网站首页  软件下载  游戏下载  翻译软件  电子书下载  电影下载  电视剧下载  教程攻略

请输入您要查询的图书:

 

书名 机器学习应用与实战(全彩印刷)/人工智能应用与实战系列
分类
作者
出版社 电子工业出版社
下载
简介
内容推荐
本书系统介绍了机器学习常用算法及其应用,在深入分析算法原理的基础上,结合当前热门应用场景,向读者展现了机器学习算法的综合应用,带领读者进入机器学习领域,开启人工智能行业的大门。全书共21章,分为3部分。第1部分介绍机器学习基础算法,包括线性回归、多项式回归、逻辑回归、k-NN、决策树、k-Means、SVM、随机森林、朴素贝叶斯、PCA降维等,针对每个算法给出应用案例,让读者既掌握算法原理,又能够使用算法解决问题。第2部分是机器学习基础算法综合应用,通过学生分数预测、自闭症患者预测、淘宝用户价值分析、耳机评论情感预测几个案例提升读者对机器学习算法的应用能力。第3部分是机器学习进阶算法与应用,介绍逻辑更为复杂的机器学习算法,如改进的聚类算法、HMM算法、Boosting算法等,并给出相应案例,此外,还展示了多个算法综合应用项目。本书适合对机器学习、人工智能感兴趣的读者阅读,也可以作为应用型大学和高等职业院校人工智能相关专业的教材。本书可以帮助有一定基础的读者查漏补缺,使其深入理解和掌握相关原理与方法,提高其解决实际问题的能力。
目录
第1部分 机器学习基础算法
第1章 基于线性回归的销售量预测
1.1 机器学习概述
1.2 线性回归
1.2.1 回归的概念
1.2.2 线性回归模型
1.3 梯度下降算法
1.4 线性回归模型的构建
1.4.1 线性回归模型构建的一般步骤
1.4.2 线性回归模型的评估方法与度量指标
1.5 案例实现——基于线性回归的销售量预测
本章总结
作业与练习
第2章 非线性数据的多项式回归
2.1 多项式回归
2.1.1 多项式回归的概念
2.1.20 -1标准化
2.1.3 Z-Score标准化
2.1.4 特征拓展
2.2 模型训练问题与解决方法
2.2.1 欠拟合与过拟合
2.2.2 正则化方法
2.3 案例实现——非线性数据的
多项式回归
本章总结
作业与练习
第3章 基于逻辑回归算法的乳腺癌患病预测
3.1 逻辑回归算法
3.1.1 逻辑回归算法概述
3.1.2 概率估算
3.1.3 损失函数
3.2 分类数据的预处理
3.2.1 欠采样与过采样
3.2.2 数据的标签化
3.2.3 数据的独热编码
3.3 模型的性能评估
3.3.1 数值型模型评估方法
3.3.2 几何型模型评估方法
3.4 案例实现——基于逻辑回归算法的乳腺癌患病预测
本章总结
作业与练习
第4章 基于k-NN算法的分类
4.1 k-NN算法
4.1.1 k-NN算法概述
4.1.2 样本距离的度量
4.1.3 k-NN算法的工作原理
4.1.4 k-NN算法的三个要素
4.2 k-NN算法加速思路
4.3 案例实现
4.3.1 案例1——基于k-NN算法的电影分类
4.3.2 案例2——基于k-NN算法的鸢尾花数据集分类
本章总结
作业与练习
第5章 基于决策树算法的回归预测与分类
5.1 决策树的介绍
5.2 决策树的构建
5.2.1 特征选择
5.2.2 决策树的构建过程
5.2.3 决策树剪枝
5.2.4 连续特征的处理方法
5.3 决策树可视化
5.4 案例实现
5.4.1 案例1——基于决策树算法的商品销售量回归预测
5.4.2 案例2——基于决策树算法的鸢尾花数据集分类
本章总结
作业与练习
第6章 基于k-Means算法的聚类
6.1 k-Means算法
6.1.1 k-Means算法概述
6.1.2 k-Means算法的工作原理
6.1.3 k-Means算法的流程
6.2 最佳k值的确定方法
6.2.1 手肘法
6.2.2 轮廓系数法
6.3 k-Means算法的改进
6.3.1 k-Means++算法
6.3.2 k-MeansⅡ算法
6.3.3 Mini-Batchk-Means算法
6.4 案例实现
6.4.1 案例1——基于手肘法使用k-Means算法的饮料聚类
6.4.2 案例2——基于轮廓系数法使用k-Means算法的饮料聚类
本章总结
作业与练习
第7章 基于SVM算法的分类与回归预测
7.1 SVM算法概述
7.2 SVM算法的工作原理
7.2.1 硬间隔SVM算法
7.2.2 软间隔SVM算法
7.3 核函数
7.4 SVM回归
7.5 案例实现
7.5.1 案例1——基于SVM算法的鸢尾花数据集分类
7.5.2 案例2——基于SVM算法的数据回归分析
本章总结
作业与练习
第8章 随机森林揭秘
8.1 集成学习概述
8.2 集成学习的实现方式
8.2.1 Bagging算法
8.2.2 Boosting算法
8.3 集成学习的组合策略
8.3.1 平均法
8.3.2 投票法
8.3.3 学习法
8.4 随机森林
8.4.1 随机森林概述
8.4.2 随机森林特征选择
8.4.3 OOB处理方式
8.5 案例实现
8.5.1 案例1——使用随机森林进行森林植被类型的预测
8.5.2 案例2——使用随机森林进行共享单车每小时租用量的预测
本章总结
作业与练习
第9章 基于朴素贝叶斯算法的中文预测
9.1 贝叶斯算法
9.1.1 数学基础回顾
9.1.2 贝叶斯公式
9.2 朴素贝叶斯算法
9.2.1 朴素贝叶斯算法的由来
9.2.2 拉普拉斯平滑
9.3 朴素贝叶斯算法家族
9.3.1 高斯朴素贝叶斯算法
9.3.2 多项式朴素贝叶斯算法
9.4 中文文本预测
9.4.1 词频处理
9.4.2 jieba分词器
9.5 案例实现——基于朴素贝叶斯算法的中文预测
本章总结
作业与练习
第10章 基于PCA降维的图片重构
10.1 降维
10.1.1 降维的作用
10.1.2 降维的理解
10.2 SVD算法解析
10.2.1 特征值分解
10.2.2 奇异值分解
10.2.3 降维可视化效果
10.2.4 降维在图片压缩中的应用
10.3 PCA降维
10.3.1 PCA降维的工作原理
10.3.2 使用PCA底层算法实现图片重构的流程
10.4 案例实现——基于PCA降维的图片重构
本章总结
作业与练习
第2部分 机器学习基础算法综合应用
第11章 学生分数预测
11.1 数据集分析
11.2 案例实现——学生分数预测
本章总结
作业与练习
第12章 自闭症患者预测
12.1 数据集分析
12.2 案例实现——自闭症患者
随便看

 

霍普软件下载网电子书栏目提供海量电子书在线免费阅读及下载。

 

Copyright © 2002-2024 101bt.net All Rights Reserved
更新时间:2025/3/20 22:33:41