书[0名0]：	scikit-learn [1机1] 器[0学0]习：常用算[0法0]原理及编程实战\|7436499
图书定价：	59元
图书作者：	黄永昌
出版社：	[1机1] 械工业出版社
出版日期：	2018/3/1 0:00:00
ISBN号：	9787111590248
开本：	16开
页数：	0
版次：	1-1

内容简介

本书通过通俗易懂的语言、丰富的图示和生动的实例，拨开了笼罩在 [1机1] 器[0学0]习上方复杂的数[0学0]“乌云”，让读者以较低的代价和门槛轻松入门 [1机1] 器[0学0]习。
本书共分为11章，介绍了在Python环境下[0学0]习scikit-learn [1机1] 器[0学0]习框架的相关[0知0]识，涵盖的主要内容有 [1机1] 器[0学0]习概述、Python [1机1] 器[0学0]习软件包、 [1机1] 器[0学0]习理论基础、k-近邻算[0法0]、线性回归算[0法0]、逻辑回归算[0法0]、决策树、支持向量 [1机1] 、朴素贝叶斯算[0法0]、PCA 算[0法0]和k-均值算[0法0]等。
本书适合有一定编程基础的读者阅读，尤其适合想从事 [1机1] 器[0学0]习、人工智能、深度[0学0]习及 [1机1] 器人相关技术的程序员和爱好者阅读。另外，相关院校和培训 [1机1] 构也可以将本书作为教材使用。
scikit-learn [1机1] 器[0学0]习
常用算[0法0]原理及编程实战
出版发行： [1机1] 械工业出版社（北京市西城区百万庄[0大0]街22号邮政编码：100037）
责任编辑：欧振旭李华君责任校对：姚志娟
印刷：中[0国0]电影出版社印刷厂版次：2018年3月[0第0]1版[0第0]1次印刷
开本：186mm×240mm 1/16 印张：13.75
书号：ISBN 978-7-111-59024-8 定价：59.00元
凡购本书，如有缺页、倒页、脱页，由本社发行部调换
客服热线：（010）88379426 88361066 投稿热线：（010）88379604
购书热线：（010）68326294 88379649 68995259 读者信箱：hzit@hzbook.com
版[0权0]所有·侵[0权0]必究
封底无防伪标均为盗版
本书[0法0]律顾问：北京[0大0]成律师事务所韩光/邹晓东

