4.23文创礼盒，买2个减5元 读书月福利
上新2万种！|88元10本，满88元送果蔬冰箱贴
欢迎光临中图网 请 | 注册
搜索
搜索全部
  • 搜索全部
  • 书名
  • 作者
  • 出版社
  • ISBN
高级搜索
为了活下去的思想吴昌硕画选历史的驴友饥饿好的爱情,要有敢要的底气
中图网
>
计算机/网络
>
人工智能
人工智能科学与技术丛书机器学习原理与实践(Python版)
分享

人工智能科学与技术丛书机器学习原理与实践(Python版)

作者：左飞，补彬
出版社：清华大学出版社出版时间：2021-02-01
开本： 其他 页数： 404
本类榜单：计算机/网络销量榜
中 图 价:¥67.6(7.6折) 定价  ¥89.0 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>
中图价:¥67.6 加入购物车
中图网自出版七楼书店 淘书团

人工智能科学与技术丛书机器学习原理与实践(Python版) 版权信息

  • ISBN：9787302566397
  • 条形码：9787302566397 ; 978-7-302-56639-7
  • 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

人工智能科学与技术丛书机器学习原理与实践(Python版) 本书特色

本书全面、 系统地介绍了机器学习领域中的经典方法, 并兼顾算法原理与实践运用。 具体内容涉及： 回归分析(线性回归、 多项式回归、 非线性回归、 岭回归、LASSO、 弹性网络, 以及 RANSAC 等) 分类(感知机、逻辑回归、 朴素贝叶斯、 决策树、 支持向量机、 神经网络等) 聚类(k均值、EM 算法、 密度聚类、 层次聚类以及谱聚类等) 集成学习(随机森林、AdaBoost、 梯度提升等) 蒙特卡洛采样(拒绝采样、 自适应拒绝采样、 重要性采样、 吉布斯采样和马尔可夫链蒙特卡洛等) 降维与流形学习(SVD、PCA 和 MDS 等) 概率图模型(贝叶斯网络和隐马尔可夫模型)从原理到实践，步步为营，克服学习中的重重关隘拨开云雾，点破公式背后的层层玄机，助你一路披荆斩棘从原理到实践，步步为营，克服学习中的重重关隘拨开云雾，点破公式背后的层层玄机，助你一路披荆斩棘

人工智能科学与技术丛书机器学习原理与实践(Python版) 内容简介

本书系统地介绍统计分析和机器学习领域中很为重要和流行的多种技术及其基本原理，本书在详解有关算法的基础上，结合大量Python语言实例演示了这些理论在实践中的使用方法。具体内容包括线性回归（包括岭回归和Lasso方法）、逻辑回归、支持向量机、感知机与神经网络、聚类分析（包括K均值算法、EM算法、密度聚类等）、降维与流形学习、集成学习、KNN、朴素贝叶斯、概率图模型（包括贝叶斯网络和HMM模型）等内容。

