成功加入购物车
图书条目标准图
【仓库搬迁】【底价清仓】
艾旭升 著 / 电子工业出版社 / 2020-10 / 平装
售价 ¥ 3.66
品相 八五品品相描述
优惠 满包邮
延迟发货说明
上书时间2024-04-24
卖家超过10天未登录
机器学习技术
机器学习是一门多领域交叉学科,涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是模拟人类的学习活动,从数据中获取知识和技能,重新组织已有的知识结构,从而不断改善系统性能。本书共9项目。项目1介绍机器学习基础,概要介绍机器学习的发展简史和一般步骤,以及本书涉及的方法和算法;项目2项目7讨论k近邻算法、线性回归、决策树、贝叶斯分类、支持向量机、集成学习等监督学习方法;项目8介绍聚类的基本知识,阐述无监督学习方法;项目9讨论深度神经网络,主要论述卷积神经网络和循环神经网络两种模型。本书由大数据技术与应用专业教师和企业工程师合力打造,采用大量项目案例讲解概念和算法,内容编排采用工作手册式教材形式,项目2项目9相互独立,学生可选择知识点和涉及的技术,满足不同生源定制化学习的需要。同时,华育兴业科技公司开发有教材配套的实验实训在线平台,将教材内容和动手实践紧密结合起来。本书可作为高职高专院校电子信息领域相关专业的教材,也可作为相关科技人员的参考用书,以及应用型本科的实验补充教材。
艾旭升,男,博士,2003年于郑州大学获硕士,2005年在思科(苏州)研发中心工作,负责网络会议开放接口设计和开发,2016年于苏州大学获博士学位,主要研究机器学习和数据挖掘,目前在苏州工业职业技术学院任教,担任大数据技术与应用专业带头人
项目1?项目环境的准备任务1.1?项目相关基本概念1.1.1?概述1.1.2?机器学习发展简史1.1.3?机器学习的一般步骤1.1.4?机器学习的主要任务1.1.5?模型评估1.1.6?如何选择合适的算法1.1.7?项目中关键术语任务1.2?项目中常用模型1.2.1?k近邻1.2.2?回归1.2.3?决策树1.2.4?贝叶斯分类1.2.5?支持向量机1.2.6?集成学习1.2.7?聚类1.2.8?深度神经网络任务1.3?Python+PyCharm环境配置1.3.1?为什么选用Python1.3.2?PyCharm+Python开发环境配置1.3.3?NumPy安装与PyCharm引入任务1.4?常用Python分析工具配置1.4.1?基本知识1.4.2?第一机器学习案例电影分类业务理解1.4.3?应用Pandas实现电影分类数据读取1.4.4?应用Matplotlib实现电影分类数据可视化1.4.5?应用Sklearn实现电影分类学习过程1.5?项目复盘1.6?实操练习项目2?k近邻回归与分类任务2.1?k近邻算法概述2.1.1?什么是k近邻算法2.1.2?应用Python实现k近邻算法2.1.3?值的选择与过拟合问题任务2.2?k近邻算法实现葡萄酒分类2.2.1?葡萄酒数据的准备2.2.2?应用Pandas读取葡萄酒实验文本数据2.2.3?数据分布可视化分析2.2.4?数据清洗2.2.5?数据标准化2.2.6?值的选择2.2.7?构建完整可用的葡萄酒kNN分类器2.2.8?结果分析2.3?项目复盘2.4?实操练习项目3?线性回归预测与逻辑回归分类任务3.1?项目准备3.1.1?线性回归基本知识3.1.2?普通最小二乘法3.1.3?回归方程评估3.1.4?欠拟合问题3.1.5?多重共线性问题3.1.6?岭回归任务3.2?波士顿房价线性回归预测3.2.1?数据的准备3.2.2?应用Pandas读取数据3.2.3?使用Matplotlib进行数据可视化分析3.2.4?特征降维处理3.2.5?线性回归模型降维分析3.2.6?多项式特征生成任务3.3?茑尾花逻辑回归分类3.3.1?逻辑回归基本知识3.3.2?鸢尾花逻辑回归分类3.3.3?