前言
[0第0]1章 [1机1] 器[0学0]习介绍 1
1.1 什么是 [1机1] 器[0学0]习 1
1.2 [1机1] 器[0学0]习有什么用 2
1.3 [1机1] 器[0学0]习的分类 3
1.4 [1机1] 器[0学0]习应用开发的典型步骤 4
1.4.1 数据采集和标记 4
1.4.2 数据清洗 5
1.4.3 特征选择 5
1.4.4 模型选择 5
1.4.5 模型训练和测试 5
1.4.6 模型性能[0评0]估和[0优0]化 5
1.4.7 模型使用 6
1.5 复习题 6
[0第0]2章 Python [1机1] 器[0学0]习软件包 7
2.1 开发环境搭建 7
2.2 IPython简介 8
2.2.1 IPython基础 8
2.2.2 IPython图形界面 13
2.3 Numpy简介 15
2.3.1 Numpy数组 15
2.3.2 Numpy运算 19
2.4 Pandas简介 32
2.4.1 基本数据结构 32
2.4.2 数据排序 34
2.4.3 数据访问 34
2.4.4 时间序列 36
2.4.5 数据可视化 36
2.4.6 文件读写 38
2.5 Matplotlib简介 38
2.5.1 图形样式 38
2.5.2 图形对象 40
2.5.3 画图操作 46
2.6 scikit-learn简介 51
2.6.1 scikit-learn示例 51
2.6.2 scikit-learn一般性原理和通用规则 55
2.7 复习题 56
2.8 拓展[0学0]习资源 57
[0第0]3章 [1机1] 器[0学0]习理论基础 58
3.1 过拟合和欠拟合 58
3.2 成本函数 59
3.3 模型准确性 60
3.3.1 模型性能的不同表述方式 61
3.3.2 交叉验证数据集 61
3.4 [0学0]习曲线 62
3.4.1 实例：画出[0学0]习曲线 62
3.4.2 过拟合和欠拟合的特征 65
3.5 算[0法0]模型性能[0优0]化 65
3.6 查准率和召回率 66
3.7 F1 Score 67
3.8 复习题 67
[0第0]4章 k-近邻算[0法0] 69
4.1 算[0法0]原理 69
4.1.1 算[0法0][0优0]缺点 69
4.1.2 算[0法0]参数 70
4.1.3 算[0法0]的变种 70
4.2 示例：使用k-近邻算[0法0]进行分类 70
4.3 示例：使用k-近邻算[0法0]进行回归拟合 72
4.4 实例：糖尿病预测 74
4.4.1 加载数据 74
4.4.2 模型比较 75
4.4.3 模型训练及分析 77
4.4.4 特征选择及数据可视化 78
4.5 拓展阅读 80
4.5.1 如何提高k-近邻算[0法0]的运算效率 80
4.5.2 相关性测试 80
4.6 复习题 81
[0第0]5章线性回归算[0法0] 83
5.1 算[0法0]原理 83
5.1.1 预测函数 83
5.1.2 成本函数 84
5.1.3 梯度下降算[0法0] 84
5.2 多变量线性回归算[0法0] 86
5.2.1 预测函数 86
5.2.2 成本函数 87
5.2.3 梯度下降算[0法0] 88
5.3 模型[0优0]化 89
5.3.1 多项式与线性回归 89
5.3.2 数据归一化 89
5.4 示例：使用线性回归算[0法0]拟合正弦函数 90
5.5 示例：测算房价 92
5.5.1 输入特征 92
5.5.2 模型训练 93
5.5.3 模型[0优0]化 94
5.5.4 [0学0]习曲线 95
5.6 拓展阅读 96
5.6.1 梯度下降迭代公式推导 96
5.6.2 随 [1机1] 梯度下降算[0法0] 96
5.6.3 标准方程 97
5.7 复习题 97
[0第0]6章逻辑回归算[0法0] 98
6.1 算[0法0]原理 98
6.1.1 预测函数 98
6.1.2 判定边界 99
6.1.3 成本函数 100
6.1.4 梯度下降算[0法0] 102
6.2 多元分类 102
6.3 正则化 103
6.3.1 线性回归模型正则化 103
6.3.2 逻辑回归模型正则化 104
6.4 算[0法0]参数 104
6.5 实例：乳腺癌检测 106
6.5.1 数据采集及特征提取 106
6.5.2 模型训练 108
6.5.3 模型[0优0]化 110
6.5.4 [0学0]习曲线 111
6.6 拓展阅读 113
6.7 复习题 114
[0第0]7章决策树 115
7.1 算[0法0]原理 115
7.1.1 信息增益 116
7.1.2 决策树的创建 119
7.1.3 剪枝算[0法0] 120
7.2 算[0法0]参数 121
7.3 实例：预测泰坦尼克号幸存者 122
7.3.1 数据分析 122
7.3.2 模型训练 123
7.3.3 [0优0]化模型参数 124
7.3.4 模型参数选择工具包 127
7.4 拓展阅读 130
7.4.1 熵和条件熵 130
7.4.2 决策树的构建算[0法0] 130
7.5 集合算[0法0] 131
7.5.1 自助聚合算[0法0]Bagging 131
7.5.2 正向激励算[0法0]boosting 131
7.5.3 随 [1机1] 森林 132
7.5.4 ExtraTrees算[0法0] 133
7.6 复习题 133
[0第0]8章支持向量 [1机1] 134
8.1 算[0法0]原理 134
8.1.1 [0大0]间距分类算[0法0] 134
8.1.2 松弛系数 136
8.2 核函数 138
8.2.1 简单的核函数 138
8.2.2 相似性函数 140
8.2.3 常用的核函数 141
8.2.4 核函数的对比 142
8.3 scikit-learn里的SVM 144
8.4 实例：乳腺癌检测 146
8.5 复习题 149
[0第0]9章朴素贝叶斯算[0法0] 151
9.1 算[0法0]原理 151
9.1.1 贝叶斯定理 151
9.1.2 朴素贝叶斯分类[0法0] 152
9.2 一个简单的例子 153
9.3 概率分布 154
9.3.1 概率统计的基本概念 154
9.3.2 多项式分布 155
9.3.3 高斯分布 158
9.4 连续值的处理 159
9.5 实例：文档分类 160
9.5.1 获取数据集 160
9.5.2 文档的数[0学0]表达 161
9.5.3 模型训练 163
9.5.4 模型[0评0]价 165
9.6 复习题 167
[0第0]10章 PCA算[0法0] 168
10.1 算[0法0]原理 168
10.1.1 数据归一化和缩放 169
10.1.2 计算协方差矩阵的特征向量 169
10.1.3 数据降维和恢复 170
10.2 PCA 算[0法0]示例 171
10.2.1 使用Numpy模拟PCA计算过程 171
10.2.2 使用sklearn进行PCA降维运算 173
10.2.3 PCA的物理含义 174
10.3 PCA 的数据还原率及应用 175
10.3.1 数据还原率 175
10.3.2 加快监督 [1机1] 器[0学0]习算[0法0]的运算速度 176
10.4 实例：人脸识别 176
10.4.1 加载数据集 176
10.4.2 一次失败的尝试 179
10.4.3 使用PCA来处理数据集 182
10.4.4 终结果 185
10.5 拓展阅读 189
10.6 复习题 189
[0第0]11章 k-均值算[0法0] 190
11.1 算[0法0]原理 190
11.1.1 k-均值算[0法0]成本函数 191
11.1.2 随 [1机1] 初始化聚类中心点 191
11.1.3 选择聚类的个数 192
11.2 scikit-learn里的k-均值算[0法0] 192
11.3 使用k-均值对文档进行聚类分析 195
11.3.1 准备数据集 195
11.3.2 加载数据集 196
11.3.3 文本聚类分析 197
11.4 聚类算[0法0]性能[0评0]估 200
11.4.1 Adjust Rand Index 200
11.4.2 齐次性和完整性 201
11.4.3 轮廓系数 203
11.5 复习题 204
后记 205

scikit-learn机器学习：常用算法原理及编程实战计算机与互联网…|7436499 下载 mobi epub pdf txt 电子书格式