新华书店正版Python机器学习算法(原理实现与案例)计算机应用ai开发软件实操教程自学.

基本信息

书    名

  Python机器学习算法(原理实现与案例)

出版社

  清华大学出版社有限公司

作    者

  刘硕著

出版时间

  (咨询特价)

I S B N

  (咨询特价)

定价

  69

开    本

  16开 185*260

装    帧

  平装

版    次

  1

字    数

  303(千字)

页    数

  208

读者范围

  计算机原理

内容简介

      本书用平实的语言深入浅出地介绍当前热门的机器学习经典算法，包括线性回归、Logistic回归与Softmax回归、决策树（分类与回归）、朴素贝叶斯、支持向量机、K近邻学习、K-Means和人工神经网络，针对每一个算法首先介绍数学模型及原理，然后根据模型和算法描述使用Python编程和Numpy库进行算法实现，*后通过案例让读者进一步体会算法的应用场景以及应用时所需注意的问题。
本书适合准备进入人工智能和数据分析与挖掘领域的初学者，对机器学习算法感兴趣的爱好者、程序员、大学生和各类IT培训班的学员使用。

作者简介

      刘硕，硕士，曾就职于知名外企，从事一线开发工作10年，目前主要从事Python开发与教学工作，在慕课网开设有多门Python课程，深受学员欢迎。

编辑推荐

      详细阐述数学模型的理论基础和算法原理

使用Python编程和基于Numpy的算法实现，代码注释详尽

通过项目实战深入体验算法的应用场景及其使用中需注意的问题

目录

      第1章线性回归 1

1.1线性回归模型 1

1.2*小二乘法 2

1.3梯度下降 4

1.3.1梯度下降算法 4

1.3.2随机梯度下降和小批量梯度下降 6

1.4算法实现 7

1.4.1*小二乘法 7

1.4.2梯度下降 9

1.5项目实战 12

1.5.1准备数据 12

1.5.2模型训练与测试 13

第2章Logistic回归与Softmax回归 20

2.1Logistic回归 20

2.1.1线性模型 20

2.1.2logistic函数 21

2.1.3Logistic回归模型 23

2.1.4极大似然法估计参数 24

2.1.5梯度下降更新公式 25

2.2Softmax回归 26

2.2.1Softmax函数 26

2.2.2Softmax回归模型 27

2.2.3梯度下降更新公式 27

2.3编码实现 28

2.3.1Logistic回归 28

2.3.2Softmax回归 32

2.4项目实战 36

2.4.1Logistic回归 36

2.4.2Softmax回归 43

第3章决策树——分类树 46

3.1决策树模型 46

3.2生成决策树 48

3.3切分特征的选择 49

3.3.1信息熵 49

3.3.2条件信息熵 50

3.3.3信息增益 51

3.3.4信息增益比 53

3.4算法实现 53

3.5绘制决策树 57

3.6项目实战 64

3.6.1准备数据 64

3.6.2模型训练与测试 66

第4章决策树——分类回归树 70

4.1CART算法的改进 70

4.2处理连续值特征 71

4.3CART分类树与回归树 72

4.3.1CART分类树 72

4.3.2CART回归树 74

4.4算法实现 75

4.4.1CART分类树 75

4.4.2CART回归树 80

4.5项目实战 85

4.5.1CART分类树 85

4.5.2CART回归树 89

第5章朴素贝叶斯 95

5.1朴素贝叶斯模型 95

5.1.1贝叶斯公式 95

5.1.2贝叶斯分类器 97

5.1.3朴素贝叶斯分类器 97

5.2模型参数估计 98

5.2.1极大似然估计 98

5.2.2贝叶斯估计 102

5.3算法实现 103

5.4项目实战 105

5.4.1准备数据 106

5.4.2模型训练与测试 108

第6章支持向量机 110

6.1线性可分支持向量机 110

6.1.1分离超平面 110

6.1.2间隔*大化 112

6.1.3拉格朗日对偶法 113

6.1.4分类决策函数 116

6.1.5线性可分支持向量机算法 117

6.2线性支持向量机 118

6.2.1软间隔*大化 118

6.2.2线性支持向量机算法 121

6.3非线性支持向量机 122

6.3.1空间变换 122

6.3.2核技巧 123

6.3.3非线性支持向量机算法 124

6.4SMO算法 125

6.4.1两个变量*优化问题的求解 126

6.4.2变量选择 129

6.4.3更新b 131

6.4.4更新E缓存 132

6.5算法实现 133

6.6项目实战 139

6.6.1准备数据 140

6.6.2模型训练与测试 141

第7章k近邻学习 145

7.1kNN学习 145

7.1.1kNN学习模型 145

7.1.2距离的度量 146

7.1.3k值的选择 149

7.2kNN的一种实现：k-d树 150

7.2.1构造k-d树 150

7.2.2搜索k-d树 153

7.3算法实现 155

7.3.1线性扫描版本 155

7.3.2k-d树版本 157

7.4项目实战 161

7.4.1准备数据 162

7.4.2模型训练与测试 163

第8章K-Means 167

8.1K-Means 167

8.1.1距离的度量 168

8.1.2聚类算法的性能 169

8.1.3K-Means算法 171

8.2K-Means++ 172

8.3算法实现 173

8.3.1K-Means 173

8.3.2K-Means++ 176

8.4项目实战 179

8.4.1准备数据 180

8.4.2模型训练与测试 181

第9章人工神经网络 184

9.1神经网络 184

9.1.1人造神经 184

9.1.2神经网络 187

9.2反向传播算法 188

9.2.1输出节点的权值更新 189

9.2.2隐藏节点的权值更新 190

9.3算法实现 192

9.3.1神经网络分类器 192

9.3.2神经网络回归器 196

9.4项目实战 202

9.4.1准备数据 203

9.4.2模型训练与测试 206

试读