中图网

>

人工智能

机器学习与Python实践/黄勉

作者：黄勉

出版社：人民邮电出版社出版时间：2021-01-01

开本： 16开 页数： 243

本类榜单：计算机/网络销量榜

中图价:¥46.6(7.8折) 定价 ~~¥59.8~~ 登录后可看到会员价

加入购物车收藏

运费6元，满69元免运费

?快递不能达地区使用邮政小包，运费14元起

云南、广西、海南、新疆、青海、西藏六省，部分地区快递不可达

本类五星书更多>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥11.3¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥28.2¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥55.2¥69
>
第一行代码Android

第一行代码Android

¥76.2¥99
>
C Primer Plus 第6版中文版

C Primer Plus 第6版中文版

¥75.6¥108
>
深度学习

深度学习

¥82.3¥168
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

¥43.5¥79

商品详情
商品评论(0条)

中图价:¥46.6 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

微信公众号

机器学习与Python实践/黄勉版权信息

ISBN：9787115538468
条形码：9787115538468 ; 978-7-115-53846-8
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
人工智能

机器学习与Python实践/黄勉本书特色

本书是针对非计算机专业编写的机器学习教材，内容由浅入深，使用目前流行的Python语言进行描述。书中示例丰富、落地，具有较高的学习价值。 1.内容翔实，案例新颖 2.模拟实训，代码指导 3.资源丰富，便于教学

机器学习与Python实践/黄勉内容简介

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：部分（～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（1～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

