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
书名 | 机器学习从入门到精通 |
分类 | 教育考试-大中专教材-大学教材 |
作者 | 陈怡然 等 |
出版社 | 西安电子科技大学出版社 |
下载 | ![]() |
简介 | 内容推荐 随着人工智能时代的到来,它对机器学习发展的影响日益剧增。从基于符号主义的机器学习发展到基于数据统计的机器学习,反映了机器学习从纯粹的理论研究和模型研究发展到以解决现实生活中实际问题为目的的应用研究,这是科学研究的一种进步。目前市面上有机器学习的纯理论书籍,也有具体操作实践的书籍,然而理论与实践相结合的书籍却少之又少。本书从理论入门到实际操练,全面而详细地介绍了机器学习的各个分支以及其实现,实现了机器学习从理论到实践的完美结合。本书共分三篇,分别为铸刀篇、招式篇和实战篇。其中,铸刀篇主要介绍机器学习的基础知识及前期准备工作,为后面的学习打下良好的基础;招式篇以基础应用为支撑,主要介绍相关机器学习的主要应用招式;实战篇通过房价预测与人脸识别两个实际案例,覆盖了典型的回归与分类、结构化数据与非结构化数据的机器学习,进行机器学习的再次升华。此外,附录中简要介绍了TensorFlow框架的主要函数,便于读者随时查找。本书可作为高校机器学习、数据挖掘及相关课程的教材或教学参考书,也可作为人工智能、大数据领域从业者的自学参考书。 目录 篇铸刀 章初识机器学习 本章导读 知识要点 1.1什么是机器学习 1.2机器学习的工作流程 1.2.1准备数据集 1.2.2进行模型训练 1.2.3模型评估 1.3假设空间和归纳偏好 1.3.1假设空间 1.3.2归纳偏好 1.4发展历程 1.4.1决策树的命运变迁 1.4.2神经网络的众多名称和命运变迁 1.5应用现状 新手问答 本章小结 第2章机器学习之刃TensorFlow 本章导读 知识要点 2.1认识TensorFlow 2.2TensorFlow的安装与工作原理 2.2.1TensorFlow安装图解 2.2.2TensorFlow的工作原理 2.2.3什么是计算图 2.2.4什么是会话 2.2.5什么是张量 2.3常量、变量和占位符 2.3.1基本概念 2.3.2基本运算 2.4操作矩阵 2.4.1矩阵的创建 2.4.2矩阵的运算 2.4.3矩阵的分解和特征值 2.5使用激活函数 2.5.1什么是激活函数 2.5.2Sigmoid函数 2.5.3Tanh函数 2.5.4Relu函数 2.5.5Softplus函数 2.6读取数据源 2.6.1通过Excel表导入数据集 2.6.2通过CSV文件导入数据集 2.6.3通过库中自带的数据集导入数据集 2.6.4导入图片数据集 2.6.5将数据集通过URL自动进行下载 新手问答 牛刀小试 本章小结 第3章数据分析基础 本章导读 知识要点 3.1认识Numpy和Pandas 3.2Numpy的基本使用 3.2.1创建ndarray数组 3.2.2运用ndarray数组 3.3Pandas的基本使用 3.3.1Series数据结构 3.3.2DataFrame数据结构 新手问答 牛刀小试 本章小结 第4章模型的评价与评估 本章导读 知识要点 4.1损失函数 4.1.1最小二乘 4.1.2梯度下降 4.2经验误差与拟合 4.3数据集划分 4.3.1留出法 4.3.2交叉验证法 4.3.3自助法 4.4调参与最终模型 4.5模型性能度量 4.5.1均方误差 4.5.2错误率与精确度 4.5.3准确度、灵敏度与F1 4.5.4受试者工作特征与AUC 4.5.5代价敏感错误率与代价曲线 4.6比较检验 4.6.1假设检验 4.6.2麦克尼马尔变化显著性检验 4.7偏差与方差 4.8不同学习模型下的模型评价与评估 4.8.1不同学习模型下的数据集划分 4.8.2不同学习模型下的模型评价 新手问答 牛刀小试 本章小结 第5章数据准备 本章导读 知识要点 5.1数据探索 5.1.1数据质量分析 5.1.2数据特征分析 5.2数据预处理 5.2.1数据清洗 5.2.2数据集成 5.2.3数据变换 5.2.4数据规约 新手问答 牛刀小试 本章小结 第二篇招式 第6章回归 本章导读 知识要点 6.1回归分析算法的基础知识 6.1.1回归与拟合 6.1.2汽车油耗数据集准备 6.1.3在Excel中添加回归趋势线预测 6.2线性回归 6.2.1线性回归的基本原理 6.2.2线性回归模型实现之最小二乘法 6.2.3线性回归模型实现之梯度下降法 6.2.4线性回归模型在油耗预测中的应用 6.3逻辑回归 