機器學習基礎與案例實戰(Python+Sklearn+TensorFlow)(慕課版)

張平 李曉宇

  • 出版商: 人民郵電
  • 出版日期: 2024-10-01
  • 定價: $419
  • 售價: 8.5$356
  • 語言: 簡體中文
  • 頁數: 276
  • ISBN: 7115650152
  • ISBN-13: 9787115650153
  • 相關分類: DeepLearningTensorFlowMachine Learning
  • 下單後立即進貨 (約4週~6週)

  • 機器學習基礎與案例實戰(Python+Sklearn+TensorFlow)(慕課版)-preview-1
  • 機器學習基礎與案例實戰(Python+Sklearn+TensorFlow)(慕課版)-preview-2
機器學習基礎與案例實戰(Python+Sklearn+TensorFlow)(慕課版)-preview-1

相關主題

商品描述

機器學習作為人工智能的重要分支,已在不同行業得到了廣泛應用。本書以錘煉讀者機器學習相關技術的實戰能力為導向,將案例與項目貫穿全文,全面系統地介紹了代表性機器學習算法及其應用。本書共12?章,分為?4?篇,即入門篇、監督學習篇、無監督學習篇、進階篇。入門篇概述機器學習,監督學習篇主要介紹K近鄰、決策樹、線性模型、支持向量機和貝葉斯模型,無監督學習篇主要介紹聚類、主成分分析和奇異值分解,進階篇主要介紹集成學習、特徵工程和深度學習。

本書可作為高校工科專業機器學習相關課程的教材,也可供相關領域的培訓機構教學使用,還可作為人工智能愛好者和相關方向技術人員的參考書。

作者簡介

张平:

湖南工商大学计算机与信息工程学院"双师型"教师,博士,副教授,硕士生导师;主持教育部青年项目、湖南省教改项目等科研/教研项目多项,在CCF推荐的权威期刊上发表SCI论文若干篇;主编《Python程序设计基础与案例实战(慕课版)》《Linux操作系统案例教程(CentOS Stream 9/RHEL 9)(微课版)》《Ubuntu Linux操作系统案例教程》等多本畅销教材,理论功底扎实,实践经验颇丰。

目錄大綱

【章名目錄】

### 第 1篇 入門篇 ###

第 1章 機器學習概述

 

### 第 2篇 監督學習篇 ###

第 2章 K近鄰

第3章 決策樹

第4章 線性模型

第5章 支持向量機

第6章 貝葉斯模型

 

### 第3篇 無監督學習篇 ###

第7章 聚類

第8章 主成分分析

第9章 奇異值分解

 

### 第4篇 進階篇 ###

第 10章 集成學習

第 11章 特徵工程

第 12章 深度學習

 

【詳細目錄】

 

### 第 1篇 入門篇 ###

第 1章 機器學習概述

1.1 機器學習基礎 2

1.1.1 機器學習的定義 2

1.1.2 機器學習基本概念 3

1.1.3 機器學習分類 3

1.1.4 機器學習開發步驟:以股價預測為例 5

1.2 機器學習發展簡史 7

1.3 機器學習相近概念簡介 8

1.3.1 機器學習、深度學習和人工智能 8

1.3.2 機器學習與數據挖掘 8

1.3.3 機器學習與模式識別 8

1.3.4 機器學習與數學建模 9

1.4 機器學習典型應用領域 9

1.4.1 醫療保健領域 9

1.4.2 金融領域 9

1.4.3 電子商務與新零售領域 10

1.4.4 自然語言處理與語音識別領域 10

1.4.5 物聯網領域 10

1.5 綜合案例:機器學習開發環境配置和使用 10

1.5.1 案例概述 10

1.5.2 Windows版Anaconda安裝和卸載 12

1.5.3 代表性的開發模式實踐 13

1.5.4 Linux版Anaconda安裝和使用 20

習題1 24

實訓1 24

 

### 第 2篇 監督學習篇 ###

第 2章 K近鄰

2.1 K近鄰概述 26

2.1.1 原理及圖解 26

2.1.2 距離度量 28

2.1.3 形式化描述 30

2.1.4 優勢和不足 30

2.2 監督學習模型評價指標 31

2.2.1 分類模型評價指標 31

2.2.2 回歸模型評價指標 36

2.3 綜合案例:使用K近鄰分類器預測鳶尾花類型 38

2.3.1 案例概述 38

2.3.2 案例實現:Python版 41

2.3.3 案例實現:Sklearn版 42

2.4 綜合案例:使用K近鄰回歸器預測房價 43

2.4.1 案例概述 43

2.4.2 案例實現:Python版 46

2.4.3 案例實現:Sklearn版 47

習題2 48

實訓2 48

 

