成功加入购物车
大中专理科计算机 用Python语言实现机器学习的经典算法,经典算法、课程思政和实验实践“三位一体” 新华书店全新正版书籍
孙家泽 ; 王曙燕 ;路龙宾;田振洲; 王红玉 / 清华大学出版社 / 2023-07 / 平装
售价 ¥ 50.85 7.4折
定价 ¥69.00
品相 全新品相描述
优惠 满包邮
延迟发货说明
上书时间2024-02-19
卖家超过10天未登录
机器学习(Python实现)
机器学习是人工智能的重要分支。本书立足实用且易于上手实践的原则,系统地介绍机器学习领域的经典算法,以及这些算法的Python实现和典型应用。本书分4部分: 第1部分介绍监督学习,包括线性模型、决策树分类、贝叶斯分类器、集成学习和支持向量机;第2部分介绍无监督学习,包括关联规则、聚类分析和数据降维;第3部分介绍深度学习,包括神经网络、深度学习和生成对抗网络;第4部分介绍强化学习。本书所介绍的经典机器学习算法及其应用案例均给出了相关实验数据和Python代码实现,每章末尾还给出了习题和实验题,便于读者巩固知识和开展课内实验。 本书可作为高等学校信息类以及相关专业高年级本科生和研究生的教材,也可供对机器学习感兴趣的工程技术人员阅读参考。
第1章绪论/1 1.1什么是机器学习1 1.1.1机器学习的定义1 1.1.2机器学习的三要素3 1.1.3机器学习与数据挖掘3 1.2为什么要进行机器学习5 1.3机器学习的发展历程5 1.4机器学习算法9 1.4.1监督学习9 1.4.2无监督学习10 1.4.3半监督学习11 1.4.4强化学习12 1.5机器学习的应用12 1.6机器学习开发工具与框架13 1.6.1机器学习常用开发工具13 1.6.2机器学习常用框架15 1.7机器学习数据集16 习题17 第1部分监 督 学 习 第2章线性模型/212.1基本形式21 2.2线性回归22 2.3线性分类25 2.4多分类策略28 习题33 本章实验34 第3章决策树分类/35 3.1基本概念35 3.1.1什么是分类35 3.1.2分类过程36 3.1.3分类器常见的构造方法37 3.1.4决策树分类38 3.2CART算法39 3.2.1CART算法介绍39 3.2.2CART算法原理40 3.2.3CART算法实例40 3.2.4CART算法Python实现42 3.2.5CART算法的优缺点43 3.3ID3算法43 3.3.1ID3算法介绍43 3.3.2ID3算法原理44 3.3.3ID3算法实例45 3.3.4ID3算法Python实现48 3.3.5ID3的优缺点51 3.4C4.5算法52 3.4.1C4.5算法介绍52 3.4.2C4.5算法原理52 3.4.3C4.5算法实例53 3.4.4C4.5算法Python实现58 3.4.5C4.5算法的优缺点59 3.53种算法的比较59 3.6分类算法评价60 3.6.1常用术语60 3.6.2评价指标61 3.6.3分类器性能的表示62 3.6.4分类器性能的评估方法65 习题66 本章实验68 〖1〗机器学习(Python实现)目录〖3〗〖3〗第4章贝叶斯分类器/69 4.1贝叶斯理论69 4.1.1条件概率和乘法定理69 4.1.2全概率公式和贝叶斯定理70 4.1.3极大后验假设和极大似然假设70 4.2朴素贝叶斯分类算法72 4.2.1NBC算法原理72 4.2.2朴素贝叶斯分类器的特点75 4.3朴素贝叶斯分类器在破产预测中的应用76 4.3.1实验环境及数据集76 4.3.2数据处理77 4.3.3模型构建77 4.3.4模型评价分析78 4.4极大期望算法79 4.4.1极大似然估计79 4.4.2极大期望算法81 4.4.3EM算法的优缺点86 4.5EM算法求解三硬币模型参数87 4.5.1三硬币模型87 4.5.2三硬币模型Python实现87 习题89 本章实验90 第5章集成学习/91 5.1基本概念91 5.1.1算法起源91 5.1.2基本概念91 5.2Bagging算法与随机森林93 5.2.1Bagging算法93 5.2.2随机森林94 5.3Boosting算法102 5.3.1Boosting算法概述102 5.3.2AdaBoost算法103 5.3.3GBDT和XGBoost118 习题119 本章实验120 第6章支持向量机/121 6.1最大间隔分类121 6.2支持向量机模型求解123 6.3核支持向量机模型130 6.4软件间隔支持向量机135 习题140 本章实验141 