图文详情

Python机器学习原理与实践

孙玉胜；陈锐；张世征 / 清华大学出版社 / 2026-03 / 其他

售价 22.00 3.4折

定价￥63.90

品相九品

优惠

发货

承诺48小时内发货

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2026-08-08

数量: 库存2件

立即购买加入购物车收藏

卖家超过10天未登录

十年老店

孔家书坊

店铺等级

拍卖等级

资质认证

90天平均

成功完成

93.46% (313笔)

好评率

99.87%

发货时间

14.18小时

店主

九九图书馆

联系

在线交谈离线留言

地址

北京市房山区

进店逛逛收藏店铺

商品详情
店铺评价

立即购买加入购物车收藏

手机购买

微信扫码访问

图书条目信息
图书 > 教材教辅考试 > 教材 > 大学教材 > 工程技术
Python机器学习原理与实践
作者: 孙玉胜；陈锐；张世征

出版社: 清华大学出版社

出版时间: 2026-03

版次: 1

ISBN: 9787302711209

定价: 63.90

装帧: 其他

开本: 16开

页数: 352页

字数: 549.000千字
内容简介：

本书介绍机器学习经典算法的原理、实现及应用。全书共15章，内容包括机器学习基础、贝叶斯分类、kNN算法与非参数估计、决策树、感知机与支持向量机、聚类、线性回归、逻辑回归、BP神经网络、深度学习，以及手写数字识别、垃圾邮件分类、零售商品销售量分析与预测、电影评论情感分析等综合案例。本书算法在讲解过程中，首先以生活实际案例引入，然后讲解算法的数学原理及公式推导过程，最后分别给出算法的原始实现和通过调用sklearn库两种实现方式的算法，所有算法及案例均以Python实现。本书在知识的讲解过程中，以润物细无声的方式融入育人理念。本书适合作为高等学校计算机、软件工程、人工智能、大数据等相关专业本科生、研究生学习机器学习的教材，也可供Python机器学习开发人员和研究人员参考。

