機器學習原理及應用

呂雲翔,王淥汀,袁琪

  • 出版商: 機械工業
  • 出版日期: 2021-08-01
  • 定價: $354
  • 售價: 8.5$301
  • 語言: 簡體中文
  • 頁數: 212
  • 裝訂: 平裝
  • ISBN: 7111682947
  • ISBN-13: 9787111682943
  • 相關分類: Machine Learning
  • 下單後立即進貨 (約4週~6週)

買這商品的人也買了...

相關主題

商品描述

《機器學習原理及應用》以機器學習及其算法為主題,詳細介紹其理論細節與應用方法。
《機器學習原理及應用》共19章,分別介紹了機器學習概述、線性回歸與*大熵模型、k-近鄰算法、
決策樹模型、樸素貝葉斯分類器、支持向量機模型、集成學習、EM算法、降維算法、
聚類算法、神經網絡模型等基礎模型或算法,以及8個綜合項目實例。
《機器學習原理及應用》重視理論與實踐相結合,希望為讀者提供全面而細緻的學習指導。
《機器學習原理及應用》可作為高等院校計算機科學與技術、軟件工程等相關專業的教材,
也適合機器學習初學者、相關行業從業人員閱讀。

目錄大綱

前言 
第1章機器學習概述 
1.1機器學習的組成 
1.2分類問題和回歸問題 
1.3監督學習、半監督學習和 
無監督學習 
1.4生成模型和判別模型 
1.5模型評估 
1.5.1訓練誤差和泛化誤差 
1.5.2過擬合和欠擬合 
1.6正則化 
1.7Scikit-learn模塊 
1.7.1數據集 
1.7.2模型選擇 
1.8習題 

第2章線性回歸及熵模型 
2.1線性回歸 
2.1.1一元線性回歸 
2.1.2多元線性回歸 
2.2廣義線性回歸 
2.2.1邏輯回歸 
2.2.2多分類邏輯回歸 
2.2.3交叉熵損失函數 
2.3熵模型 
2.3.1熵模型的導出 
2.3.2熵模型與邏輯回歸之間的 
關係 
2.4評價指標 
2.4.1混淆矩陣 
2.4.2準確率 
2.4.3精確率與召回率 
2.4.4PR曲線 
2.4.5ROC曲線與AUC曲線 
2.5實例:基於邏輯回歸實現乳腺癌 
預測 
2.6習題 

第3章k-近鄰算法 
3.1k值的選取 
3.2距離的度量 
3.3快速檢索 
3.4實例:基於k-近鄰實現鳶尾花 
分類 
3.5習題 

第4章決策樹模型 
4.1特徵選擇 
4.1.1信息增益 
4.1.2信息增益比 
4.2決策樹生成算法CART 
4.3決策樹剪枝 
4.3.1預剪枝 
4.3.2後剪枝 
4.4實例:基於決策樹實現葡萄酒 
分類 
4.5習題 

第5章樸素貝葉斯分類器 
5.1極大似然估計 
5.2樸素貝葉斯分類 
5.3拉普拉斯平滑 
5.4樸素貝葉斯分類器的極大似然 
估計解釋 
5.5實例:基於樸素貝葉斯實現垃圾 
短信分類 
5.6習題 

第6章支持向量機模型 
6.1間隔及超平面 
6.2線性可分支持向量機 
6.3合頁損失函數 
6.4核技巧 
6.5二分類問題與多分類問題 
6.5.1一對一 
6.5.2一對多 
6.5.3多對多 
6.6實例:基於支持向量機實現 
葡萄酒分類 
6.7習題 

第7章集成學習 
7.1偏差與方差 
7.2Bagging及隨機森林 
7.2.1Bagging 
7.2.2隨機森林 
7.3Boosting及AdaBoost 
7.3.1Boosting 
7.3.3AdaBoost 
7.4提升樹 
7.4.1殘差提升樹 
7.4.2GBDT 
7.4.3XGBoost 
7.5Stacking 
7.6實例:基於梯度下降樹實現 
波士頓房價預測 
7.7習題 

第8章EM算法及其應用 
8.1Jensen不等式 
8.2EM算法 
8.3高斯混合模型 
8.4隱馬爾可夫模型 
8.4.1計算觀測概率的輸出 
8.4.2估計隱馬爾可夫模型的參數 
8.4.3隱變量序列預測 
8.5實例:基於高斯混合模型實現 
鳶尾花分類 
8.6習題 

