欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • Python机器学习基础(信息技术人才培养系列教材)
      • 作者:编者:王鲁昆|责编:张斌
      • 出版社:人民邮电
      • ISBN:9787115562173
      • 出版日期:2023/04/01
      • 页数:192
    • 售价:19.92
  • 内容大纲

        Python是当前流行的编程语言,简单易学、应用广泛。本书以Python为基础开发语言,全面系统地讲解了机器学习的相关知识。本书共9章,主要包括机器学习的基本概念,Python及其库的入门,机器学习中常用算法的理论介绍、项目实现和优缺点分析,数据预处理,特征工程,模型评估及改进,综合实战等。
        本书可作为本科院校和职业院校计算机相关专业的教材,还可作为社会培训机构的教材,也适合计算机爱好者自学使用。
  • 作者介绍

  • 目录

    第1章  概述
      1.1  什么是机器学习
      1.2  机器学习的算法
      1.3  监督学习
      1.4  无监督学习
      1.5  数据集
      1.6  机器学习项目的流程
      1.7  小结
      习题1
    第2章  Python入门
      2.1  Python语言介绍
      2.2  Python平台搭建
      2.3  Python的基本概念
        2.3.1  数据类型
        2.3.2  基本运算
        2.3.3  控制语句
        2.3.4  复杂数据类型
        2.3.5  函数
      2.4  Python库的使用
      2.5  小结
      习题2
    第3章  分类算法
      3.1  K近邻算法
        3.1.1  算法介绍
        3.1.2  算法应用
        3.1.3  算法的优缺点
      3.2  朴素贝叶斯算法
        3.2.1  算法介绍
        3.2.2  算法实现
        3.2.3  算法的优缺点
      3.3  逻辑回归
        3.3.1  算法介绍
        3.3.2  算法实现
        3.3.3  算法的优缺点
      3.4  支持向量机
        3.4.1  算法介绍
        3.4.2  算法实现
        3.4.3  算法的优缺点
      3.5  决策树
        3.5.1  算法介绍
        3.5.2  算法实现
        3.5.3  算法的优缺点
      3.6  随机森林
        3.6.1  算法介绍
        3.6.2  算法实现
        3.6.3  算法的优缺点
      3.7  人工神经网络
        3.7.1  算法介绍
        3.7.2  项目实现
        3.7.3  算法的优缺点

      3.8  分类器的不确定性
        3.8.1  决策函数
        3.8.2  预测函数
        3.8.3  多分类的不确定性
      3.9  小结
      习题3
    第4章  回归算法
      4.1  线性回归
        4.1.1  线性模型
        4.1.2  线性回归
        4.1.3  多项式回归
        4.1.4  算法的优缺点
      4.2  岭回归
        4.2.1  算法介绍
        4.2.2  算法实现
        4.2.3  算法的优缺点
      4.3  LASSO回归
        4.3.1  算法介绍
        4.3.2  算法实现
        4.3.3  算法的优缺点
      4.4  支持向量回归机
        4.4.1  算法介绍
        4.4.2  算法实现
        4.4.3  算法的优缺点
      4.5  回归树
        4.5.1  算法介绍
        4.5.2  算法实现
        4.5.3  算法优缺点
      4.6  小结
      习题4
    第5章  聚类算法
      5.1  K均值凝聚聚类
        5.1.1  算法介绍
        5.1.2  算法实现
        5.1.3  算法的优缺点
      5.2  层次聚类
        5.2.1  算法介绍
        5.2.2  算法实现
        5.2.3  算法的优缺点
      5.3  DBSCAN算法
        5.3.1  算法介绍
        5.3.2  算法实现
        5.3.3  算法的优缺点
      5.4  MeanShift
        5.4.1  算法介绍
        5.4.2  算法实现
        5.4.3  算法的优缺点
      5.5  标签传播
        5.5.1  算法介绍
        5.5.2  算法实现

        5.5.3  算法的优缺点
      5.6  小结
      习题5
    第6章  数据预处理
      6.1  数据清洗
        6.1.1  缺失值处理
        6.1.2  异常值处理
      6.2  数据变换
        6.2.1  无量纲化
        6.2.2  归一化
        6.2.3  离散化
        6.2.4  对分类特征进行编码
        6.2.5  多项式特征
      6.3  数据归约
      6.4  小结
      习题6
    第7章  特征工程
      7.1  特征提取
        7.1.1  字典特征提取
        7.1.2  文本特征提取
        7.1.3  图像特征提取
      7.2  特征选择
        7.2.1  Filter
        7.2.2  Wrapper
        7.2.3  Embedded
      7.3  降维
      7.4  小结
      习题7
    第8章  模型评估及改进
      8.1  交叉验证
        8.1.1  K折交叉验证
        8.1.2  分层K折交叉验证
        8.1.3  留一交叉验证和打乱划分交叉验证
      8.2  网格搜索
      8.3  评估指标
        8.3.1  分类评估指标
        8.3.2  回归评估指标
      8.4  小结
      习题8
    第9章  综合实战
      9.1  管道模型
      9.2  文本数据处理
        9.2.1  扩展与深化——不同方式的文本数据处理
        9.2.2  文本数据的优化处理
      9.3  泰坦尼克号数据分析
      9.4  小结
      习题9
    参考文献