第2部分无监督学习 第7章关联规则/1457.1基本概念145 7.2Apriori算法149 7.2.1Apriori算法150 7.2.2Apriori算法实例154 7.2.3Apriori算法实现157 7.2.4Apriori算法总结162 7.3FPGrowth算法163 7.3.1FPGrowth算法简介164 7.3.2FPGrowth算法实例171 7.3.3FPGrowth算法实现173 7.3.4FPGrowth算法总结178 习题178 本章实验180 第8章聚类分析/181 8.1聚类分析优化模型181 8.1.1聚类分析概念181 8.1.2聚类优化模型182 8.2基于划分的聚类算法183 8.2.1Kmeans算法183 8.2.2Kmeans算法应用: 图像减色压缩186 8.2.3Kmeans算法的优缺点188 8.3基于层次的聚类算法189 8.3.1AGNES算法190 8.3.2DIANA算法194 8.4基于密度的聚类算法198 8.4.1DBSCAN198 8.4.2OPTICS204 8.4.3DENCLUE210 8.5聚类效果评估方法211 8.5.1估计聚类趋势212 8.5.2确定簇数213 8.5.3评估聚类质量214 习题220 本章实验221 第9章数据降维/222 9.1主成分分析222 9.2线性判别分析225 9.3核线性降维229 习题234 本章实验234 第3部分深 度 学 习 第10章神经网络/23710.1人工神经网络237 10.1.1人工神经网络介绍237 10.1.2人工神经网络的发展历史237 10.2前馈神经网络239 10.2.1神经元介绍239 10.2.2网络结构243 10.2.3前馈神经网络244 10.3反向传播算法246 10.3.1梯度下降246 10.3.2反向传播250 10.3.3神经网络优化中的挑战254 10.3.4神经网络调参方法256 10.4神经网络案例257 10.4.1前馈计算257 10.4.2反向传播计算258 10.5总结260 习题261 本章实验261 第11章深度学习/262 11.1卷积神经网络262 11.1.1卷积及卷积层262 11.1.2汇聚层266 11.1.3几种典型的卷积神经网络268 11.2循环神经网络281 11.2.1基础的循环神经网络281 11.2.2基于门控的循环神经网络286 11.2.3典型应用与实现289 11.3Transformer和大型语言模型297 11.3.1自注意力和Transformer架构297 11.3.2基于Transformer的预训练模型304 11.3.3ChatGPT308 习题313 本章实验314 第12章生成对抗网络/315 12.1算法原理315 12.2数学模型317 12.2.1GAN优化目标317 12.2.2GAN训练算法318 12.2.3分布距离度量319 12.2.4生成器G的全局最优解320 12.2.5GAN优势和劣势321 12.3变体模型322 12.3.1基于Wasserstein距离的生成对抗网络322 12.3.2深度卷积生成对抗网络325 12.4评价标准329 12.4.1IS系列330 12.4.2弗雷切特初始距离331 12.4.3最大均值差异332 12.4.4标准化相对鉴别分数332 12.5GAN实现手写体数字图片生成334 习题342 本章实验342 第4部分强 化 学 习 第13章强化学习/34513.1强化学习概述345 13.1.1基本原理345 13.1.2强化学习和有监督学习345 13.1.3强化学习方法分类346 13.1.4强化学习的发展与应用347 13.2QLearning算法348 13.2.1QLearning算法介绍348 13.2.2QLearning算法实现350 13.2.3QLearning算法实例350 13.2.4QLearning算法评价353 13.3SARSA算法353 13.3.1SARSA算法介绍353 13.3.2SARSA算法原理354 13.3.3SARSA算法实例354 13.3.4SARSA算法评价357 13.4DQN算法358 13.4.1DQN算法介绍358 13.4.2DQN算法原理359 13.4.3DQN算法实例359 13.4.4DQN算法评价362 习题362 本章实验362
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30