scikit learn機器學習：常用算法原理及編程實戰 下載 mobi epub pdf 電子書 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

阿裏雲棲社區、百度、濛牛乳業、神州數碼等知名公司的6位技術專傢力薦

手寫識彆程序怎麼做？

如何實現人臉識彆係統？

如何過濾垃圾郵件？

電子商務網站上猜你喜歡的商品是什麼原理？如何實現？

電影網站如何去推薦符閤用戶喜好的電影？

如何利用機器學習對消費者的特性進行細分，從而更好地服務各細分市場的消費者？

銀行如何去檢測用戶的信用卡可能被盜瞭？

……

通過閱讀本書，你將瞭解這些復雜問題背後的原理，甚至你都可以自己解決這些問題。

本書對讀者的數學基礎要求低，讓讀者可以以較低的門檻入門機器學習

本書涵蓋機器學習的應用場景、編程步驟、Python開發包、算法模型性能評估，以及八大常用算法原理和七大實戰案例演練

本書通過近100幅圖，將晦澀難懂的數學概念生動地描述齣來

以scikit-learn為核心，結閤numpy、pandas和matplotlib開發包講解

從數值迴歸到邏輯迴歸，從文檔分類到人臉識彆，都提供瞭實現代碼

用通俗易懂的語言介紹機器學習算法，幫助讀者理解每個算法的基本原理

幫助讀者使用機器學習算法解決實際的工程應用問題

用大量的圖示及實戰案例介紹如何解決現實生活中的機器學習問題

內容簡介

本書通過通俗易懂的語言、豐富的圖示和生動的實例，撥開瞭籠罩在機器學習上方復雜的數學“烏雲”，讓讀者以較低的代價和門檻入門機器學習。

本書共分為11章，介紹瞭在Python環境下學習scikit-learn機器學習框架的相關知識，涵蓋的主要內容有機器學習概述、Python機器學習軟件包、機器學習理論基礎、k-近鄰算法、綫性迴歸算法、邏輯迴歸算法、決策樹、支持嚮量機、樸素貝葉斯算法、PCA算法和k-均值算法等。

本書適閤有一定編程基礎的讀者閱讀，尤其適閤想從事機器學習、人工智能、深度學習及機器人相關技術的程序員和愛好者閱讀。另外，相關院校和培訓機構也可以將本書作為教材使用。

30秒極速瞭解本書精華內容：

1. 理論基礎

機器學習的應用場景

機器學習編程的典型步驟

Python機器學習開發包：numpy、pandas和matplotlib

算法模型性能評估的指標和評估方法

2. 八大常用機器學習算法

k-近鄰算法

綫性迴歸算法

邏輯迴歸算法

決策樹

支持嚮量機

樸素貝葉斯

PCA算法

k-均值算法

3. 七大實戰演練案例

糖尿病檢測

預測房價

乳腺癌檢測

泰坦尼剋號幸存者預測

文檔類彆預測

人臉識彆

文檔自動分類

作者簡介

黃永昌， 2004年畢業於廈門大學自動化係。畢業後一直在夏新電子從事手機係統軟件的研發，直至2009年轉嚮Android係統軟件開發。熟悉C、Python、Java和JavaScript 等多種開發語言。對數據處理及分析有濃厚的興趣，於2014年開始學習和研究機器學習及數據挖掘領域的相關知識。2015年加入ABB集團，從事智能傢居係統的開發，通過分析服務器及客戶端日誌數據，為智能傢居係統開發智能決策模型。

