- 机器学习(从线性回归到大模型北京理工大学十四五规划教材)
- - 作者：编者:董岩|责编:潘丽娜
  - 出版社：北京大学
  - ISBN：9787301364239
  - 出版日期：2025/08/01
  - 页数：246
- 售价：20.8

内容大纲
    本书以“回归”为主线，系统介绍统计学、机器学习与深度学习中最常用的分类与回归方法，力图在大数据与人工智能背景下，突破传统统计建模的局限，构建一个融合多学科视角的现代回归分析框架。
    全书覆盖线性回归、岭回归、Lasso、Logistic回归等经典线性模型，决策树、随机森林、GBDT、XGBoost等集成方法，BP神经网络、卷积神经网络、循环神经网络等深度学习模型，以及基于Transformer的大语言模型（如BERT和GPT）。此外，本书还介绍因果推断方法、模型可解释性工具（如SHAP）与迁移学习等前沿技术，强调跨学科融合，关注算法应用场景。书中穿插算法发展史，展现行业应用，聚焦人工智能在中国的发展脉络，增强学生的责任意识与现实关怀。
    本书配套案例涵盖农业、医学等领域，以“场景建模”为理念，展现模型与国家、行业需求紧密结合的完整建模流程。配套习题涵盖风控、幸福感预测、图像识别、视频生成等主题，具有实践性和挑战性，有助于培养实战能力。
    本书算法基于Python实现，深度学习部分使用TensorFlow与Keras框架，配套提供案例和习题数据集、案例源代码，便于教学和自学使用。
    本书适用于统计、数据科学、人工智能、经济管理等专业的本科生与研究生，可作为“回归分析”“统计模型”“机器学习”等课程教材，也可作为人工智能通识教材使用，同时可供数据分析相关从业者参考。
作者介绍
目录
第1章  经典线性模型
  1.1  监督学习
  1.2  分类及应用场景
    1.2.1  个人征信
    1.2.2  个性化推荐
    1.2.3  医学影像疾病诊断
    1.2.4  表面缺陷检测
    1.2.5  情感分析
  1.3  回归及应用场景
    1.3.1  房价预测
    1.3.2  股票预测
    1.3.3  药物设计
    1.3.4  人脸关键点检测
  1.4  多元线性回归模型
    1.4.1  多元线性回归模型概述
    1.4.2  “均值回归”现象
    1.4.3  回归与因果推断
    1.4.4  参数估计
    1.4.5  显著性检验
    1.4.6  回归诊断
    1.4.7  模型选择与评价
    1.4.8  Python中线性回归的代码实现
    1.4.9  线性回归模型应用场景
  1.5  正则化线性回归模型
    1.5.1  正则化回归方法简介
    1.5.2  岭回归
    1.5.3  Lasso回归
    1.5.4  LARS
    1.5.5  Python中岭回归的代码实现
    1.5.6  Python中Lasso回归与LARS的代码实现
    1.5.7  正则化线性回归模型应用场景
  1.6  Logistic回归模型
    1.6.1  Logistic回归模型发展史
    1.6.2  Logistic回归模型概述
    1.6.3  Logistic回归优化算法与并行计算
    1.6.4  特征编码与分箱
    1.6.5  ROC曲线与阈值
    1.6.6  多分类Logistic回归模型
    1.6.7  分类模型评价指标与评测基准
    1.6.8  Python中Logistic回归的代码实现
    1.6.9  Logistic回归模型应用场景
  习题
参考文献
第2章  基于决策树的模型
  2.1  决策树
    2.1.1  决策树概述
    2.1.2  决策树的生长
    2.1.3  决策树的剪枝
    2.1.4  Python中决策树的代码实现
    2.1.5  决策树应用场景

  2.2  随机森林
    2.2.1  随机森林简介
    2.2.2  随机森林基本原理
    2.2.3  特征重要性
    2.2.4  SHAP算法
    2.2.5  Boruta算法
    2.2.6  Python中随机森林的代码实现
    2.2.7  随机森林应用场景
  ……
第3章  神经网络
第4章  深度学习
第5章  大语言模型
第6章  案例分析

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目