- Python机器学习项目化教程(微课视频版题库版教育部高等学校计算机类专业教学指导委员会推荐教材)
- - 作者：陈锐//陈明//孙海燕|责编:葛鹏程//薛阳
  - 出版社：清华大学
  - ISBN：9787302665984
  - 出版日期：2024/06/01
  - 页数：337
- 售价：27.92

内容大纲
    本书主要介绍机器学习经典算法的原理、实现及应用，并通过综合案例讲解如何将实际问题转换为机器学习算法进行求解。
    全书主要内容包括机器学习概述、机器学习基础及Python常用库、朴素贝叶斯分类器、k近邻算法与非参数估计、聚类、回归分析、决策树、支持向量机、降维分析、人工神经网络、深度学习入门、推荐算法等。本书算法首先给出数学原理及公式推导过程，然后分别给出算法的原始实现和通过调用机器学习库实现两种实现方式，所有算法及案例均以Python实现，以方便读者在实践编程中理解机器学习的经典算法。本书在讲解知识点的过程中，以润物细无声的方式融入思政元素。
    本书可作为高等院校计算机、软件工程、大数据、人工智能等相关专业的教材，也可作为Python机器学习初学者的参考用书，同时适用于机器学习开发人员和研究人员进行查阅和使用。
作者介绍
目录
第1章  机器学习概述
  1.1  什么是机器学习
  1.2  机器学习简史
    1.2.1  萌芽期
    1.2.2  发展期
    1.2.3  蓬勃期
  1.3  机器学习、人工智能、深度学习的关系
  1.4  机器学习的相关概念
  1.5  机器学习的任务門
    1.5.1  监督学习
    1.5.2  无监督学习
    1.5.3  半监督学习
    1.5.4  强化学习
  1.6  机器学习的一般步骤
  1.7  本章小结
  1.8  习题
第2章  机器学习基础及Python常用库
  2.1  机器学习的Python基础与开发环境
    2.1.1  Python开发环境简介
    2.1.2  Python的基本语法
    2.1.3  Python列表、元组、字典、集合
    2.1.4  函数与类
    2.1.5  NumPy中的array
    2.1.6  Pandas中的DataFrame
    2.1.7  数据可视化
    2.1.8  scikit-learn机器学习库
  2.2  机器学习基础
    2.2.1  张量
    2.2.2  梯度下降
    2.2.3  评估方法
    2.2.4  常用数据集
  2.3  本章小结
  2.4  习题
第3章  朴素贝叶斯分类器
  3.1  贝叶斯分类器的理论基础
    3.1.1  贝叶斯定理的相关概念
    3.1.2  贝叶斯决策理论
    3.1.3  极大似然估计
  3.2  朴素贝叶斯分类器的原理与设计翼
    3.2.1  了解数据集
    3.2.2  手工设计贝叶斯分类器
    3.2.3  贝叶斯分类器的Python实现
    3.2.4  平滑方法
  3.3  朴素贝叶斯分类算法的实现——鲈鱼和三文鱼的分类系统門
    3.3.1  算法实现
    3.3.2  调用系统函数实现
  3.4  正态贝叶斯分类器
  3.5  贝叶斯网络
  3.6  本章小结
  3.7  习题

第4章  k近邻算法与非参数估计
  4.1  k近邻算法的原理
  4.2  k近邻算法的应用一鸢尾花的分类
  4.3  非参数估计
    4.3.1  参数估计与非参数估计
    4.3.2  非参数估计方法
    4.3.3  非参数估计的一般推导
  4.4  非参数估计算法的实现
    4.4.1  利用直方图估计概率密度、分类
    4.4.2  利用Parzen矩形窗估计概率密度、分类
    4.4.3  利用Parzen正态核估计概率密度、分类
  4.5  本章小结
  4.6  习题
……
第5章  聚类
第6章  回归分析
第7章  决策树
第8章  支持向量机
第9章  降维分析
第10章  人工神经网络
第11章  深度学习入门
第12章  推荐算法
第13章  综合案例分析：基于协同过滤的推荐系统
第14章  综合案例分析：零售商品销售额分析与预测
第15章  综合案例分析：手写数字识别
第16章  综合案例分析：基于深度学习的中文邮件分类
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