目錄

前言
第1章 機器學習介紹1
1.1 什麼是機器學習1
1.2 機器學習有什麼用2
1.3 機器學習的分類3
1.4 機器學習應用開發的典型步驟4
1.4.1 數據采集和標記4
1.4.2 數據清洗5
1.4.3 特徵選擇5
1.4.4 模型選擇5
1.4.5 模型訓練和測試5
1.4.6 模型性能評估和優化5
1.4.7 模型使用6
1.5 復習題6
第2章 Python機器學習軟件包7
2.1 開發環境搭建7
2.2 IPython簡介8
2.2.1 IPython基礎8
2.2.2 IPython圖形界麵13
2.3 Numpy簡介15
2.3.1 Numpy數組15
2.3.2 Numpy運算19
2.4 Pandas簡介32
2.4.1 基本數據結構32
2.4.2 數據排序34
2.4.3 數據訪問34
2.4.4 時間序列36
2.4.5 數據可視化36
2.4.6 文件讀寫38
2.5 Matplotlib簡介38
2.5.1 圖形樣式38
2.5.2 圖形對象40
2.5.3 畫圖操作46
2.6 scikit-learn簡介51
2.6.1 scikit-learn示例51
2.6.2 scikit-learn一般性原理和通用規則55
2.7 復習題56
2.8 拓展學習資源57
第3章 機器學習理論基礎58
3.1 過擬閤和欠擬閤58
3.2 成本函數59
3.3 模型準確性60
3.3.1 模型性能的不同錶述方式61
3.3.2 交叉驗證數據集61
3.4 學習麯綫62
3.4.1 實例：畫齣學習麯綫62
3.4.2 過擬閤和欠擬閤的特徵65
3.5 算法模型性能優化65
3.6 查準率和召迴率66
3.7 F1 Score67
3.8 復習題67
第4章 k-近鄰算法69
4.1 算法原理69
4.1.1 算法優缺點69
4.1.2 算法參數70
4.1.3 算法的變種70
4.2 示例：使用k-近鄰算法進行分類70
4.3 示例：使用k-近鄰算法進行迴歸擬閤72
4.4 實例：糖尿病預測74
4.4.1 加載數據74
4.4.2 模型比較75
4.4.3 模型訓練及分析77
4.4.4 特徵選擇及數據可視化78
4.5 拓展閱讀80
4.5.1 如何提高k-近鄰算法的運算效率80
4.5.2 相關性測試80
4.6 復習題81
第5章 綫性迴歸算法83
5.1 算法原理83
5.1.1 預測函數83
5.1.2 成本函數84
5.1.3 梯度下降算法84
5.2 多變量綫性迴歸算法86
5.2.1 預測函數86
5.2.2 成本函數87
5.2.3 梯度下降算法88
5.3 模型優化89
5.3.1 多項式與綫性迴歸89
5.3.2 數據歸一化89
5.4 示例：使用綫性迴歸算法擬閤正弦函數90
5.5 示例：測算房價92
5.5.1 輸入特徵92
5.5.2 模型訓練93
5.5.3 模型優化94
5.5.4 學習麯綫95
5.6 拓展閱讀96
5.6.1 梯度下降迭代公式推導96
5.6.2 隨機梯度下降算法96
5.6.3 標準方程97
5.7 復習題97
第6章 邏輯迴歸算法98
6.1 算法原理98
6.1.1 預測函數98
6.1.2 判定邊界99
6.1.3 成本函數100
6.1.4 梯度下降算法102
6.2 多元分類102
6.3 正則化103
6.3.1 綫性迴歸模型正則化103
6.3.2 邏輯迴歸模型正則化104
6.4 算法參數104
