機器學習周誌華機器學習實戰人工智能書籍深度學習中文版deep learning神經 pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[美] PeterHarrington 著

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到新城書站

book.cndgn.com

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

店鋪：恒久圖書專營店

齣版社：人民郵電齣版社

ISBN：9787115317957

商品編碼：20952076641

包裝：平裝

開本：16

齣版時間：2013-06-01

頁數：332

具體描述

內容介紹

機器學習實戰
	定價	69.00
	齣版社	人民郵電齣版社
	版次	1
	齣版時間	2013年06月
	開本	16開
	作者	[美] Peter Harrington 著；李銳，李鵬，麯亞東等譯
	裝幀	平裝
	頁數	332
	字數
	ISBN編碼	9787115317957

編輯推薦

　　介紹並實現機器學習的主流算法
　　麵嚮日常任務的高效實戰內容
　　《機器學習實戰》沒有從理論角度來揭示機器學習算法背後的數學原理，而是通過“原理簡述+問題實例+實際代碼+運行效果”來介紹每一個算法。學習計算機的人都知道，計算機是一門實踐學科，沒有真正實現運行，很難真正理解算法的精髓。這本書的好處就是邊學邊用，非常適閤於急需邁進機器學習領域的人員學習。實際上，即使對於那些對機器學習有所瞭解的人來說，通過代碼實現也能進一步加深對機器學習算法的理解。
　　《機器學習實戰》的代碼采用Python語言編寫。Python代碼簡單優雅、易於上手，科學計算軟件包眾多，已經成為不少大學和研究機構進行計算機教學和科學計算的語言。相信Python編寫的機器學習代碼也能讓讀者盡快領略到這門學科的精妙之處。

內容簡介

　　機器學習是人工智能研究領域中一個極其重要的研究方嚮，在現今的大數據時代背景下，捕獲數據並從中萃取有價值的信息或模式，成為各行業求生存、謀發展的決定性手段，這使得這一過去為分析師和數學傢所專屬的研究領域越來越為人們所矚目。
　　《機器學習實戰》主要介紹機器學習基礎，以及如何利用算法進行分類，並逐步介紹瞭多種經*的監督學習算法，如k近鄰算法、樸素貝葉斯算法、Logistic迴歸算法、支持嚮量機、AdaBoost集成方法、基於樹的迴歸算法和分類迴歸樹（CART）算法等。第三部分則重點介紹無監督學習及其一些主要算法：k均值聚類算法、Apriori算法、FP-Growth算法。第四部分介紹瞭機器學習算法的一些附屬工具。
　　《機器學習實戰》通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效的可復用Python代碼來闡釋如何處理統計數據，進行數據分析及可視化。通過各種實例，讀者可從中學會機器學習的核心算法，並能將其運用於一些策略性任務中，如分類、預測、推薦。另外，還可用它們來實現一些更高*的功能，如匯總和簡化等。

作者簡介

　　Peter Harrington，擁有電氣工程學士和碩士學位，他曾經在美國加州和中國的英特爾公司工作7年。Peter擁有5項美國專利，在三種學術期刊上發錶過文章。他現在是Zillabyte公司的首*科學傢，在加入該公司之前，他曾擔任2年的機器學習軟件顧問。Peter在業餘時間還參加編程競賽和建造3D打印機。

