scikit-learn機器學習：常用算法原理及編程實戰計算機與互聯網…|7436499 epub pdf mobi txt 電子書下載 2024

Name: scikit-learn機器學習：常用算法原理及編程實戰 計算機與互聯網…|7436499 pdf epub mobi txt 電子書 2024
SKU: 25605687419
Rating: 4 (10 reviews)

☆☆☆☆☆
簡體網頁||繁體網頁

黃永昌著

下載链接在页面底部

點擊這裡下載

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

想要找書就要到靜思書屋

book.tinynews.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

發表於2024-11-16

商品介绍

店鋪：互動齣版網圖書專營店

齣版社：機械工業齣版社

ISBN：9787111590248

商品編碼：25605687419

齣版時間：2018-03-01

scikit-learn機器學習：常用算法原理及編程實戰計算機與互聯網…|7436499 epub pdf mobi txt 電子書下載 2024

类似图書點擊查看全場最低價

書籍描述

書[0名0]：	scikit-learn [1機1] 器[0學0]習：常用算[0法0]原理及編程實戰\|7436499
圖書定價：	59元
圖書作者：	黃永昌
齣版社：	[1機1] 械工業齣版社
齣版日期：	2018/3/1 0:00:00
ISBN號：	9787111590248
開本：	16開
頁數：	0
版次：	1-1

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 [1機1] 器[0學0]習上方復雜的數[0學0]“烏雲”，讓讀者以較低的代價和門檻輕鬆入門 [1機1] 器[0學0]習。
本書共分為11章，介紹瞭在Python環境下[0學0]習scikit-learn [1機1] 器[0學0]習框架的相關[0知0]識，涵蓋的主要內容有 [1機1] 器[0學0]習概述、Python [1機1] 器[0學0]習軟件包、 [1機1] 器[0學0]習理論基礎、k-近鄰算[0法0]、綫性迴歸算[0法0]、邏輯迴歸算[0法0]、決策樹、支持嚮量 [1機1] 、樸素貝葉斯算[0法0]、PCA 算[0法0]和k-均值算[0法0]等。
本書適閤有一定編程基礎的讀者閱讀，尤其適閤想從事 [1機1] 器[0學0]習、人工智能、深度[0學0]習及 [1機1] 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 [1機1] 構也可以將本書作為教材使用。
scikit-learn [1機1] 器[0學0]習
常用算[0法0]原理及編程實戰
齣版發行： [1機1] 械工業齣版社（北京市西城區百萬莊[0大0]街22號郵政編碼：100037）
責任編輯：歐振旭李華君責任校對：姚誌娟
印刷：中[0國0]電影齣版社印刷廠版次：2018年3月[0第0]1版[0第0]1次印刷
開本：186mm×240mm 1/16 印張：13.75
書號：ISBN 978-7-111-59024-8 定價：59.00元
凡購本書，如有缺頁、倒頁、脫頁，由本社發行部調換
客服熱綫：（010）88379426 88361066 投稿熱綫：（010）88379604
購書熱綫：（010）68326294 88379649 68995259 讀者信箱：hzit@hzbook.com
版[0權0]所有·侵[0權0]必究
封底無防僞標均為盜版
本書[0法0]律顧問：北京[0大0]成律師事務所韓光/鄒曉東

前言
[0第0]1章 [1機1] 器[0學0]習介紹 1
1.1 什麼是 [1機1] 器[0學0]習 1
1.2 [1機1] 器[0學0]習有什麼用 2
1.3 [1機1] 器[0學0]習的分類 3
1.4 [1機1] 器[0學0]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[0評0]估和[0優0]化 5
1.4.7 模型使用 6
1.5 復習題 6
[0第0]2章 Python [1機1] 器[0學0]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[0學0]習資源 57
[0第0]3章 [1機1] 器[0學0]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 [0學0]習麯綫 62
3.4.1 實例：畫齣[0學0]習麯綫 62
3.4.2 過擬閤和欠擬閤的特徵 65
3.5 算[0法0]模型性能[0優0]化 65
3.6 查準率和召迴率 66
3.7 F1 Score 67
3.8 復習題 67
[0第0]4章 k-近鄰算[0法0] 69
4.1 算[0法0]原理 69
4.1.1 算[0法0][0優0]缺點 69
4.1.2 算[0法0]參數 70
4.1.3 算[0法0]的變種 70
4.2 示例：使用k-近鄰算[0法0]進行分類 70
4.3 示例：使用k-近鄰算[0法0]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[0法0]的運算效率 80
4.5.2 相關性測試 80
4.6 復習題 81
[0第0]5章綫性迴歸算[0法0] 83
5.1 算[0法0]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[0法0] 84
5.2 多變量綫性迴歸算[0法0] 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[0法0] 88
5.3 模型[0優0]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[0法0]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[0優0]化 94
5.5.4 [0學0]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 [1機1] 梯度下降算[0法0] 96
5.6.3 標準方程 97
5.7 復習題 97
[0第0]6章邏輯迴歸算[0法0] 98
6.1 算[0法0]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[0法0] 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[0法0]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[0優0]化 110
6.5.4 [0學0]習麯綫 111
6.6 拓展閱讀 113
6.7 復習題 114
[0第0]7章決策樹 115
7.1 算[0法0]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[0法0] 120
7.2 算[0法0]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 [0優0]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[0法0] 130
7.5 集閤算[0法0] 131
7.5.1 自助聚閤算[0法0]Bagging 131
7.5.2 正嚮激勵算[0法0]boosting 131
7.5.3 隨 [1機1] 森林 132
7.5.4 ExtraTrees算[0法0] 133
7.6 復習題 133
[0第0]8章支持嚮量 [1機1] 134
8.1 算[0法0]原理 134
8.1.1 [0大0]間距分類算[0法0] 134
8.1.2 鬆弛係數 136
8.2 核函數 138
8.2.1 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SVM 144
8.4 實例：乳腺癌檢測 146
8.5 復習題 149
[0第0]9章樸素貝葉斯算[0法0] 151
9.1 算[0法0]原理 151
9.1.1 貝葉斯定理 151
9.1.2 樸素貝葉斯分類[0法0] 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[0學0]錶達 161
9.5.3 模型訓練 163
9.5.4 模型[0評0]價 165
9.6 復習題 167
[0第0]10章 PCA算[0法0] 168
10.1 算[0法0]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[0法0]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 [1機1] 器[0學0]習算[0法0]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 終結果 185
10.5 拓展閱讀 189
10.6 復習題 189
[0第0]11章 k-均值算[0法0] 190
11.1 算[0法0]原理 190
11.1.1 k-均值算[0法0]成本函數 191
11.1.2 隨 [1機1] 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[0法0] 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[0法0]性能[0評0]估 200
11.4.1 Adjust Rand Index 200
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

scikit-learn機器學習：常用算法原理及編程實戰計算機與互聯網…|7436499 epub pdf mobi txt 電子書下載 2024

scikit-learn機器學習：常用算法原理及編程實戰計算機與互聯網…|7436499 下載 epub mobi pdf txt 電子書