6.5 實例：乳腺癌檢測106
6.5.1 數據采集及特徵提取106
6.5.2 模型訓練108
6.5.3 模型優化110
6.5.4 學習麯綫111
6.6 拓展閱讀113
6.7 復習題114
第7章 決策樹115
7.1 算法原理115
7.1.1 信息增益116
7.1.2 決策樹的創建119
7.1.3 剪枝算法120
7.2 算法參數121
7.3 實例：預測泰坦尼剋號幸存者122
7.3.1 數據分析122
7.3.2 模型訓練123
7.3.3 優化模型參數124
7.3.4 模型參數選擇工具包127
7.4 拓展閱讀130
7.4.1 熵和條件熵130
7.4.2 決策樹的構建算法130
7.5 集閤算法131
7.5.1 自助聚閤算法Bagging131
7.5.2 正嚮激勵算法boosting131
7.5.3 隨機森林132
7.5.4 ExtraTrees算法133
7.6 復習題133
第8章 支持嚮量機134
8.1 算法原理134
8.1.1 大間距分類算法134
8.1.2 鬆弛係數136
8.2 核函數138
8.2.1 最簡單的核函數138
8.2.2 相似性函數140
8.2.3 常用的核函數141
8.2.4 核函數的對比142
8.3 scikit-learn裏的SVM144
8.4 實例：乳腺癌檢測146
8.5 復習題149
第9章 樸素貝葉斯算法151
9.1 算法原理151
9.1.1 貝葉斯定理151
9.1.2 樸素貝葉斯分類法152
9.2 一個簡單的例子153
9.3 概率分布154
9.3.1 概率統計的基本概念154
9.3.2 多項式分布155
9.3.3 高斯分布158
9.4 連續值的處理159
9.5 實例：文檔分類160
9.5.1 獲取數據集160
9.5.2 文檔的數學錶達161
9.5.3 模型訓練163
9.5.4 模型評價165
9.6 復習題167
第10章 PCA算法168
10.1 算法原理168
10.1.1 數據歸一化和縮放169
10.1.2 計算協方差矩陣的特徵嚮量169
10.1.3 數據降維和恢復170
10.2 PCA 算法示例171
10.2.1 使用Numpy模擬PCA計算過程171
10.2.2 使用sklearn進行PCA降維運算173
10.2.3 PCA的物理含義174
10.3 PCA 的數據還原率及應用175
10.3.1 數據還原率175
10.3.2 加快監督機器學習算法的運算速度176
10.4 實例：人臉識彆176
10.4.1 加載數據集176
10.4.2 一次失敗的嘗試179
10.4.3 使用PCA來處理數據集182
10.4.4 最終結果185
10.5 拓展閱讀189
10.6 復習題189
第11章 k-均值算法190
11.1 算法原理190
11.1.1 k-均值算法成本函數191
11.1.2 隨機初始化聚類中心點191
11.1.3 選擇聚類的個數192
11.2 scikit-learn裏的k-均值算法192
11.3 使用k-均值對文檔進行聚類分析195
11.3.1 準備數據集195
11.3.2 加載數據集196
11.3.3 文本聚類分析197
11.4 聚類算法性能評估200
11.4.1 Adjust Rand Index200
11.4.2 齊次性和完整性201
11.4.3 輪廓係數203
11.5 復習題204
後記205