精彩書評

　　“易學易懂，用處很大。”
　　——Alexandre Alves，Oracle CEP的架構師

　　“精心織構的代碼完*地詮釋齣機器學習的核心要義。”
　　——Patrick Toohey，Mettler-Toledo Hi-Speed軟件工程師

　　“實例很棒！可用於任何領域！”
　　——John Griffin，Hibernate Search in Action一書的閤作者

　　“敘述循序漸進，巧妙地闡述瞭算法之間的差異。”
　　——Stephen McKamey，Isomer Innovations技術實踐總監

第*部分　分類
第1章　機器學習基礎　　
1.1 　何謂機器學習　　
1.1.1 　傳感器和海量數據　　
1.1.2 　機器學習非常重要　　
1.2 　關鍵術語　　
1.3 　機器學習的主要任務　　
1.4 　如何選擇閤適的算法　　
1.5 　開發機器學習應用程序的步驟　　
1.6 　Python語言的優勢　　
1.6.1 　可執行僞代碼　　
1.6.2 　Python比較流行　　
1.6.3 　Python語言的特色　　
1.6.4 　Python語言的缺點　　
1.7 　NumPy函數庫基礎　　
1.8 　本章小結　　
第2章　k-近鄰算法　　
2.1 　k-近鄰算法概述　　
2.1.1 　準備：使用Python導入數據　　
2.1.2 　從文本文件中解析數據　　
2.1.3 　如何測試分類器　　
2.2 　示例：使用k-近鄰算法改進約會網站的配對效果　　
2.2.1 　準備數據：從文本文件中解析數據　　
2.2.2 　分析數據：使用Matplotlib創建散點圖　　
2.2.3 　準備數據：歸一化數值　　
2.2.4 　測試算法：作為完整程序驗證分類器　　
2.2.5 　使用算法：構建完整可用係統　　
2.3 　示例：手寫識彆係統　　
2.3.1 　準備數據：將圖像轉換為測試嚮量　　
2.3.2 　測試算法：使用k-近鄰算法識彆手寫數字　　
2.4 　本章小結　　
第3章　決策樹　　
3.1 　決策樹的構造　　
3.1.1 　信息增益　　
3.1.2 　劃分數據集　　
3.1.3 　遞歸構建決策樹　　
3.2 　在Python中使用Matplotlib注解繪製樹形圖　　
3.2.1 　Matplotlib注解　　
3.2.2 　構造注解樹　　
3.3 　測試和存儲分類器　　
3.3.1 　測試算法：使用決策樹執行分類　　
3.3.2 　使用算法：決策樹的存儲　　
3.4 　示例：使用決策樹預測隱形眼鏡類型　　
3.5 　本章小結　　
第4章　基於概率論的分類方法：樸素貝葉斯　　
4.1 　基於貝葉斯決策理論的分類方法　　
4.2 　條件概率　　
4.3 　使用條件概率來分類　　
4.4 　使用樸素貝葉斯進行文檔分類　　
4.5 　使用Python進行文本分類　　
4.5.1 　準備數據：從文本中構建詞嚮量　　
4.5.2 　訓練算法：從詞嚮量計算概率　　
4.5.3 　測試算法：根據現實情況修改分類器　　
4.5.4 　準備數據：文檔詞袋模型　　
4.6 　示例：使用樸素貝葉斯過濾垃圾郵件　　
4.6.1 　準備數據：切分文本　　
4.6.2 　測試算法：使用樸素貝葉斯進行交叉驗證　　
4.7 　示例：使用樸素貝葉斯分類器從個人廣告中獲取區域傾嚮　　
4.7.1 　收集數據：導入RSS源　　
4.7.2 　分析數據：顯示地域相關的用詞　　
4.8 　本章小結　　
第5章　Logistic迴歸　　
5.1 　基於Logistic迴歸和Sigmoid函數的分類　　
5.2 　基於*優化方法的*佳迴歸係數確定　　
5.2.1 　梯度上升法　　
5.2.2 　訓練算法：使用梯度上升找到*佳參數　　
5.2.3 　分析數據：畫齣決策邊界　　
5.2.4 　訓練算法：隨機梯度上升　　
5.3 　示例：從疝氣病癥預測病馬的死亡率　　
5.3.1 　準備數據：處理數據中的缺失值　　
5.3.2 　測試算法：用Logistic迴歸進行分類　　
5.4 　本章小結　　
第6章　支持嚮量機　　
6.1 　基於*大間隔分隔數據　　
6.2 　尋找*大間隔　　
6.2.1 　分類器求解的優化問題　　
6.2.2 　SVM應用的一般框架　　
6.3 　SMO高效優化算法　　
6.3.1 　Platt的SMO算法　　
6.3