目录：

目录

第1章机器学习基础1

1.1认识机器学习1

1.1.1机器学习的定义1

1.1.2机器学习的应用2

1.2机器学习简史5

1.2.1萌芽期6

1.2.2发展期6

1.2.3蓬勃期6

1.3人工智能、机器学习、深度学习的关系7

1.4机器学习的相关概念8

1.5机器学习的任务10

1.5.1监督学习10

1.5.2无监督学习10

1.5.3半监督学习11

1.6机器学习的一般步骤12

1.7机器学习Python基础13

1.7.1Python开发环境13

1.7.2Python基本语法14

1.7.3Python列表、元组、字典、集合16

1.7.4NumPy中的array19

1.7.5pandas库中的DataFrame21

1.7.6scikit?learn机器学习库25

1.8评估方法与数据集27

1.8.1评估方法27

1.8.2常用数据集29

1.9本章小结31

1.10习题31

第2章贝叶斯分类器33

2.1贝叶斯分类器的理论基础33

2.1.1贝叶斯定理的相关概念33

2.1.2贝叶斯决策理论35

2.1.3极大似然估计36

2.1.4梯度下降法38

2.2朴素贝叶斯分类器的原理与设计40

2.2.1了解数据集40

2.2.2手工设计贝叶斯分类器40

2.2.3贝叶斯分类器的Python实现41

2.2.4平滑方法44

2.3朴素贝叶斯分类算法实现——鲈鱼和三文鱼的分类系统45

2.3.1算法实现45

2.3.2调用系统函数实现51

2.4正态贝叶斯分类器53

2.5本章小结55

2.6习题56

第3章k近邻算法与非参数估计58

3.1k近邻算法原理58

3.2k近邻算法的应用——鸢尾花的分类59

3.3非参数估计63

3.3.1参数估计与非参数估计63

3.3.2非参数估计方法64

3.3.3非参数估计的一般推导66

3.4非参数估计算法的实现67

3.4.1利用直方图估计概率密度、分类67

3.4.2利用Parzen矩形窗估计概率密度、分类72

3.4.3利用Parzen正态核估计概率密度、分类73

3.5本章小结75

3.6习题75

第4章决策树77

4.1决策树构造的基本原理77

4.2决策树的构造过程78

4.3决策树学习算法思想及实现81

4.4决策树算法的实现——泰坦尼克号幸存者预测84

4.5本章小结89

4.6习题89

第5章感知机与支持向量机92

5.1线性可分的感知机92

5.1.1感知机模型92

5.1.2模型参数学习93

5.1.3手工设计感知机模型95

5.1.4感知机算法的实现96

5.2SVM简介98

5.2.1划分超平面98

5.2.2间隔最大化及线性SVM99

5.3线性SVM算法的实现102

5.4非线性SVM与核函数104

5.4.1线性不可分104

5.4.2核函数104

5.5SVM算法的实现——鸢尾花的分类106

5.5.1sklearn中的SVC参数介绍106

5.5.2使用SVC对鸢尾花数据进行分类107

5.6本章小结110

5.7习题110

第6章聚类113

6.1聚类算法简介113

6.1.1聚类算法的分类113

6.1.2距离度量的方法114

6.2K?means聚类116

6.2.1K?means聚类算法思想116

6.2.2通过调用库函数实现聚类122

6.3基于层次的聚类——AGNES聚类126

6.3.1AGNES聚类算法思想126

6.3.2AGNES算法的实现128

6.4谱聚类130

6.4.1谱聚类基本算法思想130

6.4.2图的划分132

6.4.3Ncut聚类134

6.4.4谱聚类应用举例136

6.5高斯混合聚类138

6.5.1概率密度函数138

6.5.2高斯混合聚类算法的推导过程139

6.5.3高斯混合聚类算法思想140

6.5.4高斯混合聚类应用举例141

6.6各种聚类算法的比较145

6.7本章小结146

6.8习题147

第7章线性回归149

7.1回归分析概述149

7.2线性回归150

7.2.1单变量线性回归151

7.2.2多变量回归分析157

7.2.3多项式回归分析162

7.3本章小结165

7.4习题165

第8章逻辑回归168

8.1sigmoid函数与逻辑回归模型168

8.2梯度下降与推导过程169

8.3参数学习向量化170

8.4逻辑回归的Python实现——乳腺良性与恶性肿瘤的预测172

8.5本章小结178

8.6习题178

第9章人工神经网络181

9.1感知机181

9.2神经网络模型183

9.3BP神经网络算法思想及实现185

9.3.1BP神经算法模型参数的学习过程185

9.3.2BP神经网络算法的实现187

9.4BP神经网络算法的实现——鸢尾花分类191

9.5本章小结197

9.6习题197

第10章深度学习200

10.1深度学习概述200

10.1.1什么是深度学习200

10.1.2为什么要进行深度学习201

10.1.3深度学习与机器学习的区别201

10.1.4传统的BP神经网络与深度学习的区别202

10.2卷积神经网络204

10.2.1CNN模型结构204

10.2.2卷积205

10.2.3池化208

10.2.4全连接操作209

10.2.5构建CNN网络模型210

10.3循环神经网络218

10.3.1循环神经网络的基本结构218

10.3.2LSTM网络220

10.3.3简单的RNN与LSTM算法的实现221

10.4本章小结226

10.5习题227

第11章推荐系统229

11.1推荐系统简介229

11.1.1信息检索与推荐系统229

11.1.2推荐系统的发展历史230

11.1.3推荐系统的原理与分类230

11.1.4推荐系统的评估方法233

11.2基于最近邻的协同过滤推荐算法235

11.2.1基于近邻用户的协同过滤推荐235

11.2.2基于近邻项目的协同过滤推荐239

11.2.3算法实现241

11.3基于隐语义分析的推荐模型244

11.4基于标签的推荐算法250

11.5综合案例分析: 基于协同过滤的推荐系统251

11.5.1数据探索与分析251

11.5.2基于项目的协同过滤电影推荐系统254

11.6本章小结259

11.7习题260

第12章综合案例分析: 手写数字识别262

12.1图像的存储表示262

12.2数据预处理264

12.2.1将图像转换为文本264

12.2.2将矩阵转换为向量266

12.3基于kNN的手写数字识别266

12.3.1划分训练集和测试集267

12.3.2kNN分类模型267

12.3.3kNN分类模型评估268

12.4基于神经网络的手写数字识别269

12.4.1定义神经网络模型269

12.4.2主函数271

12.5本章小结276

12.6习题276

第13章综合案例分析: 深度学习中文邮件分类279

13.1文本预处理279

13.1.1中文分词279

13.1.2文本向量化288

13.2中文邮件分类算法及实现293

13.3本章小结300

13.4习题300

第14章综合案例分析: 零售商品销售额分析与预测303

14.1问题描述与分析303

14.2数据探索与预处理304

14.2.1数据探索304

14.2.2属性特征的数值化306

14.2.3缺失值处理308

14.3特征选择311

14.4建立回归模型312

14.4.1线性回归模型312

14.4.2岭回归模型313

14.4.3Lasso回归模型315

14.4.4多项式回归模型316

14.4.5随机森林回归模型317

14.5超参数选择319

14.6本章小结320

14.7习题321

第15章综合案例分析: 电影评论情感分析322

15.1问题描述与分析322

15.2数据探索与预处理323

15.2.1数据探索323

15.2.2词汇表的构建和使用325

15.3构建卷积网络327

15.3.1卷积网络的结构327

15.3.2训练网络329

15.4本章小结332

15.5习题332

参考文献335

展开全部
货号：

B48-04
- 图2
配送说明

...
相似商品
为你推荐

本店分类

笔记本(1)

孔网分类

孔网特色

期刊(1)

图书

特色

图书

Python机器学习原理与实践

孔网啦啦啦啦啦纺织女工火锅店第三课