新書推薦：
《
技术与德国 ： 1800年至今
》
售價：HK$
105.6
《
重返冰河时代：发现史前世界
》
售價：HK$
129.6
《
拉夫尔
》
售價：HK$
93.6
《
经济巨擘：思想碰撞与传承（精装典藏版）
》
售價：HK$
106.8
《
一如既往
》
售價：HK$
82.8
《
人工智能新时代：核心技术与行业赋能
》
售價：HK$
105.6
《
西方文明4000年（战争与和平，野蛮与文明，沉沦与觉醒，记录影响西方文明发展的历史瞬间）
》
售價：HK$
93.6
《
樱照良宵（全2册）
》
售價：HK$
83.8
|
| 內容簡介： |
|
本教材从实用的角度出发，采用理论与实践相结合的方式，介绍机器学习算法与应用的基础知识，力求培养读者使用机器学习相关算法进行数据分析的能力。本教材的主要内容有机器学习概述，机器学习的Python常用库，回归分析与应用，特征工程、降维与超参数调优，分类算法与应用，关联规则，聚类算法与应用，神经网络，文本分析，图像数据分析，深度学习入门。本教材可以作为人工智能学科相关的机器学习技术的入门教材，目的不在于覆盖机器学习技术的所有知识点，而是介绍机器学习的常用算法及其应用，使读者了解机器学习的基本构成及不同场景下使用何种机器学习算法。为了增强实践效果，本教材引入了多个基础技术案例及综合实践案例，以帮助读者了解机器学习涉及的基本知识和技能。本教材可作为高等院校机器学习算法与应用课程的教材，也可供对机器学习技术感兴趣的读者阅读参考。
|
| 關於作者： |
|
许桂秋，运营总监。2000年9月—2004年6月，厦门大学，计算机科学与技术专业学习，获工学学士；2007年8月—2011年4月，中国石油天然气股份有限公司，项目经理，工程师；2011年6月—2016年7月，曙光信息产业股份有限公司，项目经理，工程师；2016年7月—至今，中科瑞翼（北京）教育科技有限公司，运营总监。主要著作出版情况：《大数据导论》、《Python编程基础与应用》、《NoSQL数据库原理与应用》、《数据挖掘与机器学习》等9本系列教材，浙江科技出版社，2019年。
|
| 目錄：
|
|
第1章 机器学习概述11.1 机器学习简介11.1.1 机器学习简史11.1.2 机器学习主要流派31.2 人工智能、数据挖掘和机器学习51.2.1 什么是人工智能51.2.2 什么是数据挖掘61.2.3 人工智能、数据挖掘和机器学习的关系71.3 典型机器学习应用领域71.3.1 艺术创作71.3.2 金融领域81.3.3 医疗领域91.3.4 自然语言处理101.3.5 网络安全121.4 机器学习算法分类141.4.1 分类算法151.4.2 关联分析191.4.3 回归分析191.4.4 深度学习201.5 机器学习的一般流程22第2章 机器学习的Python常用库242.1 Numpy简介及基础使用242.1.1 Numpy简介242.1.2 Numpy基础使用272.2 Pandas简介及基础使用312.2.1 Pandas简介312.2.2 Pandas自行车数据统计分析362.3 Matplotlib简介及基础使用422.3.1 Matplotlib简介422.3.2 Matplotlib绘图实例452.4 Scikit-Learn简介及基础使用522.4.1 Scikit-Learn安装与简介522.4.2 Scikit-Learn基础使用562.5 波士顿房价预测实验59第3章 回归分析与应用643.1 回归分析问题643.1.1 介绍643.1.2 常见回归数据集663.2 线性回归683.2.1 原理与应用场景683.2.2 实现线性回归703.2.3 Python实现最小二乘法拟合直线713.3 岭回归和Lasso回归723.3.1 原理与应用场景733.3.2 实现岭回归753.3.3 实现Lasso回归763.4 逻辑回归763.4.1 原理与应用场景763.4.2 实现逻辑回归78第4章 特征工程、降维与超参数调优804.1 特征工程804.1.1 缺失值处理814.1.2 数据的特征值化874.1.3 特征选择894.1.4 特征构建894.2 降维与超参数调优914.2.1 降维914.2.2 实现降维924.2.3 超参数调优93第5章 分类算法与应用975.1 分类问题简介975.1.1 分类问题的流程与任务975.1.2 常用的分类数据集985.2 K近邻算法1025.2.1 