Python機器學習演算法及應用 梁佩瑩 9787302664482 【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$571
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：202407*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：Python機器學習演算法及應用 ISBN：9787302664482 出版社：清華大學 著編譯者：梁佩瑩 叢書名：大數據與人工智慧技術叢書 頁數：308 所在地：中國大陸 *此為代購商品 書號：1655398 可大量預訂，請先連絡。 內容簡介 本書以Python 3 10 7為平台，以實際應用為背景，通過「概述+經典應用」的形式，深入淺出地介紹Python機器學習演算法及應用的相關知識。全書共12章，主要內容包括在數據上的計算機學習能力、簡單的機器學習分類演算法、sklearn機器學習分類器、數據預處理、降維實現數據壓縮、不同模型的集成學習、連續變數的回歸分析、數據的聚類分析、從單層到多層的人工神經網路、使用深度卷積神經網路實現圖像分類、使用循環神經網路實現序列建模、使用生成對抗網路合成新數據等。通過本書的學習，讀者可領略到Python的簡單、易學、易讀、易維護等特點，同時感受到利用Python實現機器學習的普遍性與專業性。 本書可作為高等學校相關專業本科生和研究生的學慣用書，也可作為相關專業科研人員、學者、工程技術人員的參考用書。目錄 第1章 在數據上的計算機學習能力1 1 轉換機器學習 1 1 1 轉換機器學習簡介 1 1 2 轉換機器學習對比其他方法 1 1 3 轉換機器學習的改進 1 1 4 轉換機器學習的可解釋性 1 1 5 轉換機器學習對比深度神經網路 1 1 6 構建機器學習的生態系統 1 2 三種不同類型的機器學習 1 2 1 用監督學習預測未來 1 2 2 用強化學習解決交互問題 1 2 3 用無監督學習發現隱藏的結構 1 2 4 分類和回歸術語 1 3 評估機器學習模型 1 3 1 簡單的留出驗證 1 3 2 K折驗證 1 3 3 帶有打亂數據的重複K折驗證 1 4 數據預處理、特徵工程和特徵學習 1 4 1 神經網路的數據預處理 1 4 2 特徵工程 1 5 過擬合和欠擬合 1 5 1 減小網路大小 1 5 2 添加權重正則化 1 5 3 添加dropout正則化 1 6 機器學習工作流程 1 6 1 收集數據集 1 6 2 選擇衡量成功的指標 1 6 3 確定評估法 1 6 4 開發更好的模型 1 6 5 擴大模型規模 1 6 6 正則化與調節超參數 1 7 應用Python解決機器學習問題 1 7 1 使用Python的原因 1 7 2 Python的安裝 1 7 3 Jupyter Notebook的安裝與使用 1 7 4 使用pip安裝第三方庫 1 8 用於機器學習的軟體包 1 8 1 NumPy軟體包 1 8 2 SciPy軟體包 1 8 3 Pandas軟體包 第2章 簡單的機器學習分類演算法 2 1 機器學習的早期歷史——人工神經網路 2 1 1 人工神經網路的定義 2 1 2 感知機學習規則 2 2 感知機分類鳶尾 2 3 自適應神經學習 2 4 大規模機器學習與隨機梯度下降 2 4 1 梯度下降演算法概述 2 4 2 批量梯度下降演算法 2 4 3 隨機梯度下降演算法 2 4 4 小批量梯度下降演算法 2 4 5 梯度下降演算法的調優 第3章 sklearn機器學習分類器 3 1 分類器的選擇 3 2 訓練感知器 3 3 基於邏輯回歸的分類概率建模 3 3 1 幾個相關定義 3 3 2 邏輯代價函數的權重 3 3 3 正則化解決過擬合問題 3 4 支持向量機最大化分類間隔 3 4 1 超平面 3 4 2 函數間隔和幾何間隔 3 4 3 間隔最大化 3 5 核SVM解決非線性分類問題 3 5 1 處理非線性不可分數據的核方法 3 5 2 核函數實現高維空間的分離超平面 3 6 決策樹 3 6 1 何為決策樹 3 6 2 決策樹生成 3 6 3 決策樹的剪枝 3 6 4 使用sklearn預測個人情況 3 7 K近鄰演算法 3 7 1 K近鄰演算法的原理 3 7 2 K近鄰演算法的實現 3 8 貝葉斯演算法 3 8 1 貝葉斯演算法的基本思想 3 8 2 貝葉斯演算法的模型 3 8 3 用sklearn實現貝葉斯分類 第4章 數據預處理 4 1 數據清洗 4 1 1 缺失值處理 4 1 2 異常值分析 4 2 對某一列編碼 4 3 劃分訓練集與測試集 4 3 1 偽隨機數劃分 4 3 2 交叉驗證 4 4 數據特徵縮放 4 4 1 特徵標準化/方差縮放 4 4 2 特徵歸一化 4 5 特徵選擇 4 5 1 Filter 4 5 2 Wrapper 4 5 3 基於L1的正則化 第5章 降維實現數據壓縮 5 1 數據降維 5 2 主成分降維 5 2 1 主成分分析步驟 5 2 2 PCA演算法實現 5 2 3 降維映射PCA的實現與應用 5 3 線性判別分析監督數據壓縮 5 3 1 線性判別分析基本思想 5 3 2 LDA公式推導 5 3 3 拉格朗日函數問題 5 3 4 LDA實現數據降維 5 3 5 基於sklearn的線性判別分析 5 4 非線性映射核主成分降維 5 4 1 核函數與核技巧 5 4 2 KPCA與PCA降維實現 第6章 不同模型的集成學習 6 1 集成學習 6 2 多投票機制組合分類器 6 3 Bagging演算法 6 4 Boosting模型 6 4 1 Boosting的基本思路 6 4 2 AdaBoost演算法 6 4 3 Gradient Boosting演算法 6 5 Stacking模型 6 5 1 Stacking原理 6 5 2 Stacking模型實現 第7章 連續變數的回歸分析 7 1 線性回歸 7 1 1 簡單線性回歸 7 1 2 多元線性回歸 7 1 3 相關矩陣查看關係 7 1 4 協方差與相關性 7 2 最小二乘線性回歸 7 2 1 梯度下降法 7 2 2 通過sklearn估計回歸模型的係數 7 3 使用RANSAC演算法擬合健壯回歸模型 7 4 線性回歸模型性能的評估 7 4 1 線性回歸演算法的衡量標準 7 4 2 線性回歸演算法應用實例 7 5 利用正則化方法進行回歸 7 5 1 嶺回歸 7 5 2 Lasso回歸 7 5 3 彈性網路 7 6 將線性回歸模型轉換為多項式回歸 7 7 用隨機森林處理非線性關係 7 7 1 決策樹 7 7 2 隨機森林回歸 第8章 數據的聚類分析 8 1 K-Means演算法 8 1 1 K-Means演算法原理 8 1 2 K-Means演算法步驟 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。 |