性能指标ROC和AUC3.4?项目复盘3.5?实操练习项目4?决策树分类与回归任务4.1?决策树构造4.1.1?决策树归纳算法基本策略4.1.2?树的划分规则4.1.3?树的剪枝处理任务4.2?鸢尾花决策树分类4.2.1?决策树分类Python编程4.2.2?鸢尾花决策树分类深度与过拟合4.2.3?鸢尾花决策树分类模型与评估任务4.3?波士顿房价决策树回归4.3.1?决策树回归Python编程4.3.2?波士顿房价决策树回归深度与过拟合4.3.3?波士顿房价决策树回归模型预测与评估4.4?项目复盘4.5?实操练习项目5?贝叶斯分类任务5.1?知识准备5.1.1?概述5.1.2?贝叶斯推断5.1.3?朴素贝叶斯推断任务5.2?鸢尾花GaussianNB分类5.2.1?高斯朴素贝叶斯5.2.2?鸢尾花分类Python编程任务5.3?邮件MultinomialNB分类5.3.1?多项式朴素贝叶斯5.3.2?邮件贝叶斯过滤分类5.3.3?数据准备与停用词表准备5.3.4?中文切分与字符过滤及停用词处理5.3.5?获取全部训练集中单词列表和频次最高的单词集5.3.6?获取高频词数据集在邮件中的频次5.3.7?应用MultinomialNB创建贝叶斯模型训练数据5.3.8?应用MultinomialNB实现未知邮件分类预测5.4?项目复盘5.5?实操练习项目6?支持向量机任务6.1?知识准备6.1.1?基本原理6.1.2?线性可分与线性不可分6.1.3?二分类实现6.1.4?硬间隔与软间隔6.1.5?应用GridSearchCV自动优选超参数任务6.2?基于SVM手写数字识别技术6.2.1?数据的准备与业务分析6.2.2?手写数字图片可视化显示6.2.3?应用GridSearchCV寻找高斯核最优参数6.2.4?数字识别模型实现任务6.3?半导体制造过程信息传递判定6.3.1?准备并解析数据6.3.2?应用Python读取和探查数据6.3.3?组织需要的数据6.3.4?数据预处理 6.3.5?建立半导体制造过程智能分类模型6.3.6?保存训练模型和分类的结果6.3.7?模型性能分析6.3.8?模型性能可视化分析6.5?项目复盘6.6?实操练习项目7?个体学习与集成学习任务7.1?知识准备任务7.2?基于kNN学习器Bagging应用7.2.1?Bagging基本知识7.2.2?Python鸢尾花分类编程任务7.3?随机森林回归与分类7.3.1?随机森林基本知识7.3.2?随机森林波士顿房价回归预测7.3.3?随机森林鸢尾花数据两特征组合分类任务7.4?Boosting应用7.4.1?Boosting基本知识7.4.2?AdaBoost鸢尾花数据两特征组合分类7.4.3?XGBoost葡萄酒分类7.5?项目复盘7.6?实操练习项目8?聚类任务8.1?知识准备8.1.1?聚类基本知识8.1.2?聚类中的主要问题8.1.3?常用聚类算法任务8.2?基于K-Means鸢尾花分类8.2.1?基本知识8.2.2?数据读取8.2.3?构建K-Means分类模型8.2.4?K-Means模型性能评估8.2.5?K-Means模型结果可视化8.3?项目复盘8.4?实操练习项目9?深度神经网络任务9.1?知识准备9.1.1?深度前馈神经网络9.1.2?示例:印第安人糖尿病诊断9.1.3?卷积神经网络9.1.4?循环神经网络和长短期记忆网络9.1.5?示例:基于LSTM的国际旅行人数预测任务9.2?基于CNN的时间戳图像识别9.2.1?准备数据:从视频图像中分割时间数字9.2.2?分析数据:初始化CNN的网络结构9.2.3?处理数据:训练CNN的网络参数9.2.4?使用算法:时间戳识别算法9.2.5?结果分析:测试CNN模型9.3?项目复盘9.4?实操练习
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