新書推薦：
《
中国人工智能系列研究报告：大型语言模型的教育应用
》
售價：HK$
69.6
《
北洋大学与近代中国（第2辑）
》
售價：HK$
153.6
《
汗青堂丛书048·科举史（新）
》
售價：HK$
79.2
《
新形势下海事综合风险管控理论与实践
》
售價：HK$
96.0
《
数码港元：Web3.0构建香港新金融
》
售價：HK$
90.0
《
邓正来著作集（全9册）
》
售價：HK$
1905.6
《
努斯：希腊罗马哲学研究（第6辑）--逻辑、同异与辩证法
》
售價：HK$
81.6
《
碳交易与碳金融基础（彭玉镏）
》
售價：HK$
57.6
|
| 編輯推薦： |
《Scikit-Learn机器学习核心技术与实践》的特色如下：
内容全面实用
本书在讲解中结合了多个实用性很强的项目案例，带领读者掌握Scikit-Learn开发的相关知识，以解决实际工作中的问题。
实例驱动教学
本书采用理论加实例的教学方式，通过这些实例实现了对知识点的横向切入和纵向比较，让读者有更多的实践演练机会，并且可以从不同的方位展现一个知识点的用法。
扫码看视频讲解
本书每个二级目录后面都放置了一个二维码，扫描二维码可以在线观看视频讲解，读者可以一边阅读图书，一边在线观看视频，提高学习效率，加深对书中案例的理解和应用。
|
| 內容簡介： |
|
《Scikit-Learn机器学习核心技术与实践》循序渐进地讲解了使用 Scikit-Learn 开发机器学习程序的核心知识，并通过具体实例的实现过程演练了使用 Scikit-Learn 的方法和流程。全书共10章，包括人工智能与Scikit-Learn 简介，加载数据集，监督学习，无监督学习，模型选择和评估，数据集转换，实现大数据计算，英超联赛比分预测系统（Matplotlib Scikit-Learn Flask Pandas），AI考勤管理系统（face-recognition Matplotlib Django Scikit-Learn Dlib），实时电影推荐系统（Scikit-Learn Flask Pandas）。本书简洁而不失其技术深度，内容丰富全面，易于阅读。 《Scikit-Learn机器学习核心技术与实践》适用于已经了解Python语言基础语法的读者，以及想进一步学习机器学习和深度学习技术的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业教材。
|
| 關於作者： |
|
谭贞军，哈尔滨工业大学计算机硕士，平常喜爱Android应用开发和底层开发，在谷歌市场已经发布多款经典应用程序。热衷于人工智能、机器学习、Android开发和物联网开发，对AI项目的架构设计和实现原理有非常深刻的认识和理解，应用开发经验也十分丰富。另外还十分精通Python、C、C 、Java、C#开发语言，熟悉软件规划、项目架构和项目推广。近年来随着AI和大数据业务的兴起，深入研究了人工智能开发应用，并且基于Python的AI研发一直是擅长的领域。
|
| 目錄：
|
第1 章 人工智能与Scikit-Learn 简介 1
1.1 人工智能技术的兴起 2
1.1.1 人工智能介绍 2
1.1.2 人工智能的研究领域 2
1.1.3 和人工智能相关的几个重要概念 3
1.1.4 人工智能的两个重要发展阶段 4
1.2 机器学习和深度学习 4
1.2.1 机器学习 5
1.2.2 深度学习 5
1.2.3 机器学习和深度学习的区别 6
1.3 初步认识Scikit-Learn 7
1.3.1 Scikit-Learn 介绍 7
1.3.2 使用pip 安装Scikit-Learn 7
1.3.3 使用Anaconda 安装Scikit-Learn 8
1.3.4 解决速度过慢的问题 9
1.4 准备开发工具 10
第2 章 加载数据集 11
2.1 标准数据集API 12
2.1.1 波士顿房价数据集（适用于回归任务） 12
2.1.2 威斯康星州乳腺癌数据集（适用于分类问题） 13
2.1.3 糖尿病数据集（适用于回归任务） 13