第3章 決策樹

3.1 決策樹概述 49

3.1.1 決策樹圖解 49

3.1.2 決策樹構建 51

3.1.3 純度測量 51

3.1.4 優勢和不足 53

3.1.5 常見決策樹算法 53

3.2 綜合案例:使用決策樹分類器預測葡萄酒類別 54

3.2.1 案例概述 54

3.2.2 案例實現:Python版——基於基尼系數 58

3.2.3 案例實現:Python版——基於信息增益 61

3.2.4 案例實現:Sklearn版 62

3.3 決策樹剪枝 63

3.3.1 預剪枝和後剪枝 63

3.3.2 剪枝技術的實現 63

3.4 綜合案例:基於決策樹剪枝的鳶尾花分類 64

3.4.1 案例概述 64

3.4.2 案例實現:Sklearn版 64

3.5 綜合案例:使用決策樹回歸器預測汽車燃油效率 65

3.5.1 案例概述 65

3.5.2 案例實現:Python版 68

3.5.3 案例實現:Sklearn版 70

習題3 70

實訓3 71

 

第4章 線性模型

4.1 線性回歸 72

4.1.1 線性模型概述 72

4.1.2 線性回歸原理及圖解 73

4.1.3 線性回歸的變種 74

4.1.4 線性回歸的優勢和不足 75

4.2 模型優化算法 76

4.2.1 最小二乘法 76

4.2.2 梯度下降法及其變種 78

4.2.3 模型優化實戰 79

4.3 綜合案例:基於線性回歸的電氣元件電阻測量 81

4.3.1 案例概述 81

4.3.2 案例實現:Python版 82

4.3.3 案例實現:Sklearn版 83

4.4 邏輯回歸 83

4.4.1 Logistic函數 83

4.4.2 邏輯回歸圖解 84

4.5 綜合案例:基於邏輯回歸的收入級別預測 85

4.5.1 案例概述 85

4.5.2 案例實現:Python版 90

4.5.3 案例實現:Sklearn版 92

4.6 Softmax回歸 93

4.6.1 Softmax函數與Softmax回歸 93

4.6.2 二分類和多分類 93

4.7 綜合案例:基於Softmax回歸的手寫字符分類 94

4.7.1 案例概述 94

4.7.2 案例實現:Sklearn版 95

習題4 97

實訓4 97

 

第5章 支持向量機

5.1 問題引入 98

5.1.1 從邏輯回歸說起 98

5.1.2 SVM圖解 100

5.2 SVM原理簡介 102

5.2.1 形式化描述 102

5.2.2 求解優化問題 103

5.2.3 核函數 105

5.2.4 代表性參數 107

5.2.5 分類和回歸 109

5.2.6 SVM的優點和限制 109

5.3 綜合案例:基於SMO算法的SVM分類器 110

5.3.1 案例概述 110

5.3.2 線性版本SVM分類器:Python版 110

5.3.3 核函數版本SVM分類器:Python版 117

5.4 綜合案例:基於SVC的乳腺腫瘤分類 119

5.4.1 案例概述 119

5.4.2 案例實現:Sklearn版 122

5.5 綜合案例:基於SVR的體能訓練效果預測 123

5.5.1 案例概述 123

5.5.2 案例實現:Sklearn版 125

習題5 125

實訓5 126

 

第6章 貝葉斯模型

6.1 貝葉斯模型概述 127

6.1.1 貝葉斯模型及相關概念 127

6.1.2 樸素貝葉斯分類模型 131

6.1.3 平滑技術 133

6.1.4 貝葉斯統計學與頻率派統計學 133

6.1.5 貝葉斯網絡 135

6.1.6 貝葉斯模型的優點和缺點 135

6.2 文本數據特徵提取 136

6.2.1 文本特徵提取方法 136

6.2.2 文本特徵提取基本流程 137

6.2.3 文本特徵提取實例 137

6.3 綜合案例:基於貝葉斯模型的垃圾郵件識別 138

6.3.1 案例概述 138

6.3.2 案例分析 138

6.3.3 文本特徵提取 139

6.3.4 案例實現:Python版 141

6.3.5 案例實現:Sklearn版 144

6.4 貝葉斯嶺回歸 145

6.5 綜合案例:基於貝葉斯嶺回歸的房價預測 146

6.5.1 案例概述 146

6.5.2 案例實現:Python版 146

6.5.3 案例實現:Sklearn版 149

習題6 149

實訓6 149

 

### 第3篇 無監督學習篇 ###

第7章 聚類

7.1 聚類基礎 152

7.1.1 概述 152

7.1.2 聚類算法基本步驟 153

7.1.3 聚類性能評估指標 153

7.2 常見的聚類算法 154

7.2.1 原型聚類算法 154

7.2.2 層次聚類算法 155

7.2.3 密度聚類算法 157

7.2.4 譜聚類算法 158

7.2.5 模型聚類算法 159

7.3 綜合案例:原型聚類算法實踐 159

7.3.1 案例概述 159

7.3.2 案例實現:Python版KMeans 160

7.3.3 案例實現:Python版KMedoids 161

7.3.4 案例實現:Sklearn版 163

7.4 綜合案例:層次聚類算法實踐 164

7.4.1 案例概述 164

7.4.2 案例實現:少量數據 167

7.4.3 案例實現:完整數據集 168

7.5 綜合案例:譜聚類算法實踐 169

7.5.1 案例概述 169

7.5.2 案例實現:Python版 169

7.5.3 案例實現:Sklearn版 171

7.6 綜合案例:代表性聚類算法性能比較 172

7.6.1 案例概述 172

7.6.2 案例實現:Sklearn版 172

習題7 175

實訓7 175

 