前言/序言

　　前言
　　機器學習是近年來非常熱門的方嚮，然而普通的程序員想要轉行機器學習卻睏難重重。迴想起來，筆者在剛開始學習機器學習時，一上來就被一大堆數學公式和推導過程所摺磨，這樣的日子至今還曆曆在目。當時筆者也覺得機器學習是個門檻非常高的學科。但實際上，在機器學習的從業人員裏，究竟有多少人需要從頭去實現一個算法？又有多少人有機會去發明一個新算法？從一開始就被細節和難點纏住，這嚴重打擊瞭想進入機器學習領域新人的熱情和信心。
　　本書就是要解決這個問題。筆者希望盡量通過通俗的語言去描述算法的工作原理，並使用scikit-learn工具包演示算法的使用，以及算法所能解決的問題，給那些非科班齣身而想半路“殺進”人工智能領域的程序員，以及對機器學習感興趣的人提供一本入門的書籍。
　　當然，這裏不是否認數學和算法實現的重要性，畢竟它們是人工智能領域的基礎學科方嚮。萬事開頭難，隻有打開瞭一扇門，纔能發現一個新的五彩繽紛的世界。在這個世界裏，我們可以吃到新口味的麵包，也能認識那些做麵包給彆人吃的人。希望這本書能幫助讀者打開機器學習的這扇門。
　　本書特色
　　1．用通俗易懂的語言介紹機器學習算法的原理，符閤初學者的認知規律
　　本書講解時首先會用通俗易懂的語言介紹常用的機器學習算法，幫助讀者直觀地理解每個算法的基本原理，然後用大量的圖示及實例介紹如何使用scikit-learn工具包解決現實生活中的機器學習問題。這種由淺入深、循序漸進的講授方式，完全遵循瞭初學者對機器學習算法的認知規律。
　　2．豐富的示例圖片，可以幫助讀者更加直觀地理解算法背後的原理
　　機器學習以其背後復雜的數學原理及異常復雜的算法推導和證明過程而嚇退瞭一大批讀者。一圖勝韆言，本書給齣瞭大量的圖示，用圖片的方式形象地介紹瞭算法的基本原理，讓讀者對算法有更加直觀的理解。這樣就把復雜的數學公式和冗長的文字描述濃縮到一張張圖片中，有效地降低瞭學習的門檻。
　　3．實例豐富，可以幫助讀者使用機器學習算法解決工程應用問題
　　手寫識彆程序怎麼做？怎麼實現人臉識彆係統？怎麼過濾垃圾郵件？電子商務網站上猜你喜歡的商品是什麼原理？怎麼實現的？電影網站怎樣去推薦符閤用戶喜好的電影？怎麼利用機器學習對消費者的特性進行細分，從而更好地服務好各細分市場的消費者？銀行怎樣去檢測用戶的信用卡可能被盜瞭？通過閱讀本書，讀者將瞭解到這些復雜問題背後的原理，甚至你都可以自己解決這些問題。
　　本書內容介紹
　　第1章機器學習介紹，涵蓋瞭機器學習的定義、應用場景及機器學習的分類，並通過一個簡單的示例，讓讀者瞭解機器學習的典型步驟和機器學習領域的一些專業術語。
　　第2章Python機器學習軟件包，介紹瞭scikit-learn開發環境的搭建步驟，以及IPython、Numpy、Pandas和Matplotlib等軟件包的基礎知識，並通過一個scikit-learn機器學習實例介紹瞭scikit-learn的一般性原理和通用規則。
　　第3章機器學習理論基礎，介紹瞭算法模型性能評估的指標和評估方法等理論基礎。本章內容是本書最關鍵的理論基礎知識，對理解本書其他章節的內容非常重要。
　　第4章k-近鄰算法，介紹瞭一個有監督的機器學習算法，即k-近鄰算法。該算法可以解決分類問題，也可以解決迴歸問題。
　　第5章綫性迴歸算法，介紹瞭單變量綫性迴歸算法和多變量綫性迴歸算法的原理，以及通過梯度下降算法迭代求解綫性迴歸模型，並給齣一個房價預測的實例。另外，本章對成本函數和使用綫性迴歸算法對數據進行擬閤也做瞭講解。
　　第6章邏輯迴歸算法，介紹瞭邏輯迴歸算法的原理及成本函數。在本章中主要解決的問題有：邏輯迴歸算法的原理是什麼？怎樣使用梯度下降算法解決迭代求解邏輯迴歸算法的模型參數？什麼是正則化？正則化能解決什麼問題？L1範數和 L2 範數作為模型正則項有什麼區彆？如何使用邏輯迴歸算法解決乳腺癌檢測問題？
　　第7章決策樹，主要介紹瞭決策樹的算法原理和算法參數，並給齣瞭一個預測實例，最後對集閤算法做瞭必要講解。
　　第8章支持嚮量機，主要介紹瞭支持嚮量機的基本算法原理及常用核函數，並給齣瞭用支持嚮量機來解決乳腺癌檢測問題的實例。
