机器学(公式推导与代码实现) 人工智能 鲁伟编著
举报
-
作者:
鲁伟编著
-
出版社:
人民邮电出版社
-
ISBN:
9787115579522
-
出版时间:
2022-01
-
作者:
鲁伟编著
-
出版社:
人民邮电出版社
-
ISBN:
9787115579522
售价
￥
40.90
4.1折
定价
￥99.80
品相
全新品相描述
上书时间2024-03-02
卖家超过10天未登录
手机购买
![]()
微信扫码访问
-
-
商品描述：
-
主编：
完备的公式推导，解决机器学中的数学难题基于numpy与sklearn，介绍26个主流机器学算的实现"机器学实验室"主理人倾力打造，近40000读者已验证
目录：
序
前言
章 机器学预备知识 2
1.1 引言 2
1.2 关键术语与任务类型 2
1.3 机器学三要素 3
1.4 机器学核心 4
1.5 机器学流程 5
1.6 numpy必学必会 7
1.6.1 创建数组 7
1.6.2 数组的索引与切片 9
1.6.3 数组的基础运算 10
1.6.4 数组维度变换 11
1.6.5 数组合并与切分 12
1.7 sklearn简介 13
1.8章节安排 14
1.9 小结 16
第2章 线回归 18
2.1 杭州的房房价 18
2.2 线回归的推导 19
2.3 线回归的代码实现 22
2.3.1 编写思路 22
2.3.2 基于numpy的代码实现 23
2.3.3 基于sklearn的模型实现 28
2.4 小结 29
第3章 逻辑回归 30
3.1 app开屏广告 30
3.2 逻辑回归的推导 31
3.3 逻辑回归的代码实现 33
3.3.1 编写思路 33
3.3.2 基于numpy的逻辑回归实现 34
3.3.3 基于sklearn的逻辑回归实现 41
3.4 小结 41
第4章 回归模型拓展 42
4.1 回到杭州房房价 42
4.2 lasso回归的推导 42
4.3 lasso回归的代码实现 44
4.3.1 编写思路 44
4.3.2 基于numpy的lasso回归实现 45
4.3.3 基于sklearn的lasso回归实现 49
4.4 ridge回归的推导 49
4.5 ridge回归的代码实现 50
4.6 小结 54
第5章 线判别分析 55
5.1 lda基本思想 55
5.2 lda数学推导 56
5.3 lda算实现 57
5.3.1 基于numpy的lda算实现 57
5.3.2 基于sklearn的lda算实现 60
5.4 小结 61
第6章 k近邻算 62
6.1 “猜你喜欢”的逻辑 62
6.2 距离度量方式 63
6.3 k 近邻算的基本 64
6.4 k 近邻算的代码实现 64
6.4.1 编写思路 64
6.4.2 基于numpy的k近邻算实现 65
6.4.3 基于sklearn的k近邻算实现 71
6.5 小结 71
第7章 决策树 72
7.1 “是否要打高尔夫” 72
7.2 决策树 73
7.3 特征选择：从信息增益到基尼指数 75
7.3.1 什么是特征选择 75
7.3.2 信息增益 75
7.3.3 信息增益比 78
7.3.4 基尼指数 79
7.4 决策树模型：从id3到cart 81
7.4.1 id3 81
7.4.2 c4.5 85
7.4.3 cart分类树 86
7.4.4 cart回归树 86
7.4.5 cart算实现 88
7.5 决策树剪枝 95
7.6 小结 96
第8章 神经网络 97
8.1 无处不在的图像识别 97
8.2 从感知机说起 98
8.2.1 感知机推导 98
8.2.2 基于numpy的感知机实现 100
8.3 从单层到多层 103
8.3.1 神经网络与反向传播 103
8.3.2 基于numpy的神经网络搭建 105
8.4 神经网络的广阔天地 114
8.5 小结 114
第9章 支持向量机 115
9.1 重新从感知机出发 115
9.2 线可分支持向量机 116
9.2.1 线可分支持向量机的推导 116
9.2.2 线可分支持向量机的算实现 120
9.3 近似线可分支持向量机 125
9.3.1 近似线可分支持向量机的推导 125
9.3.2 近似线可分支持向量机的算实现 128
9.4 线不可分支持向量机 132
9.4.1 线不可分与核 132
9.4.2 smo算 135
9.4.3 线不可分支持向量机的算实现 137
9.5 小结 142
0章 adaboost 144