6.3.1逻辑回归的基本原理 6.3.2逻辑回归与线性回归的区别 6.3.3逻辑回归模型实现 6.4戴明回归 6.4.1戴明回归的基本原理 6.4.2戴明回归的模型实现 6.5回归模型的评估 6.5.1平均误差 6.5.2平均绝对误差 6.5.3解释回归模型的方差 6.5.4R2确定系数 新手问答 牛刀小试 本章小结 第7章分类 本章导读 知识要点 7.1分类算法的基础知识 7.1.1分类的基本思想 7.1.2贷款违约风险评估数据准备 7.2决策树分类器 7.2.1决策树模型原理 7.2.2信息增益 7.2.3ID3决策树原理 7.2.4ID3决策树模型的实现 7.2.5决策树模型的可视化 7.2.6CART决策树原理 7.2.7CART决策树模型的实现 7.3朴素贝叶斯分类器 7.3.1预测贷款违约数据准备 7.3.2条件概率与贝叶斯公式 7.3.3极大似然估计 7.3.4高斯贝叶斯模型的实现 7.3.5多项式贝叶斯模型的实现 7.3.6伯努利贝叶斯模型的实现 7.4分类模型的评估 7.4.1混淆矩阵 7.4.2精确度与敏感度 7.4.3分类报告 新手问答 牛刀小试 本章小结 第8章聚类 本章导读 知识要点 8.1聚类分析的基础知识 8.1.1聚类分析的基本思想 8.1.2聚类分析的距离计算 8.1.3基站商圈数据准备 8.2K-means算法 8.2.1K-means算法原理 8.2.2K-means算法的应用 8.3层次聚类 8.3.1层次聚类的原理 8.3.2层次聚类算法的应用 8.4密度聚类 8.4.1密度聚类原理 8.4.2密度聚类算法的应用 8.5聚类分析模型评估 8.5.1外部度量 8.5.2内部评估 新手问答 牛刀小试 本章小结 第9章支持向量机 本章导读 知识要点 9.1支持向量机的基础知识 9.1.1支持向量机概述 9.1.2鸢尾花数据准备 9.2支持向量机的分类 9.2.1支持向量机分类基础 9.2.2SVM分类算法库 9.2.3线性可分问题下的支持向量机分类原理 9.2.4广义线性的支持向量机分类原理 9.2.5非线性的支持向量机分类原理 9.3支持向量机回归机 9.3.1支持向量机回归机概述 9.3.2SVM回归算法库 9.3.3支持向量机回归机的应用 9.4支持向量机模型评估 9.4.1R2系数 9.4.2建立模型准确度评测 9.4.3混淆矩阵 9.4.4建立模型分类报告 新手问答 牛刀小试 本章小结 0章机器的大脑“神经网络” 本章导读 知识要点 10.1神经网络的相关知识 10.1.1神经网络的历史 10.1.2神经元模型 10.1.3激活函数 10.2神经网络 10.2.1神经网络的基本概念 10.2.2单层神经网络的原理 10.2.3隐藏层 10.2.4多层感知网络的原理 10.3BP神经网络 10.3.1BP神经网络的基本原理 10.3.2算法演绎推导 10.3.3BP神经网络的实现 新手问答 牛刀小试 本章小结 1章卷积神经网络 本章导读 知识要点 11.1卷积神经网络的基本概念 11.1.1卷积神经网络基本原理 11.1.2卷积运算原理 11.1.3激活层 11.1.4池化 11.2卷积神经网络的实现 11.2.1需求背景介绍 11.2.2数据准备 11.2.3模型建立 11.2.4模型的训练和评估 11.2.5模型优化 新手问答 牛刀小试 本章小结 第三篇实战 2章让机器预测房价 本章导读 知识要点 12.1目标与计划 12.1.1房价数据的特征和维度 12.1.2制订机器学习计划 12.2获取数据 12.2.1获取原始数据 12.2.2数据探索 12.2.3数据清洗 12.2.4训练/测试集划分 12.2.5数据变换 12.3建立线性回归模型 12.4模型评估 12.4.1训练集评估 12.4.2测试集评估 12.5项目结论 本章小结 3章人脸识别系统的设计与实现 本章导读 知识要点 13.1目标与计划 13.1.1目标图像集的大小和类别 13.1.2机器学习模型的选择 13.1.3制订机器学习计划 13.2获取数据集 13.2.1下载数据集 13.2.2数据的清洗和准备 13.2.3划分训练集与测试集 13.3建立图像识别模型 13.3.1确定损失函数 13.3.2卷积层的设置 13.3.3激活函数的选择 13.3.4池化的类型 13.3.5模型的训练 13.4模型评估 13.4.1中间结果的可视化 13.4.2收敛的判定 13.4.3交叉验证 本章小结 附录TensorFlow常用函数 参考文献 |
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。