机器学习与Python实践/黄勉目录

第 1 章机器学习概述 1

1.1 引言1

1.1.1 问题导向框架 1

1.1.2 数据挖掘和机器学习3

1.1.3 人工智能和机器学习3

1.2 机器学习的分类4

1.2.1 无监督学习、有监督学习和强化学习 4

1.2.2 深度学习和浅层学习5

1.2.3 统计学习6

1.3 机器学习的发展历程及应用7

本章习题 7

第 2 章 Python 科学计算简介9

2.1 基础变量类型 9

2.1.1 数字 (Number)9

2.1.2 字符串 (String) 10

2.1.3 列表 (List)12

2.1.4 元组 (Tuple) 13

2.1.5 字典 (Dictionary)14

2.2 控制语句和函数15

2.2.1 控制语句 15

2.2.2 函数17

2.3 用于科学计算和数据处理的库19

2.3.1 NumPy19

2.3.2 SciPy23

2.3.3 Pandas23

2.4 作图和可视化25

2.4.1 plot() 函数与saveˉg() 函数26

2.4.2 标题、图例和坐标 26

2.4.3 散点图与直方图 27

2.4.4 Image Plot28

2.5 输入和输出 28

2.5.1 标准输入和输出函数 28

2.5.2 第三方库的输入输出函数 29

2.5.3 案例分析：读取并处理股票行情数据29

2.6 面向对象编程30

2.6.1 面向过程编程31

2.6.2 案例分析：面向对象编程示例31

2.7 Python 常用工具库 33

本章习题34

第 3 章无监督学习 36

3.1 描述性统计 36

3.1.1 描述性统计分析工具 36

3.1.2 案例分析：指数收益率的描述性统计 39

3.2 核密度估计 40

3.2.1 核密度估计方法 40

3.2.2 核密度估计的目标函数42

3.3 k 均值算法 42

3.4 主成分分析 44

3.4.1 Z大投影方差和Z小重构误差45

3.4.2 特征分解和奇异值分解46

3.4.3 案例分析：手写数字 3 特征分析47

3.4.4 案例分析：利率期限结构 50

3.4.5 案例分析：股票收益率的协方差矩阵分解 52

3.5 混合模型和隐马尔可夫模型 54

3.5.1 混合模型 54

3.5.2 隐马尔可夫模型 55

本章习题59

第 4 章线性回归和正则化方法 60

4.1 回归分析流程60

4.1.1 回归分析流程的主要步骤 61

4.1.2 案例分析：宏观违约率预测65

4.2 变量选择基础66

4.2.1 变量选择方法简介66

4.2.2 案例分析：指数跟踪 68

4.2.3 Forward Stagewise 回归69

4.3 正则化方法 70

4.3.1 L2 正则71

4.3.2 L1 正则72

4.3.3 惩罚函数和稀疏性78

4.4 回归估计和矩阵分解80

4.4.1 奇异值分解和线性回归 80

4.4.2 QR 分解和 QR 算法83

本章习题85

第 5 章分类 86

5.1 判别分析 86

5.1.1 线性判别分析87

5.1.2 二次判别分析 89

5.1.3 朴素贝叶斯89

5.2 逻辑回归 89

5.2.1 模型估计 90

5.2.2 与交叉熵的关系 93

5.2.3 案例分析：股票涨跌预测 94

5.3 支持向量机 96

5.4 分类的评判 99

5.4.1 混淆矩阵和常用度量 99

5.4.2 F1 Score100

5.4.3 ROC 和 AUC101

5.4.4 数据不平衡的处理104

本章习题 105

第 6 章局部建模 106

6.1 样条方法106

6.1.1 三阶样条106

6.1.2 自然三阶样条107

6.2 核技巧 108

6.3 局部回归111

6.3.1 K 邻近估计 111

6.3.2 局部常数估计113

6.3.3 局部多项式估计 114

6.3.4 案例分析：期权隐含分布估计115

6.3.5 局部似然估计117

本章习题 118

第 7 章模型选择和模型评估 120

7.1 模型评估120

7.1.1 泛化误差120

7.1.2 交叉验证121

7.1.3 Bootstrap123

7.2 模型选择124

7.2.1 AIC 准则124

7.2.2 BIC 准则126

7.3 估计的自由度 128

7.4 案例分析：期权隐含分布估计（续 1）129

本章习题 131

第 8 章统计推断基础132

8.1 极大似然估计 132

8.2 置信区间和假设检验134

8.2.1 置信区间134

8.2.2 假设检验134

8.3 Bootstrap 方法136

8.4 KL 距离和信息论相关概念 139

8.4.1 KL 距离和熵140

8.4.2 KL 距离和互信息 141

8.5 EM 算法 142

8.5.1 EM 算法与变分推断和MM 算法143

8.5.2 高斯混合模型的 EM 算法143

8.5.3 隐马尔可夫模型的EM 算法146

8.5.4 案例分析：收益率序列隐状态预测149

本章习题 152

第 9 章贝叶斯方法 153

9.1 贝叶斯定理153

9.1.1 事件的贝叶斯公式153

9.1.2 随机变量的贝叶斯公式154

9.2 贝叶斯视角下的频率方法155

9.3 抽样方法157

9.3.1 拒绝抽样法 157

9.3.2 案例分析：期权隐含分布估计（续 2） 158

9.3.3 Metropolis-Hastings抽样算法159

9.3.4 重要性抽样 164

9.3.5 蒙特卡洛标准误 165

9.4 变分推断166

9.4.1 基于平均场的变分推断166

9.4.2 变分推断算法示例167

本章习题 171

第 10 章树和树的集成 173

10.1 回归树和分类树 173

10.1.1 回归树173

10.1.2 分类树175

10.2 Bagging 和随机森林 179

10.2.1 Bagging179

10.2.2 随机森林 180

10.3 提升树 Boosting Trees 182

10.3.1 AdaBoost 182

10.3.2 梯度提升树 GBDT 183

10.3.3 XGBoost184

10.3.4 案例分析：股票涨跌预测（续 1） 186

本章习题 188

第 11 章深度学习 189

11.1 前馈神经网络和梯度下降算法 189

11.1.1 神经元189

1.1.2 前馈神经网络 191

11.1.3 梯度下降算法 191

11.1.4 反向传播算法 192

11.1.5 随机梯度算法的改进193

11.1.6 激活函数和梯度消失问题194

11.1.7 案例分析：股票涨跌预测（续 2） 197

11.2 网络结构 198

11.2.1 卷积神经网络 CNN198

11.2.2 循环神经网络 RNN202

11.2.3 Dropout203

11.2.4 Batch Normalization 203

11.2.5 残差网络 204

11.3 自编码和生成模型205

11.3.1 自编码205

11.3.2 案例分析：手写数字 3 特征分析（续）207

11.3.3 逐层特征学习 208

11.3.4 生成对抗网络 209

11.3.5 变分自编码210

11.4 揭开深度学习的黑箱 212

本章习题 214

第 12 章强化学习 215

12.1 基于值函数的强化学习215

12.1.1 强化学习的基础概念215

12.1.2 值函数和 Bellman 方程 216

12.1.3 策略迭代和值迭代 218

12.1.4 基于值函数的无模型强化学习 219

12.2 值函数近似和深度 Q 网络 222

12.2.1 值函数的近似 222

12.2.2 深度 Q 网络 DQN 223

12.2.3 案例分析：DQN 智能交易机器人225

12.3 策略梯度和 Actor-Critic 方法 226

12.3.1 策略梯度定理 226

12.3.2 强化学习和有监督学习的对比228

12.3.3 Actor-Critic 算法228

12.4 学习、推演和搜索 231

12.4.1 “记忆式”学习 231

12.4.2 推演和搜索231

12.4.3 蒙特卡洛树搜索232

12.4.4 不完全信息决策简介233

本章习题 234

参考文献 235

展开全部

机器学习与Python实践/黄勉作者简介

黄勉上海财经大学统计与管理学院教授、博士生导师、院长助理、数量金融与风险管理中心主任。本科毕业于中国科技大学统计与金融系，博士毕业于宾西法尼亚州立大学统计系。入选上海市浦江人才计划，上海市晨光计划，上海市青年拔尖人才开发计划，第十七届高等院校霍英东青年教师奖二等奖。黄勉博士的研究方向包括现代统计学理论，数据挖掘、机器学习、期权定价和量化投资，研究成果被国际著名统计学期刊以及经济、管理和人工智能领域的期刊多次引用；曾应邀赴业界开展多次讲座，包括中信银行信用卡中心、富国基金、景顺长城基金等。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