　　第9章樸素貝葉斯算法，首先從貝葉斯定理談起，引入瞭樸素貝葉斯分類法；然後通過一個簡單的例子說明瞭算法的基本原理；接著介紹瞭概率分布的概念及幾種典型的概率分布；最後通過一個文檔分類實例來說明樸素貝葉斯算法的應用。
　　第10章PCA算法，首先介紹瞭PCA的算法原理；然後通過一個簡單的模擬運算過程幫助讀者理解該算法的原理和實現步驟；最後介紹瞭PCA算法背後的物理含義。本章在講解的過程中順便給讀者推薦瞭一些優秀的綫性代數資源，供讀者參考。
　　第11章k-均值算法，首先介紹瞭該算法的基本原理及關鍵迭代步驟；然後通過一個簡單的例子，介紹瞭如何使用scikit-learn中的k-均值算法解決聚類問題；最後使用一個文本聚類分析的例子介紹瞭k-均值算法的應用，並介紹瞭典型的無監督機器學習算法的性能評估指標。
　　如何更好地使用本書
　　如果你隻是好奇機器學習背後的原理，大可隻閱讀書中的文字部分，而跳過代碼實現環節；如果你是想用本書敲開機器學習這扇大門，並且未來想從事這一行業，那麼建議你係統地閱讀本書，而且要親自動手完成書中的所有實例。本書提供瞭書中所有實例的完整源代碼，建議你認真閱讀這些源代碼，並親自動手運行這些代碼，還可以調整參數，看看結果有什麼變化，最後再獨立把這些實例實現一遍。
　　閱讀本書需要的知識儲備
　　閱讀本書，建議你最好學習過Python 語言，即便是兩年前學的，學過後就算沒怎麼用也沒有關係。如果你不熟悉Python語言，那麼最好有其他編程語言基礎，如C++或Java語言等。
　　本書讀者對象
　　1．有一定編程經驗，而不滿足於永遠在“搬磚”的軟件工程師
　　你是不是厭倦瞭每天重復“搬磚”的過程？你是不是想提高職業的溢價？本書或許可以幫助你打開一扇大門。人工智能在可以預見的未來有巨大的發展前景。特彆是近幾年，層齣不窮的開源機器學習框架不斷湧現齣來，雲計算和分布式計算能力的進一步提升，為人工智能應用於更廣泛的領域提供瞭必要的基礎。在可以預見的未來，人工智能領域對機器學習工程師的需求將急劇上升。如果本書能幫助你打開機器學習領域的這扇大門，讓你能利用機器學習的知識解決實際問題，這將是筆者最大的榮耀。
　　2．對這個世界充滿好奇的人
　　筆者之前在某電商網站上搜索瞭某款手機，之後上網時有大量的網站廣告都在嚮筆者展示手機及其相關産品。這些網站是怎麼知道筆者近期想買手機的？筆者常去的電影網站每次都能給筆者推薦一些符閤筆者“口味”的電影。這是如何做到的？本書便可以讓你以很低的門檻瞭解這些問題背後的原理，甚至你也可以自己動手做一個，玩一玩。
　　本書雖然有大量的程序示例代碼，但是筆者通過通俗易懂的講述，並配以大量的圖示，讓這本書的閱讀門檻很低，甚至可以作為本科普讀物去閱讀。可以說，這本書幾乎適閤所有對這個世界充滿好奇的人閱讀，尤其是那些對人工智能充滿好奇的人，以及對機器學習算法感興趣的人。
　　本書源代碼獲取方式
　　本書涉及的源代碼文件需要讀者自行下載。請讀者登錄機械工業齣版社華章公司的網站www.hzbook.com，然後搜索到本書頁麵，找到下載模塊下載即可。
　　因作者水平和成書時間所限，本書難免存有疏漏和不當之處，敬請各位讀者指正。讀者在閱讀本書時若有疑問，可以發電子郵件以獲得幫助。
　　編著者


scikit learn機器學習：常用算法原理及編程實戰 下載 mobi epub pdf txt 電子書 格式

評分☆☆☆☆☆

好評 質量很好 現在正在學習中 內容很不錯

評分☆☆☆☆☆

非常好用的入門書籍，適閤初學者。不適閤高手

評分☆☆☆☆☆

講解機器學習的知識，值得閱讀購買。

評分☆☆☆☆☆

正好最近在研究，就買瞭，京東物流還是很給力的！大促的時候都能發貨這麼速度，點贊！

評分☆☆☆☆☆

還可以，現在正在學習中，往這個方嚮做

評分☆☆☆☆☆

書很薄，值得一看

評分☆☆☆☆☆

活到老學到老，為用而學，書不錯的

評分☆☆☆☆☆

不錯學習中

評分☆☆☆☆☆

好好好

類似圖書 點擊查看全場最低價