- 机器学习案例驱动教程(人工智能技术应用核心课程系列教材十三五江苏省高等学校重点教材)
- - 作者：编者:张霞//赵磊|责编:贺志洪
  - 出版社：电子工业
  - ISBN：9787121411038
  - 出版日期：2021/06/01
  - 页数：250
- 售价：19.6

内容大纲
本书在不涉及大量数学模型与复杂算法实现的前提下，从机器学习概述开始，由“泰坦尼克号数据分析与预处理”“良/恶性乳腺癌肿瘤预测”“波士顿房价预测”“手写体数字聚类”“人脸特征降维”“在线旅行社酒店价格异常检测”6个案例分别引入数据分析、分类、回归、聚类、特征降维和异常检测的应用开发实战技术及其少量理论，能够帮助读者以最快的速度掌握使用Scikit-learn库进行机器学习开发的实战技能。书末是学习机器学习时可能用到的附录。
本书适合对机器学习感兴趣的初学者、需要快速入门机器学习的高职相关专业学生，以及期望快速进入机器学习任务的研发工程技术人员。
作者介绍
目录
绪论
  0.1  机器学习综述
    0.1.1  机器学习的含义
    0.1.2  机器学习的应用场景
    0.1.3  机器学习类型
    0.1.4  相关术语
    0.1.5  人工智能、机器学习与深度学习
  0.2  开发环境搭建
    0.2.1  Windows系统环境
    0.2.2  Ubuntu系统环境
  0.3  Python编程基础
    0.3.1  Python简介
    0.3.2  Python基本语法
    0.3.3  Python数据类型
    0.3.4  Python常用语句
    0.3.5  Python函数（模块）设计
    0.3.6  Python编程库（包）的导入
案例1  泰坦尼克号数据分析与预处理
  1.1  案例描述及实现
  1.2  案例详解及示例
  1.3  支撑技术
    1.3.1  Numpy
    1.3.2  Matplotlib
    1.3.3  Pandas
    1.3.4  Scikit-learn
案例2  良/恶性乳腺癌肿瘤预测
  2.1  案例描述及实现
  2.2  案例详解及示例
    2.2.1  数据预处理
    2.2.2  linear_model
    2.2.3  KNeighborsClassifier
    2.2.4  SVM
    2.2.5  naive_bayes
    2.2.6  DecisionTreeClassifier
    2.2.7  ensemble
    2.2.8  classification_report
  2.3  支撑知识
    2.3.1  分类任务简介
    2.3.2  线性模型
    2.3.3  K近邻分类
    2.3.4  支持向量机
    2.3.5  朴素贝叶斯
    2.3.6  决策树
    2.3.7  集成模型
    2.3.8  神经网络
案例3  波士顿房价预测
  3.1  案例描述及实现
  3.2  案例详解及示例
    3.2.1  数据预处理
    3.2.2  linear_model

    3.2.3  KNeighborsRegressor
    3.2.4  SVR
    3.2.5  DecisionTreeRegressor
    3.2.6  ensemble
  3.3  支撑知识
    3.3.1  回归任务简介
    3.3.2  线性回归
    3.3.3  K近邻回归
    3.3.4  支持向量机回归
    3.3.5  决策树回归
    3.3.6  集成模型回归
案例4  手写体数字聚类
  4.1  案例描述及实现
    4.1.1  案例简介
    4.1.2  数据介绍
    4.1.3  案例实现
  4.2  案例详解及示例
    4.2.1  load_digits
    4.2.2  AgglomerativeClustering
    4.2.3  KMeans
    4.2.4  MeanShift
    4.2.5  DBSCAN
    4.2.6  AffinityPropagation
    4.2.7  v_measure_score
  4.3  支撑知识
    4.3.1  聚类任务简介
    4.3.2  层次聚类
    4.3.3  K均值聚类
    4.3.4  均值漂移聚类
    4.3.5  密度聚类
    4.3.6  近邻传播聚类
案例5  人脸特征降维
  5.1  案例描述
    5.1.1  案例简介
    5.1.2  数据介绍
    5.1.3  案例实现
  5.2  案例详解及示例
    5.2.1  fetch_olivetti_faces
    5.2.2  PCA
    5.2.3  NMF
    5.2.4  FastICA
    5.2.5  FactorAnalysis
  5.3  支撑知识及示例
    5.3.1  特征降维简介
    5.3.2  主成分分析
    5.3.3  非负矩阵分解
    5.3.4  独立成分分析
    5.3.5  因子分析
案例6  在线旅行社酒店价格异常检测
  6.1  案例描述

    6.1.1  案例简介
    6.1.2  数据介绍
    6.1.3  案例实现
  6.2  案例详解及示例
    6.2.1  导入数据
    6.2.2  基于聚类的异常检测
    6.2.3  基于孤立森林的异常检测
    6.2.4  基于支持向量机的异常检测
    6.2.5  基于高斯分布的异常检测
  6.3  支撑知识
    6.3.1  异常检测简介
    6.3.2  基于聚类的异常检测
    6.3.3  基于孤立森林的异常检测
    6.3.4  基于支持向量机的异常检测
    6.3.5  基于高斯分布的异常检测
附录A  VirtualBox虚拟机软件与Linux的安装和配置
附录B  Linux（Ubuntu 14.4）的基本命令与使用
附录C  GitHub代码托管平台
附录D  Docker技术与应用
附录E  人工智能的数学基础与工具
附录F  公开数据集介绍与下载
附录G  人工智能的网络学习资源
附录H  人工智能的技术图谱
附录I  人工智能技术应用就业岗位与技能需求
附录J  Sklearn常用模块和函数
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目