2.1.4 手写数字数据集（适用于分类任务） 14
2.1.5 Fisher 的鸢尾花数据集（适用于分类问题） 15
2.1.6 红酒数据集（适用于分类问题） 15
2.2 自定义数据集 16
2.2.1 生成聚类数据 16
2.2.2 生成同心圆样本点 17
2.2.3 生成模拟分类数据集 18
2.2.4 生成太极型非凸集样本点 19
第3 章 监督学习 21
3.1 广义线性模型 22
3.1.1 普通小二乘法 22
3.1.2 岭回归 24
3.1.3 Lasso 回归 25
3.2 线性判别分析和二次判别分析 27
3.2.1 使用线性判别分析来降维 28
3.2.2 LDA 和QDA 分类器的数学公式 30
3.2.3 收缩 30
3.3 内核岭回归 32
3.4 支持向量机 33
3.4.1 分类 34
3.4.2 回归 36
3.4.3 密度估计和异常检测 38
3.5 随机梯度下降 39
3.5.1 分类 40
3.5.2 回归 42
3.5.3 稀疏数据的随机梯度下降 42
第4 章 无监督学习 49
4.1 高斯混合模型 50
4.1.1 高斯混合 50
4.1.2 变分贝叶斯高斯混合 53
4.2 流形学习 55
4.3 聚类 57
4.3.1 KMeans 算法 57
4.3.2 MiniBatchKMeans 算法 60
4.4 双聚类 62
4.4.1 谱聚类算法 63
4.4.2 光谱联合聚类算法 66
第5 章 模型选择和评估 69
5.1 交叉验证：评估估算器的表现 70
5.1.1 计算交叉验证的指标 71
5.1.2 交叉验证迭代器 75
5.2 调整估计器的超参数 76
5.2.1 网格追踪法：穷尽的网格搜索 77
5.2.2 随机参数优化 80
5.3 模型评估: 量化预测的质量 82
5.3.1 得分参数scoring ：定义模型评估规则 83
5.3.2 分类指标 85
第6 章 数据集转换 89
6.1 Pipeline（管道）和 FeatureUnion（特征联合） 90
6.1.1 Pipeline ： 链式评估器 90
6.1.2 FeatureUnion（特征联合）：特征层 93
6.2 特征提取 95
6.2.1 从字典类型加载特征 95
6.2.2 特征哈希 96
6.2.3 提取文本特征 97
6.2.4 提取图像特征 99
6.3 预处理数据 102
6.3.1 标准化处理 102
6.3.2 非线性转换 103
6.4 无监督降维 106
6.4.1 PCA ：主成分分析 106
6.4.2 随机投影 110
第7 章 实现大数据计算 117
7.1 计算扩展策略 118
7.1.1 使用外核学习实例进行拓展 118
7.1.2 使用外核方法进行分类 119
7.2 计算性能 129
7.2.1 预测延迟 129
7.2.2 预测吞吐量 137
第8 章 英超联赛比分预测系统（Matplotlib Scikit-Learn Flask Pandas） 143
8.1 英超联赛介绍 144
8.2 系统模块介绍 144
8.3 数据集 144
8.3.1 获取api-football 密钥 145
8.3.2 获取数据 145
8.3.3 收集数据 150
8.4 特征提取和数据可视化 152
8.4.1 提取数据 153
8.4.2 数据可视化 154
8.5 模型选择和训练 161
8.5.1 机器学习函数 161
8.5.2 数据降维 172
8.5.3 MLP 神经网络 175
8.6 模型评估 178
8.6.1 近邻模型和混淆矩阵模型 179
8.6.2 随机森林模型和混淆矩阵模型 186
8.6.3 SVM 模型和混淆矩阵模型 190
8.7 Web 可视化 197
8.7.1 获取预测数据 197
8.7.2 Flask Web 主页 200
第9 章 AI 考勤管理系统（face-recognition Matplotlib Django Scikit-Learn Dlib） 203
9.1 背景介绍 204
9.2 系统需求分析 204
