- 细说机器学习(从理论到实践)
- - 作者：编者:凌峰|责编:王金柱
  - 出版社：清华大学
  - ISBN：9787302628767
  - 出版日期：2023/05/01
  - 页数：467
- 售价：47.6

内容大纲
本书从数学知识入手，详尽细致地阐述机器学习各方面的理论知识、常用算法与流行框架，并以大量代码示例进行实践。本书内容分为三篇：第一篇为基础知识，包括机器学习概述、开发环境和常用模块、特征工程、模型评估、降维方法等内容。本篇详细而友好地介绍机器学习的核心概念与原理，并结合大量示例帮助读者轻松入门。第二篇为算法应用，涵盖机器学习最重要与高频使用的模型，包括K-Means聚类、K最近邻、回归、决策树、朴素贝叶斯、支持向量机、神经网络等内容。本篇不仅详细讲解各个算法的原理，还提供大量注释详尽的代码示例，使这些算法变得直观易懂。第三篇为拓展应用，包括集成学习、深度学习框架TensorFlow与PyTorch入门、卷积网络、激活函数以及模型微调与项目实战。本篇内容更加前沿与高级，带领读者跨过机器学习的门槛，进行真实项目的实践与部署。
本书内容丰富、系统且实用，大量相关代码示例贴近实战，能够为读者学习机器学习打下扎实的基础，并真正掌握运用这些知识与算法解决实际问题的技能。适合机器学习入门者、大学生、人工智能从业者，以及各行业技术人员和科研人员使用，也可作为培训机构和大专院校人工智能课程的教学用书。
作者介绍
凌峰，毕业于中国科学院大学，博士，高级职称，从事机器学习、人工智能、图像处理、计算视觉的研究与开发工作多年，拥有丰富的机器学习算法实现经验。
目录
第1篇  基础知识
  第1章  机器学习概述
    1.1  机器学习的定义与发展历史
      1.1.1  什么是机器学习
      1.1.2  发展历史
    1.2  应用领域
    1.3  应用前景
    1.4  小结
  第2章  基础知识
    2.1  概念与术语
      2.1.1  统计学的基本概念
      2.1.2  拟合、过拟合和欠拟合
    2.2  高等数学基础
    2.3  线性代数基础
      2.3.1  基本概念和符号
      2.3.2  矩阵柔法
      2.3.3  矩阵运算和性质
      2.3.4  矩阵微积分
    2.4  概率论基础
      2.4.1  基本概念和符号
      2.4.2  随机变量
      2.4.3  两个随机变量
      2.4.4  多个随机变量
    2.5  小结
  第3章  开发环境和常用模块
    3.1  环境需求
    3.2  NumPy
      3.2.1  NumPy的安装与查看
      3.2.2  NumPy对象
      3.2.3  数组
      3.2.4  数学计算
    3.3  Pandas
      3.3.1  Pandas Series入门
      3.3.2  DataFrame结构
    3.4  Matplotlib
      3.4.1  安装与简介
      3.4.2  图形对象
      3.4.3  绘制图形
    3.5  Scikit-Learn
    3.6  深度学习框架简介
    3.7  小结
  第4章  特征工程
    4.1  特征工程概述
    4.2  数据清洗
    4.3  特征选择和提取
      4.3.1  特征选择
      4.3.2  特征提取
  ……
第2篇  算法应用
第3篇  拓展应用

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