第8章 主成分分析

8.1 概述 176

8.1.1 降維方法 176

8.1.2 主成分分析 177

8.2 PCA的基本原理 177

8.2.1 方差和協方差 177

8.2.2 主成分 178

8.2.3 PCA基本步驟 179

8.2.4 PCA典型應用 180

8.2.5 PCA的優勢和不足 180

8.3 綜合案例:基於PCA的圖像壓縮實踐 181

8.3.1 案例概述 181

8.3.2 案例實現:Python版 182

8.3.3 案例實現:Sklearn版 183

8.4 綜合案例:基於PCA的鳶尾花數據集可視化分析 186

8.4.1 案例概述 186

8.4.2 案例實現:Python版 186

8.4.3 案例實現:Sklearn版 188

習題8 189

實訓8 190

 

第9章 奇異值分解

9.1 奇異值分解概述 191

9.1.1 矩陣與特徵值 191

9.1.2 奇異值分解 193

9.1.3 奇異值和奇異向量 194

9.1.4 奇異值分解變體 195

9.1.5 SVD的典型應用領域 196

9.2 基於SVD的協同過濾 197

9.2.1 協同過濾 197

9.2.2 基於SVD的協同過濾原理 198

9.3 綜合案例:基於SVD的電影推薦系統 199

9.3.1 案例概述 199

9.3.2 案例分析 199

9.3.3 案例實現 201

9.4 綜合案例:基於SVD的圖像壓縮 204

9.4.1 案例概述 204

9.4.2 案例實現:累積能量占比分析 204

9.4.3 案例實現:圖像壓縮 205

習題9 207

實訓9 207

 

### 第4篇 進階篇 ###

第 10章 集成學習

10.1 集成學習概述 210

10.1.1 基本原理 210

10.1.2 常見類型 211

10.1.3 優勢和不足 212

10.2 Bagging和隨機森林算法 212

10.2.1 Bagging原理 212

10.2.2 隨機森林算法 213

10.3 綜合案例:基於隨機森林的心臟病預測 214

10.3.1 案例概述 214

10.3.2 案例實現:Python版 217

10.3.3 案例實現:Sklearn版 220

10.4 Boosting及其代表性算法 221

10.4.1 Boosting原理 221

10.4.2 AdaBoost 222

10.4.3 XGBoost 223

10.4.4 LightGBM 223

10.5 綜合案例:AdaBoost、XGBoost和LightGBM實踐 224

10.5.1 案例概述 224

10.5.2 案例實現:AdaBoost版 224

10.5.3 案例實現:XGBoost版 224

10.5.4 案例實現:LightGBM版 225

10.6 Stacking概述 226

10.7 綜合案例:基於Stacking的葡萄酒分類 227

10.7.1 案例概述 227

10.7.2 案例實現 227

習題10 228

實訓10 228

 

第 11章 特徵工程

11.1 特徵工程概述 229

11.1.1 特徵和數據 229

11.1.2 特徵工程 230

11.2 數據預處理 231

11.2.1 數據清洗 231

11.2.2 數據集成 232

11.2.3 特徵縮放 232

11.3 綜合案例:數據預處理實踐 233

11.3.1 案例概述 233

11.3.2 案例實現 233

11.4 特徵構建 237

11.4.1 數值特徵 238

11.4.2 類別特徵 238

11.4.3 組合特徵 240

11.4.4 非線性變換 240

11.5 綜合案例:特徵構建實踐 241

11.5.1 案例概述 241

11.5.2 案例實現 241

11.6 特徵選擇 245

11.6.1 過濾式 246

11.6.2 包裹式 247

11.6.3 嵌入式 248

11.7 綜合案例:特徵選擇實踐 248

11.7.1 案例概述 248

11.7.2 案例實現 248

習題11 252

實訓11 253

 

第 12章 深度學習

12.1 深度學習概述 254

12.1.1 感知機和多層感知機 255

12.1.2 激活函數和損失函數 256

12.1.3 反向傳播算法和優化方法 258

12.1.4 深度學習框架 259

12.2 綜合案例:基於MLP的汽車燃油效率預測 259

12.2.1 案例概述 259

12.2.2 開發環境配置 260

12.2.3 案例實現 262

12.3 捲積神經網絡 265

12.3.1 捲積層 265

12.3.2 池化層 266

12.4 綜合案例:基於CNN的服裝分類 267

12.4.1 案例概述 267

12.4.2 案例實現 267

12.5 循環神經網絡 269

12.5.1 序列和文本 270

12.5.2 RNN原理 270

12.5.3 LSTM原理 271

12.6 綜合案例:基於RNN的情感分類 272

12.6.1 案例概述 272

12.6.2 案例實現 272

12.7 綜合案例:基於LSTM的垃圾郵件識別 275

12.7.1 案例概述 275

12.7.2 案例實現 275

習題12 276

實訓12 276