10.1 什么是boosting 144
10.2 adaboost算的推导 144
10.2.1 adaboost基本 144
10.2.2 adaboost与前向分步算 146
10.3 adaboost算实现 147
10.3.1 基于numpy的adaboost算实现 147
10.3.2 基于sklearn的adaboost算实现 153
10.4 小结 153
1章 gbdt 154
11.1 从提升树到梯度提升树 154
11.2 gbdt算的推导 154
11.3 gbdt算实现 157
11.3.1 从零开始实现一个gbdt算系统 157
11.3.2 基于sklearn的gbdt实现 161
11.4 小结 162
2章 xgboost 163
12.1 xgboost：靠前梯度提升树 163
12.2 xgboost算的推导 164
12.3 xgboost算实现 168
12.3.1 xgboost实现：基于gbdt的改进 168
12.3.2 原生库xgboost示例 172
12.4 小结 174
3章 lightgbm 175
13.1 xgboost可优化的地方 175
13.2 lightgbm基本 175
13.2.1 直方图算 175
13.2.2 单边梯度抽样 176
13.2.3 互斥特征捆绑算 177
13.2.4 leaf-wise生长策略 178
13.3 lightgbm算实现 179
13.4 小结 181
4章 catboost 182
14.1 机器学中类别特征的处理方 182
14.2 catboost理论基础 183
14.2.1 目标变量统计 183
14.2.2 特征组合 184
14.2.3 排序提升算 184
14.3 catboost算实现 186
14.4 小结 188
5章 森林 189
15.1 bagging：另一种集成学框架 189
15.2 森林的基本 190
15.3 森林的算实现 191
15.3.1 基于numpy的森林算实现 191
15.3.2 基于sklearn的森林算实现 195
15.4 小结 196
6章 集成学：对比与调参 197
16.1 三oosting算对比 197
16.2 常用的超参数调优方 201
16.2.1 网格搜索 201
16.2.2 搜索 202
16.2.3 贝叶斯调参 203
16.3 小结 205
7章 聚类分析与k均值聚类算 208
17.1 距离度量和相似度度量方式 208
17.2 聚类算一览 209
17.3 k均值聚类算的推导 211
17.4 k均值聚类算实现 212
17.4.1 基于numpy的k均值聚类算实现 212
17.4.2 基于sklearn的k均值聚类算实现 217
17.5 小结 217
8章 主成分分析 218
18.1 pca算的推导 218
18.2 pca算实现 220
18.2.1 基于numpy的pca算实现 220
18.2.2 基于sklearn的pca算实现 222
18.3 小结 223
9章 奇异值分解 224
19.1 特征向量与矩阵分解 224
19.2 svd算的推导 225
19.3 svd算实现与应用 226
19.3.1 svd算实现 226
19.3.2 基于svd的图像去噪 227
19.4 小结 231
第20章 优选信息熵模型 234
20.1 优选信息熵 234
20.2 优选信息熵模型的推导 234
20.3 小结 237
第21章 贝叶斯概率模型 238
21.1 贝叶斯定理简介 238
21.2 朴素贝叶斯 239
21.2.1 朴素贝叶斯的推导 239
21.2.2 基于numpy的朴素贝叶斯实现 240
21.2.3 基于sklearn的朴素贝叶斯实现 243
21.3 贝叶斯网络 244
21.3.1 贝叶斯网络的推导 244
21.3.2 借助于pgmpy的贝叶斯网络实现 246
21.4 小结 249
第22章 em算 250
22.1 极大似然估计 250
22.2 em算的推导 251
22.3 em算实现 253
22.4 小结 255
第23章 隐马尔可夫模型 256
23.1 什么是概率图模型 256
23.2 hmm的定义与相关概念 257
23.3 hmm的三个经典问题 262
23.3.1 概率计算问题与前向 后向算 262
23.3.2 参数估计问题与baum-welch算 266
23.3.3 序列标注问题与维特比算 269
