机器学习入门:基于数学原理的Python实战 - 中国高校教材图书网
|
|
书名: |
机器学习入门:基于数学原理的Python实战
|
ISBN: | 978-7-301-30897-4 |
条码: | 9787301308974 |
作者: |
戴璞微,潘斌
相关图书
|
装订: | |
印次: | 1-1 |
开本: | 16开 |
定价: |
¥69.00
折扣价:¥65.55
折扣:0.95
节省了3.45元
|
字数: |
430千字
|
出版社: |
北京大学出版社 |
页数: |
296页
|
发行编号: | |
每包册数: |
|
出版日期: |
2019-12-30 |
|
内容简介: |
机器学习是一门涉及高等数学、线性代数、概率论、统计学和运筹学等领域的交叉学科。机器学习的基础就是数学,这也就要求学习者要有良好的数学基础。为了降低机器学习的学习门槛,本书深入浅出地对机器学习算法的数学原理进行了严谨的推导;并利用Python 3对各种机器学习算法进行复现,还利用介绍的算法在相应数据集上进行实战。本书主要内容包括机器学习及其数学基础;线性回归、局部加权线性回归两种回归算法;Logistic回归、Softmax回归和BP神经网络3种分类算法;模型评估与优化;K-Means聚类算法、高斯混合模型两种聚类算法和一种降维算法——主成分分析。 本书理论性与实用性兼备,既可作为初学者的入门书籍,也可作为求职者的面试宝典,更可作为职场人士转岗的实用手册。本书适合需要全面学习机器学习算法的初学者、希望掌握机器学习算法数学理论的程序员、想转行从事机器学习算法的专业人员、对机器学习算法兴趣浓厚的人员、专业培训机构学员和希望提高Python编程水平的程序员。
|
作者简介: |
戴璞微,中国民航大学硕士,CSDN博客专家。曾获得全国大学生数学竞赛国家一等奖、北美数学建模二等奖,参与国家自然科学基金项目1项。对计算机视觉、机器学习和深度学习有深入研究。 潘斌,浙江大学应用数学系博士,现任辽宁石油化工大学理学院副院长。2018年入选辽宁省“兴辽英才计划”青年拔尖人才,2016年主持国家自然科学基金青年基金项目1项;2015年主持辽宁省自然科学基金项目1项;2016年主持浙江大学CAD&CG国家重点实验室开放课题2项。近年来,指导本科生获全国大学生数学建模竞赛国家一等奖。
|
章节目录: |
第1章 机器学习及其数学基础 1.1 机器学习与人工智能简述 2 1.2 高等数学 4 1.3 线性代数 7 1.4 概率论与数理统计 14 1.5 Jensen不等式 25 1.6 本章小结 27 第2章 线性回归 2.1 线性回归模型 29 2.2 梯度下降算法 30 2.3 再看线性回归 32 2.4 正则方程 34 2.5 概率解释 35 2.6 线性回归的Python实现 36 2.7 案例:利用线性回归预测波士顿房价 43 2.8 本章小结 54 第3章 局部加权线性回归 3.1 欠拟合与过拟合 56 3.2 局部加权线性回归模型 57 3.3 局部加权线性回归的Python实现 61 3.4 案例:再看预测波士顿房价 64 3.5 案例:利用局部加权线性回归预测鲍鱼年龄 71 3.6 本章小结 77 第4章?Logistic回归与Softmax回归 4.1 监督学习 80 4.2 Logistic回归 80 4.3 广义线性模型 84 4.4 Softmax回归 86 4.5 Logistic回归的Python实现 90 4.6 案例:利用Logistic回归对乳腺癌数据集进行分类 96 4.7 Softmax回归的Python实现 107 4.8 案例:利用Softmax回归对语音信号数据集进行分类 116 4.9 本章小结 127 第5章 模型评估与优化 5.1 模型性能度量 130 5.2 偏差-方差平衡 134 5.3 正则化 135 5.4 交叉验证 144 5.5 Ridge回归的Python实现 145 5.6 案例:再看预测鲍鱼年龄 153 5.7 带L2正则化的Softmax回归的Python实现 156 5.8 案例:再看语音信号数据集分类 161 5.9 本章小结 165 第6章 BP神经网络 6.1 神经网络模型 168 6.2 BP算法与梯度下降算法 171 6.3 BP神经网络的相关改进 175 6.4 BP神经网络的Python实现 185 6.5 案例:利用BP神经网络对语音信号数据集进行分类 197 6.6 本章小结 215 第7章 K-Means聚类算法 7.1 无监督学习与聚类 218 7.2 K-Means聚类算法 219 7.3 K-Means聚类的Python实现 222 7.4 案例:利用K-Means算法对Iris数据集进行聚类 225 7.5 本章小结 229 第8章 高斯混合模型 8.1 EM算法 231 8.2 高斯混合模型 233 8.3 GMM与K-Means的区别与联系 238 8.4 聚类性能评价指标 240 8.5 GMM的Python实现 242 8.6 案例:利用GMM对葡萄酒数据集进行聚类 248 8.7 本章小结 255 第9章 主成分分析 9.1 降维技术 258 9.2 主成分分析 258 9.3 核函数 263 9.4 核主成分分析 265 9.5 PCA的Python实现 268 9.6 案例:利用PCA对葡萄酒质量数据集进行降维 271 9.7 本章小结 280
|
精彩片段: |
|
书 评: |
|
其 它: |
|
|
|