K近邻算法原理与应用场景1025.2.2 基于K近邻算法实现分类任务1035.2.3 使用Python实现KNN算法1105.3 概率模型1115.3.1 原理1115.3.2 应用场景1115.4 朴素贝叶斯分类1125.4.1 原理与应用场景1125.4.2 朴素贝叶斯算法应用1155.5 向量空间模型1155.5.1 原理与应用场景1155.5.2 向量空间模型应用1165.6 支持向量机1205.6.1 支持向量机概述1205.6.2 支持向量机实现分类1225.6.3 支持向量机实现回归1235.6.4 支持向量机异常检测1235.6.5 过拟合问题1255.7 集成学习1295.7.1 集成学习概述1295.7.2 决策树1315.7.3 随机森林1355.7.4 Adaboost算法137第6章 关联规则1406.1 关联规则的概念1406.1.1 什么是关联规则1406.1.2 关联规则的挖掘过程1416.2 Apriori算法1426.2.1 Apriori算法概念1426.2.2 Apriori算法实现原理1426.2.3 实现Apriori算法144第7章 聚类算法与应用1487.1 无监督学习问题1487.1.1 无监督学习1487.1.2 聚类分析的基本概念与原理1497.1.3 常见聚类数据集1507.2 划分聚类1527.2.1 划分聚类概述1527.2.2 K-Means算法1527.2.3 sklearn中K-Means算法聚类的使用1557.2.4 使用聚类进行图像压缩1567.2.5 Numpy实现K-Means聚类1587.3 层次聚类1597.3.1 层次聚类算法1597.3.2 使用层次聚类算法聚类1617.4 密度聚类1627.4.1 DBSCAN算法1637.4.2 OPTICS算法1677.4.3 DENCLUE算法1687.5 聚类效果评测169第8章 神经网络1728.1 神经网络介绍1728.1.1 神经元原理1738.1.2 前馈神经网络1748.1.3 反馈神经网络1758.1.4 自组织神经网络1768.2 神经网络相关概念1778.2.1 激活函数1778.2.2 Softmax算法与损失函数1828.2.3 梯度下降算法1858.2.4 学习率1868.2.5 过拟合与欠拟合1878.2.6 神经网络模型的评估指标1898.3 神经网络识别MNIST手写数据集190第9章 文本分析1989.1 文本数据处理的相关概念1989.2 中英文的文本数据处理方法对比1999.2.1 中英文分词与分词粒度2009.2.2 中英文的多种形态2009.2.3 词性标注方法的差异2019.2.4 句法结构分析方法2019.3 文本数据处理分析案例2029.3.1 使用NLTK进行文本数据分析2029.3.2 使用jieba进行文本数据分析2159.4 自然语言处理的应用221第10章 图像数据分析22610.1 图像数据22610.2 图像数据分析方法22810.3 图像数据分析案例23010.3.1 PIL：Python图像处理类库应用示例23010.3.2 Numpy图像数据分析示例23510.3.3 SciPy图像数据分析示例23810.3.4 Scikit-Image24110.3.5 OpenCV24610.4 计算机视觉的应用25510.4.1 图像分类25610.4.2 目标检测25710.4.3 图像分割25810.4.4 风格迁移26010.4.5 图像重构26010.4.6 超分辨率26110.4.7 图像生成26110.4.8 人脸图像的应用26210.4.9 其他262第11章 深度学习入门26311.1 深度学习的概述26311.2 卷积神经网络26411.2.1 卷积神经网络简介26411.2.2 卷积神经网络的整体结构26511.2.3 常见的卷积神经网络26711.3 循环神经网络27611.3.1 RNN基本原理27611.3.2 长短期记忆网络27811.3.3 门限循环单元28211.4 深度学习流行框架28311.5 基于卷积神经网络识别手写数字的实战28411.5.1 实验目的28411.5.2 实验背景28411.5.3 实验原理28511.5.4 实验环境28511.5.5 实验步骤285
|
|
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