9.2.1 可行性分析 204
9.2.2 系统操作流程分析 204
9.2.3 系统模块设计 204
9.3 系统配置 205
9.3.1 Django 配置文件 205
9.3.2 路径导航文件 206
9.4 用户注册和登录验证 207
9.4.1 登录验证 207
9.4.2 添加新用户 208
9.4.3 设计数据模型 210
9.5 采集照片和机器学习 210
9.5.1 设置采集对象 210
9.5.2 采集照片 212
9.5.3 训练照片模型 214
9.6 考勤打卡 216
9.6.1 上班打卡签到 216
9.6.2 下班打卡 218
9.7 可视化考勤数据 220
9.7.1 统计近两周员工的考勤数据 220
9.7.2 查看本人在指定时间段内的考勤信息 225
9.7.3 查看某员工在指定时间段内的考勤信息 229
第10 章 实时电影推荐系统（Scikit-Learn Flask Pandas） 233
10.1 系统介绍 234
10.1.1 背景介绍 234
10.1.2 推荐系统和搜索引擎 234
10.1.3 项目介绍 235
10.2 系统模块 235
10.3 数据采集和整理 235
10.3.1 数据整理 236
10.3.2 电影详情数据 239
10.3.3 提取电影特征 247
10.4 情感分析和序列化操作 252
10.5 Web 端实时推荐 253
10.5.1 Flask 启动页面 253
10.5.2 模板文件 256
10.5.3 后端处理 263
|
| 內容試閱：
|
人工智能就是我们平常所说的AI，全称是Artificial Intelligence。人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。Scikit-Learn 也被称为sklearn，是针对Python 编程语言的免费软件机器学习库。Scikit-Learn 具有各种分类、回归和聚类算法，包括支持向量机、随机森林、梯度提升、K- 均值和DBSCAN，旨在与Python 数值科学库NumPy 和SciPy 联合使用。
（一）本书特色
1. 内容全面
本书详细讲解了使用Scikit-Learn 开发人工智能程序的技术知识，循序渐进地讲解了这些技术的使用方法和技巧，帮助读者快速步入Python 人工智能开发高手之列。
2. 实例驱动教学
本书采用理论加实例的教学方式，通过对这些实例的分析，实现了对知识点的横向切入和纵向比较，让读者有更多的实践演练机会，并且可以从不同的方位展现一个知识点的用法，真正实现了拔高的教学效果。
3. 详细介绍了Scikit-Learn 开发的流程
本书从一开始便对Scikit-Learn 开发流程进行了详细介绍，而且在讲解中结合了多个实用性很强的数据分析项目案例，带领读者掌握Scikit-Learn 开发的相关知识，以解决实际工作中的问题。
4. 扫描二维码，获取配书学习资源
本书正文的每个二级标题后都放了一个二维码，读者可通过扫描二维码在线观看讲解视频，其中既包括实例讲解，也包括教程讲解。此外，读者还可以扫描右侧的二维码获取书中案例源代码。
（二）本书内容
基础知识
核心技术
商业实战
人工智能与Scikit-Learn 简介
加载数据集
监督学习
无监督学习
模型选择和评估
数据集转换
实现大数据计算
英超联赛比分预测系统
AI 考勤管理系统
实时电影推荐系统
（三）本书读者对象
（1）软件研发工程师；
（2）Python 语言初学者；
（3）机器学习开发人员；
（4）数据库工程师和管理员；
（5）中学及大学教育工作者。
（四）致谢
本书在编写过程中，首先，感谢清华大学出版社编辑老师的大力支持，正是他们的求实、耐心和高效工作，才使本书能够顺利出版。其次，十分感谢我的家人给予的巨大支持。因作者水平有限，书中存在纰漏之处在所难免，恳请读者提出宝贵的意见或建议，以便修订使之更臻完善。
编 者
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