23.4 小结 271
第24章 条件场 272
24.1 从生活画像到词标注问题 272
24.2 概率无向图 273
24.3 crf的定义与形式 275
24.4 crf的三大问题 277
24.4.1 crf的概率计算问题 277
24.4.2 crf的参数估计问题 278
24.4.3 crf的序列标注问题 279
24.4.4 基于sklearn_crfsuite的crf代码实现 281
24.5 小结 281
第25章 马尔可夫链蒙特卡洛方 283
25.1 前置知识与相关概念 283
25.1.1 马尔可夫链 283
25.1.2 蒙特卡洛算 285
25.2 mcmc的推导 287
25.2.1 mcmc采样 287
25.2.2 metropolis-hasting采样算 289
25.2.3 gibbs采样算 291
25.3 mcmc与贝叶斯推断 296
25.4 小结 296
第26章 机器学模型结 298
26.1 机器学模型的归纳与分类 298
26.1.1 单模型与集成模型 300
26.1.2 监督模型与无监督模型 301
26.1.3 生成式模型与判别式模型 301
26.1.4 概率模型与非概率模型 302
26.2 本书的不足和未来展望 303
参文献 305
内容简介：
作为一门应用型学科，机器学植根于数学理论，落地于代码实现。这意味着，掌握公式推导和代码编写，方能更加深入地理解机器学算的内在逻辑和运行机制。本书在对机器学算进行分类梳理的基础之上，分别对监督学单模型、监督学集成模型、无监督学模型、概率模型四个大类共26个经典算进行了细致的公式推导和代码实现，旨在帮助机器学学者和研究者完整地掌握算细节、实现方以及内在逻辑。本书既适合数理基础扎实的入门者阅读，也适合深入学的者阅读。此外，它还适合作为机器学领域的参书。
作者简介：
鲁伟，贝叶斯统计方向硕士，深度学算工程师，主要从事医疗数据分析、医学图像处理和深度学应用相关研究与工作。著有深度学一书，也是“机器学实验室”的主理人。
精彩书评：
对于机器学相关专业的研究者和从业者而言，运用机器学处理数据要有两大基本功，一个是理论功底，另一个是算实现能力。这本书正好契合这两大主题：以公式推导为代表的机器学理论体系和以numpy算实现为代表的编程能力。全书体现了两个非常有特的对应关系：公式推导与numpy代码实现之间的对应关系，numpy代码实现与sklearn机器学库之间的对应关系。此书编排新颖，非常值得一读！汤银才，华东师范大学统计学院教授在机器学流行的这些年，很多人停留在使用sklearn调包的阶段，对模型背后的数学和算实现一知半解，因而很难提升到更高的水。书中详细的数学推导、用numpy从零开始的编程实现，会让读者知其然，还知其所以然，对机器学模型会有更深刻的认识。王圣元，新加坡某金融咨询公司监，"王的机器"主理人很早关注鲁伟老师公众号的"数学推导纯python实现机器学算"系列文章，这给了我很大启发。市面上的机器学图书很多，但很少有结合数学和代码实现的。这本书几乎涵盖了主流的机器学算，而且使用python代码进行算的实现。这本书对初学者相当友好，理论、代码齐备，值得。黄海广，温州大学副教授、人工智能系主任datawhale出版过一本"南瓜书"，作为"西瓜书"的伴侣书，聚焦于机器学公式的详细推导，旨在解决初学者入门机器学中的数学难题。而这本书在公式推导的基础上，进一步给出了包含算内在逻辑的代码实现，是初学者动手实践算不可或缺的材料，给大家！范晶晶，开源组织datawhale创始人这本书既有复杂的公式推导，可以帮助读者掌握算的数学；也有numpy库版本的算代码，可以帮助读者更好地理解其中的数学，提高算实现能力；还有sklearn库版本的算调用函数，可以帮助读者快速、简单地实现算。这本书由浅入深，适合新手快速入门，也适合老手夯实基础，在此极力给诸位！张杰，公众号"easyshu"联合主创，python数据可视化之美作者很多人初学机器学时，只是调个包跑个结果，这种方式很容易忽略各类机器学算的底层，不是很好的学方式。这本书在手推公式和基本不调用机器学算库的前提下，"手撕"各大机器学算，给大家提供了学机器学硬核的方式，有助于加深对各大机器学算底层的理解。整本书全面又细致，非常适合初学者打基础，强烈给大家！张金雷，北京交通大学交通运输学院讲师，"当交通遇上机器学"主理人
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
