- Python快乐编程(机器学习从入门到实战21世纪高等学校计算机专业实用系列教材)/好程序员成长丛书
- - 作者：编者:千锋教育高教产品研发部|责编:付弘宇//张爱华
  - 出版社：清华大学
  - ISBN：9787302576969
  - 出版日期：2021/08/01
  - 页数：257
- 售价：23.92

内容大纲
    本书采用理论与实战相结合的形式，通过生活中的例子来讲解理论知识，结合实际案例代码，帮助读者在掌握机器学习理论的同时，打下项目实践的基础，同时配有丰富的教学资源，帮助读者自学或开展教学工作。
    本书共13章，涵盖机器学习入门所需的数学知识及相关算法，包括K近邻算法、决策树、朴素贝叶斯、逻辑回归与梯度下降、支持向量机、AdaBoost算法、线性回归、K-means算法、Apriori算法、FP-growth算法、主成分分析和奇异值分解。本书将理论与实际操作相结合，通过丰富的程序实例和详尽的步骤讲解，与读者一起跳出枯燥的理论知识，快乐学习。
    本书适合刚进入机器学习领域的读者，也可以作为大专院校相关专业的教材。
作者介绍
目录
第1章  初识Python机器学习
  1.1  机器学习简介
    1.1.1  机器学习的起源及发展
    1.1.2  监督学习
    1.1.3  无监督学习
    1.1.4  半监督学习
    1.1.5  强化学习
    1.1.6  机器学习程序开发步骤
    1.1.7  机器学习发展现状
    1.1.8  机器学习的未来
  1.2  使用Python语言开发
  1.3  NumPy函数库基础
    1.3.1  NumPy函数库的安装
    1.3.2  NumPy函数库入门
  1.4  SciPy函数库基础
    1.4.1  SciPy函数库的安装
    1.4.2  SciPy函数库入门
  1.5  Matplotlib库
    1.5.1  Matplotlib库的安装
    1.5.2  Matplotlib库的使用
  1.6  集成开发环境Anaconda
  1.7  本章小结
  1.8  习题
第2章  K近邻算法
  2.1  K近邻算法概述
    2.1.1  K近邻算法的基本思想
    2.1.2  K近邻的距离度量表示法
    2.1.3  K值的选择
  2.2  K近邻算法的实现： KD树
    2.2.1  KD树简介
    2.2.2  KD树的构建
    2.2.3  搜索KD树
  2.3  实战：利用K近邻算法改进约会网站
  2.4  本章小结
  2.5  习题
第3章  决策树
  3.1  决策树与信息熵
    3.1.1  决策树简介
    3.1.2  信息与自信息
    3.1.3  信息熵
    3.1.4  信息增益与划分数据集
  3.2  构建决策树
  3.3  可视化决策树
    3.3.1  注释结点
    3.3.2  构建完整的注解树
  3.4  基尼指数与CART算法
  3.5  决策树的剪枝
  3.6  本章小结
  3.7  习题
第4章  朴素贝叶斯

  4.1  概率分布与贝叶斯决策论
  4.2  条件概率
  4.3  贝叶斯分类
  4.4  朴素贝叶斯分类
  4.5  实战：利用朴素贝叶斯分类模型进行文档分类
    4.5.1  将单词表转换为向量
    4.5.2  概率计算
    4.5.3  通过朴素贝叶斯模型进行文件分类
  4.6  实战：利用朴素贝叶斯分类模型过滤垃圾邮件
    4.6.1  切分文本
    4.6.2  通过朴素贝叶斯模型过滤垃圾邮件
  4.7  本章小结
  4.8  习题
第5章  逻辑回归与梯度下降
  5.1  逻辑回归与Sigmoid函数
    5.1.1  逻辑回归简介
    5.1.2  Sigmoid函数简介
  5.2  梯度下降算法
    5.2.1  二维坐标系中的梯度下降算法
    5.2.2  三维坐标系中的梯度下降算法
  5.3  通过梯度下降算法找到最佳参数
  5.4  决策边界
  5.5  梯度下降算法的改进
    5.5.1  批量梯度下降算法
    5.5.2  随机梯度下降算法
  5.6  本章小结
  5.7  习题
第6章  支持向量机
  6.1  支持向量机简介
  6.2  寻找最大间隔
  6.3  序列最小优化
    6.3.1  序列最小化算法简介
    6.3.2  通过序列最小优化算法处理小规模数据集
    6.3.3  通过完整的序列最小优化算法进行优化
  6.4  核函数及其应用
    6.4.1  高斯核函数
    6.4.2  高斯核函数的应用
  6.5  本章小结
  6.6  习题
第7章  AdaBoost算法
  7.1  集成学习算法简介
  7.2  AdaBoost算法原理
  7.3  单层决策树与AdaBoost算法
  7.4  实战：通过AdaBoost算法进行分类
  7.5  非均衡分类
    7.5.1  分类性能度量指标：正确率、召回率
    7.5.2  分类性能度量指标： ROC曲线
    7.5.3  非均衡数据的采样方法
  7.6  本章小结
  7.7  习题

第8章  线性回归
  8.1  线性回归原理
    8.1.1  简单的线性回归
    8.1.2  多元线性回归
  8.2  局部加权线性回归
  8.3  正则化的线性回归
    8.3.1  岭回归
    8.3.2  Lasso回归
  8.4  方差与偏差的平衡
  8.5  本章小结
  8.6  习题
第9章  Kmeans算法
  9.1  无监督学习算法
  9.2  Kmeans算法简介
  9.3  构建简单的Kmeans模型
  9.4  K值的选择
    9.4.1  肘部法则
    9.4.2  轮廓系数
    9.4.3  间隔统计量
    9.4.4  Canopy算法
  9.5  二分Kmeans算法
  9.6  本章小结
  9.7  习题
第10章  Apriori算法
  10.1  关联分析算法简介
  10.2  Apriori算法的工作原理
  10.3  实战： Python编程发现频繁项集
  10.4  实战： Python编程发现强关联规则
  10.5  本章小结
  10.6  习题
第11章  FPgrowth算法
  11.1  FPgrowth算法简介
  11.2  构建FP树
    11.2.1  创建FP树的数据结构
    11.2.2  通过Python构建FP树
  11.3  通过FPgrowth算法提取频繁项集
    11.3.1  提取条件模式基
    11.3.2  创建条件FP树
  11.4  实战：从超市购物清单中发掘信息
  11.5  本章小结
  11.6  习题
第12章  主成分分析
  12.1  数据降维
  12.2  实战：通过Python实现简单的主成分分析
  12.3  对Iris数据集降维
  12.4  本章小结
  12.5  习题
第13章  奇异值分解
  13.1  特征值分解
  13.2  奇异值分解简介

  13.3  实战：通过Python实现图片压缩
  13.4  基于协同过滤的推荐算法
    13.4.1  推荐算法概述
    13.4.2  协同推荐系统概述
    13.4.3  实战：通过Python实现基于用户的协同推荐系统
    13.4.4  实战：通过Python实现基于物品的协同推荐系统
    13.4.5  构建推荐引擎面临的挑战
  13.5  本章小结
  13.6  习题

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目