機器學習基礎 (第2版.題庫.微課視頻版) 呂雲翔 王淥汀 9787302664093 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$375
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202406*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：機器學習基礎 (第2版.題庫.微課視頻版) ISBN：9787302664093 出版社：清華大學 著編譯者：呂雲翔 王淥汀 叢書名：清華科技大講堂 頁數：203 所在地：中國大陸 *此為代購商品 書號：1653105 可大量預訂，請先連絡。 內容簡介 本書以機器學習演算法為主題，詳細介紹演算法的理論細節與應用方法。全書共19章，分別介紹了邏輯回歸及最大嫡模型、k-近鄰模型、決策樹模型、樸素貝葉斯分類器模型、支持向量機模型、集成學習框架EM演算法、降維演算法、聚類演算法、神經網路模型等基礎模型或演算法，以及8個綜合項目實例。本書重視理論與實踐相結合，希望為讀者提供全面而細緻的學習指導。 本書適合機器學習初學者、相關行業從業人員以及高等院校計算機科學與技術、軟體工程等相關專業的師生閱讀。目錄 第1章 機器學習概述1 1 機器學習的組成 1 2 分類問題及回歸問題 1 3 監督學習、半監督學習和無監督學習 1 4 生成模型及判別模型 1 5 模型評估 1 5 1 訓練誤差及泛化誤差 1 5 2 過擬合及欠擬合 1 6 正則化 1 7 Scikit-learn模塊 1 7 1 數據集 1 7 2 模型選擇 習題1 第2章 邏輯回歸及最大熵模型 2 1 線性回歸 2 1 1 一元線性回歸 2 1 2 多元線性回歸 2 2 廣義線性回歸 2 2 1 邏輯回歸 2 2 2 多分類邏輯回歸 2 2 3 交叉熵損失函數 2 3 最大熵模型 2 3 1 最大熵模型的導出 2 3 2 最大熵模型與邏輯回歸之間的關係 2 4 評價指標 2 4 1 混淆矩陣 2 4 2 準確率 2 4 3 精確率與召回率 2 4 4 PR曲線 2 4 5 ROC曲線 2 5 實例：基於邏輯回歸實現乳腺癌預測 習題2 第3章 k-近鄰演算法 3 1 女值的選取 3 2 距離的度量 3 3 快速檢索 3 4 實例：基於k-近鄰演算法實現鳶尾花分類 習題3 第4章 決策樹 4 1 特徵選擇 4 1 1 信息增益 4 1 2 信息增益比 4 2 決策樹生成演算法CART 4 3 決策樹剪枝 4 3 1 預剪枝 4 3 2 后剪枝 4 4 實例：基於決策樹實現葡萄酒分類 習題4 第5章 樸素貝葉斯分類器 5 1 極大似然估計 5 2 樸素貝葉斯分類 5 3 拉普拉斯平滑 5 4 樸素貝葉斯分類器的極大似然估計解釋 5 5 實例：基於樸素貝葉斯實現垃圾簡訊分類 習題5 第6章 支持向量機 6 1 最大間隔及超平面 6 2 線性可分支持向量機 6 3 線性支持向量機 6 4 合頁損失函數 6 5 核技巧 6 6 二分類問題與多分類問題 6 6 1 一對一 6 6 2 一對多 6 6 3 多對多 6 7 實例：基於支持向量機實現葡萄酒分類 習題6 第7章 集成學習 7 1 偏差與方差 7 2 Bagging及隨機森林 7 2 1 Bagging 7 2 2 隨機森林 7 3 Boosting及AdaBoost 7 3 1 Boosting 7 3 2 AdaBoost 7 4 提升樹 7 4 1 殘差提升樹 7 4 2 GBDT 7 4 3 XGBoost 7 5 Stacking 7 6 實例：基於梯度下降樹實現波士頓房價預測 習題7 第8章 EM演算法及其應用 8 1 Jensen不等式 8 2 EM演算法 8 3 高斯混合模型（GMM） 8 4 隱馬爾可夫模型 8 4 1 計算觀測概率的輸出 8 4 2 估計隱馬爾可夫模型的參數 8 4 3 隱變數序列預測 8 5 實例：基於高斯混合模型實現鳶尾花分類 習題8 第9章 降維 9 1 主成分分析 9 1 1 方差即協方差的無偏估計 9 1 2 實例：基於主成分分析實現鳶尾花數據降維 9 2 奇異值分解 9 2 1 奇異值分解的構造 9 2 2 奇異值分解用於數據壓縮 9 2 3 SVD與PCA的關係 9 2 4 奇異值分解的幾何解釋 9 2 5 實例：基於奇異值分解實現圖片壓縮 習題9 第10章 聚類 10 1 距離度量 10 1 1 閔可夫斯基距離 1O 1 2 餘弦相似度 10 1 3 馬氏距離 10 1 4 漢明距離 10 2 層次聚類 10 3 K-Means聚類 10 4 K-Medoids聚類 10 5 DBSCAN 10 6 實例：基於K-Means實現鳶尾花聚類 習題10 第11章 神經網路與深度學習 11 1 神經元模型 11 2 多層感知機 11 3 損失函數 11 4 反向傳播演算法 11 4 1 梯度下降法 11 4 2 梯度消失及梯度爆炸 11 5 卷積神經網路 11 5 1 卷積 11 5 2 池化 11 5 3 網路架構 11 6 循環神經網路 11 7 生成對抗網路 11 8 圖卷積神經網路 11 9 深度學習發展 11 10 實例：基於卷積神經網路實現手寫數字識別 11 10 1 MNIST數據集 11 10 2 基於卷積神經網路的手寫數字識別 習題11 第12章 案例：用戶流失預警 12 1 讀入數據 12 2 數據預處理和自變數標準化 12 3 五折交叉驗證 12 4 代入三種模型 12 5 調整prob閾值，輸出精度評估 第13章 案例：基於回歸問題和XGBoost模型的房價預測 13 1 XGBoost模型介紹 13 2 技術方案 13 2 1 數據分析 13 2 2 XGBoost模型參數 13 2 3 調參過程 13 3 完整代碼及結果展示 第14章 案例：基於K-Means演算法的鳶尾花數據聚類和可視化 14 1 數據及工具簡介 14 1 1 Iris數據集（鳶尾花數據集） 14 1 2 T1kinter 14 2 案例分析 14 2 1 模塊引入 14 2 2 布局圖形界面 14 2 3 讀取數據文件 14 2 4 聚類 14 2 5 聚類結果可視化 14 2 6 誤差分析及其可視化 14 2 7 使用流程 第15章 案例：影評數據分析與電影推薦 15 1 明確目標與準備數據 15 2 工具選擇 15 3 初步分析 15 3 1 用戶角度分析 15 3 2 電影角 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