人工智能科学与技术丛书机器学习原理与实践(Python版) 目录


目录

第1章机器学习初探


1.1初识机器学习


1.1.1从小蝌蚪找妈妈谈起


1.1.2机器学习的主要任务


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*简单的机器学习模型


1.3.1贝叶斯公式与边缘分布


1.3.2先验概率与后验概率


1.3.3朴素贝叶斯分类器原理


1.4泰坦尼克之灾


1.4.1认识问题及数据


1.4.2数据预处理


1.4.3特征筛选


1.4.4分类器的构建


1.4.5分类器的评估


第2章一元线性回归


2.1回归分析的性质


2.2回归的基本概念


2.2.1总体的回归函数


2.2.2随机干扰的意义


2.2.3样本的回归函数


2.3回归模型的估计


2.3.1普通*小二乘法原理


2.3.2一元线性回归的应用


2.3.3经典模型的基本假定


2.3.4总体方差的无偏估计


2.3.5估计参数的概率分布


2.4正态条件下的模型检验


2.4.1拟合优度的检验


2.4.2整体性假定检验


2.4.3单个参数的检验


2.5一元线性回归模型预测


2.5.1点预测


2.5.2区间预测







第3章多元线性回归


3.1多元线性回归模型


3.2多元回归模型估计


3.2.1*小二乘估计量


3.2.2多元回归的实例


3.2.3总体参数估计量


3.3从线代角度理解*小二乘


3.3.1*小二乘问题的通解


3.3.2*小二乘问题的计算


3.4多元回归模型检验


3.4.1线性回归的显著性


3.4.2回归系数的显著性


3.5多元线性回归模型预测


3.6格兰杰因果关系检验


第4章线性回归进阶


4.1更多回归模型函数形式


4.1.1双对数模型以及生产函数


4.1.2倒数模型与菲利普斯曲线


4.1.3多项式回归模型及其分析


4.2回归模型的评估与选择


4.2.1嵌套模型选择


4.2.2赤池信息准则


4.3现代回归方法的新进展


4.3.1多重共线性


4.3.2从岭回归到LASSO


4.3.3正则化与没有免费午餐原理


4.3.4弹性网络


4.3.5RANSAC


第5章逻辑回归与*大熵模型


5.1逻辑回归


5.2牛顿法解逻辑回归


5.3应用实例： 二分类问题


5.3.1数据初探


5.3.2建模


5.4多元逻辑回归


5.5*大熵模型


5.5.1*大熵原理


5.5.2约束条件


5.5.3模型推导


5.5.4极大似然估计


5.6应用实例： 多分类问题


5.6.1数据初探


5.6.2建模


第6章神经网络


6.1从感知机开始


6.1.1感知机模型


6.1.2感知机学习


6.1.3多层感知机


6.1.4感知机应用示例


6.2基本神经网络


6.2.1神经网络结构


6.2.2符号标记说明


6.2.3后向传播算法


6.3神经网络实践


6.3.1建模


6.3.2Softmax与神经网络


第7章支持向量机


7.1线性可分的支持向量机


7.1.1函数距离与几何距离


7.1.2*大间隔分类器


7.1.3拉格朗日乘数法


7.1.4对偶问题的求解


7.2松弛因子与软间隔模型


7.3非线性支持向量机方法


7.3.1从更高维度上分类


7.3.2非线性核函数方法


7.3.3机器学习中的核方法


7.3.4默瑟定理


7.4对数据进行分类的实践


7.4.1数据分析


7.4.2线性可分的例子


7.4.3线性不可分的例子


第8章k近邻算法


8.1距离度量


8.2k近邻模型


8.2.1分类


8.2.2回归


8.3在Python中应用k近邻算法


8.4k近邻搜索的实现


8.4.1构建kdtree


8.4.2区域搜索


8.4.3*近邻搜索


第9章决策树


9.1决策树基础


9.1.1Hunt算法


9.1.2基尼测度与划分


9.1.3信息熵与信息增益


9.1.4分类误差


9.2决策树进阶


9.2.1ID3算法


9.2.2C4.5算法


9.3分类回归树


9.4决策树剪枝


9.5决策树应用实例


第10章集成学习


10.1集成学习的理论基础


10.2Bootstrap方法


10.3Bagging与随机森林


10.3.1算法原理


10.3.2应用实例


10.4Boosting与AdaBoost


10.4.1算法原理


10.4.2应用实例


10.5梯度提升


10.5.1梯度提升树与回归


10.5.2梯度提升树与分类


10.5.3梯度提升树的原理推导


第11章聚类分析


11.1聚类的概念


11.2k均值算法


11.2.1算法描述


11.2.2应用实例——图像的色彩量化


11.3*大期望算法


11.3.1算法原理


11.3.2收敛探讨


11.4高斯混合模型


11.4.1模型推导


11.4.2应用实例


11.5密度聚类


11.5.1DBSCAN算法


11.5.2应用实例


11.6层次聚类


11.6.1AGNES算法


11.6.2应用实例


11.7谱聚类


11.7.1基本符号


11.7.2正定矩阵与半正定矩阵


11.7.3拉普拉斯矩阵


11.7.4相似图


11.7.5谱聚类切图


11.7.6算法描述


11.7.7应用实例


第12章降维与流形学习


12.1主成分分析


12.2奇异值分解


12.2.1一个基本的认识


12.2.2为什么可以做SVD


12.2.3SVD与PCA的关系


12.2.4应用举例与矩阵的伪逆


12.3多维标度法


第13章采样方法


13.1蒙特卡洛法求定积分


13.1.1无意识统计学家法则


13.1.2投点法


13.1.3期望法


13.2蒙特卡洛采样


13.2.1逆采样


13.2.2博克斯穆勒变换


13.2.3拒绝采样与自适应拒绝采样


13.3矩阵的极限与马尔科夫链


13.4查普曼柯尔莫哥洛夫等式


13.5马尔科夫链蒙特卡洛


13.5.1重要性采样


13.5.2马尔科夫链蒙特卡洛的基本概念


13.5.3梅特罗波利斯黑斯廷斯算法


13.5.4吉布斯采样


第14章概率图模型


14.1共轭分布


14.2贝叶斯网络


14.2.1基本结构单元


14.2.2模型推理


14.3贝叶斯网络的Python实例


14.4隐马尔科夫模型


14.4.1随机过程


14.4.2从时间角度考虑不确定性


14.4.3前向算法


14.4.4维特比算法


展开全部

人工智能科学与技术丛书机器学习原理与实践(Python版) 作者简介

左飞，技术作家、译者。著作涉及图像处理、编程语言和移动通信等多个领域，并翻译出版了计算机领域的经典之作《编码》，及Jolt震撼大奖获奖作品《代码阅读》和《代码质量》等多部图书。在数据分析、信息安全和图像处理领域也有较深研究，在国际会议与核心学术期刊上发布论文多篇，并申请国家发明专利一项，多部相关著作再版多次、广受好评。现在的研究兴趣主要集中在图像处理、机器学习、数据分析技术和空间数据库算法等领域。

商品评论(0条)
写书评 赚书币
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
新手上路
新用户指引
注册用户 更改注册信息
购物常见问题
关于特价书的常见问题
购买问题
订单跟踪
付款方式
账户余额  申请提现
配送方式及费用、范围
集团购买
售后服务
退换货流程
投诉与建议
特色服务
会员等级与书币
中图网书馨卡
邀请好友购买返10元礼包
其他信息
本站简介
联系我们
招聘英才
网站联盟
友情链接
微信公众号
中图网微信
中图网微博
中图网微博
手机中图网
手机中图网
中图网
诚信认证 电子商务诚信单位认证

京ICP备09013606号-3京信市监发[2002]122号海淀公安分局备案编号：1101083394

营业执照出版物经营许可证 京出发京批字第直110071

在线客服