 208 17.8 本章习题 208 课后习题答案 210 参考文献 231 |
有问题微信扫码联系