第9章降維算法 
9.1主成分分析 
9.1.1方差即協方差的無偏估計 
9.1.2實例:基於主成分分析實現 
鳶尾花數據降維 
9.2奇異值分解 
9.2.1奇異值分解的構造 
9.2.2奇異值分解用於數據壓縮 
9.2.3SVD與PCA的關係 
9.2.4奇異值分解的幾何解釋 
9.2.5實例:基於奇異值分解實現圖片 
壓縮 
9.3習題 

第10章聚類算法 
10.1距離度量 
10.1.1閔可夫斯基距離 
10.1.2餘弦相似度 
10.1.3馬氏距離 
10.1.4漢明距離 
10.2層次聚類 
10.3K-Means聚類 
10.4K-Medoids聚類 
10.5DBSCAN 
10.6實例:基於K-Means實現 
鳶尾花聚類 
10.7習題 

第11章神經網絡與深度學習 
11.1神經元模型 
11.2多層感知機 
11.3損失函數 
11.4反向傳播算法 
11.4.1梯度下降法 
11.4.2梯度消失及梯度爆炸 
11.5卷積神經網絡 
11.5.1卷積 
11.5.2池化 
11.5.3網絡架構 
11.6循環神經網絡 
11.7生成對抗網絡 
11.8圖卷積神經網絡 
11.9深度學習發展 
11.10實例:基於卷積神經網絡 
實現手寫數字識別 
11.10.1MINST數據集 
11.10.2基於卷積神經網絡的手寫 
數字識別 
11.11習題 

第12章案例1:基於回歸問題、 
XGBoost的房價預測 
12.1XGBoost模型介紹 
12.2技術方案 
12.2.1數據分析 
12.2.2XGBoost模型參數 
12.2.3調參過程 
12.3完整代碼及結果展示 

第13章案例2:影評數據分析與 
電影推薦 
13.1明確目標與數據準備 
13.2工具選擇 
13.3初步分析 
13.3.1用戶角度分析 
13.3.2電影角度分析 
13.4電影推薦 

第14章案例3:汽車貸款違約的 
數據分析 
14.1數據分析常用的Python 
工具庫 
14.2數據樣本分析 
14.2.1數據樣本概述 
14.2.2變量類型分析 
14.2.3Python代碼實踐 
14.3數據分析的預處理 
14.3.1目標變量探索 
14.3.2X變量初步探索 
14.3.3連續變量的缺失值處理 
14.3.4分類變量的缺失值處理 
14.4數據分析的模型建立與模型 
評估 
14.4.1數據的預處理與訓練集劃分 
14.4.2採用回歸模型進行數據分析 
14.4.3採用決策樹模型進行數據 
分析 
14.4.4採用隨機森林模型優化 
決策樹模型 

第15章案例4:基於KNN模型預測 
葡萄酒種類的數據分析與 
可視化 
15.1KNN模型的初級構建 
15.2使用專業工具包構建KNN 
模型 
15.3數據可視化 

第16章案例5:使用Keras進行人 
臉關鍵點檢測 
16.1深度學習模型 
16.1.1數據集獲取 
16.1.2卷積神經網絡的搭建與訓練 
16.2模型評價 
16.3訓練歷史可視化 

第17章案例6:股價預測 
17.1使用tsfresh進行升維和特徵 
工程 
17.2程序設計思路 
17.3程序設計步驟 
17.3.1讀入數據,分析數據 
17.3.2移窗 
17.3.3升維 
17.3.4方差過濾 
17.3.5使用Adaboost模型進行回歸 
預測 
17.3.6預測結果分析 

第18章案例7:用戶流失預警 
18.1讀入數據 
18.2數據預處理 
18.3五折交叉驗證 
18.4代入三種模型 
18.5調整prob閾值,輸出精度 
評估 

第19章案例8:機器人路徑 
走迷宮 
19.1關鍵技術 
19.1.1馬爾科夫決策過程 
19.1.2Bellman方程 
19.2程序設計步驟 
19.2.1初始化迷宮地圖 
19.2.2計算不同位置路徑 
參考文獻