账号: 密码:
首页  |  宏观指导  |  出版社天地  |  图书代办站  |  教材图书信息 |  教材图书评论 |  在线订购 |  教材征订
  图书分类 - 中图法分类  专业分类  用途分类  自分类  制品类型  读者对象  版别索引 
搜索 新闻 图书 ISBN 作者 音像 出版社 代办站 教材征订
购书 请登录 免费注册 客服电话:010-62510665 62510769
图书查询索引 版别索引 分类索引 中图法分类 专业分类 用途分类 制品类型 读者对象 自分类 最新 畅销 推荐 特价 教材征订
综合查询
Python机器学习:原理与实践(数据科学与大数据技术丛书) - 中国高校教材图书网
相关类别图书
作 者:薛薇
出版社:中国人民大学出版社
用 途:学术专著
中 图:工业技术
专 业:计算机/网络
制 品:图书
读 者:
最新可供书目

战争与文明:从路易十四到拿破仑

中国人民大学出版社


一本书读懂30部管理学经典

清华大学出版社


算法传播十讲

苏州大学出版社


人文职场英语(第2版)学生用书

上海外语教育出版社


数字时代的银龄行动——亚太地区老年人数字素养与技能现状调研

国家开放大学出版社

书名: Python机器学习:原理与实践(数据科学与大数据技术丛书)
ISBN:978-7-300-28731-7 条码:
作者: 薛薇  相关图书 装订:0
印次:1-1 开本:0
定价: ¥69.00  折扣价:¥62.10
折扣:0.90 节省了6.9元
字数: 400千字
出版社: 中国人民大学出版社 页数:
发行编号:287317 每包册数: 7
出版日期: 2021-01-31
小团购 订购 咨询 推荐 打印 放入存书架 相关评论

内容简介:
本书围绕数据分析的四大核心问题:建立数据预测模型,揭示数据内在结构,探究数据关联性,诊断异常数据,以应用案例为线索,深入浅出地讨论了众多经典机器学习方法原理,完整详细地讲解了Python语言实现过程。

作者简介:
 
章节目录:
1章 机器学习与Python 概述

1.1 机器学习与人工智能1.1.1 符号主义人工智能

1.1.2 基于机器学习的人工智能

1.2 机器学习能做什么

1.2.1 机器学习的学习对象: 数据集

1.2.2 机器学习的任务

1.3 Python 实践课: 初识Python

1.3.1 实践一: Python 和Anaconda

1.3.2 实践二: Python 三方包的引用

1.3.3 实践三: 学习Python 的NumPy 包

1.3.4 实践: 学习Python 的Pandas 包

1.3.5 实践五: 学习Python 的Matplotlib 包

1.3.6 实践六: 了解Python 的Scikit-learn 包

附录

2章 数据预测中的相关问题

2.1 数据预测与预测建模

2.1.1 预测模型

2.1.2 预测模型的几何理解

2.1.3 预测模型参数估计的基本策略

2.2 预测模型的评价

2.2.1 模型误差的评价指标

2.2.2 模型的图形化评价工具

2.2.3 泛化误差的估计方法

2.2.4 数据集的划分策略

2.3 预测模型的选择问题

2.3.1 几个重要观点

2.3.2 模型过拟合

2.3.3 预测模型的偏差和方差

2.4 Python 实践课: 加深理论理解,探索应用实践

2.4.1 实践一: 预测模型中的一般线性回归模型和Logistic 回归模型

2.4.2 实践二: 预测模型的评价指标和图形化评价工具

2.4.3 实践三: 不同复杂度模型下的训练误差和测试误差

2.4.4 实践: 数据集划分以及测试误差估计

2.4.5 实践五: 模型的过拟合以及偏差和方差

附录

3章 数据预测建模: 贝叶斯分类器

3.1 贝叶斯概率和贝叶斯法则

3.1.1 贝叶斯概率

3.1.2 贝叶斯法则

3.2 贝叶斯和朴素贝叶斯分类器

3.2.1 贝叶斯和朴素贝叶斯分类器的一般内容

3.2.2 贝叶斯分类器的先验分布

3.3 贝叶斯分类器的分类边界

3.4 Python 实践课: 加深理论理解,探索应用实践

3.4.1 实践一: 探索不同参数下的贝塔分布特点

3.4.2 实践二: 绘制贝叶斯分类器的分类边界

3.4.3 实践三: 二分类的空气污染预测

3.4.4 实践: 多分类的文本分类预测

附录



4章 数据预测建模: 近邻分析

4.1 近邻分析: K-近邻法

4.1.1 距离: K-近邻法的近邻度量

4.1.2 参数K: 1-近邻法还是K-近邻法

4.2 基于观测相似性的加权K-近邻法

4.2.1 加权K-近邻法的权重

4.2.2 加权K-近邻法的预测

4.2.3 加权K-近邻法的分类边界

4.3 K-近邻法的适用性

4.4 Python 实践课: 加深理论理解,探索应用实践

4.4.1 实践一: K-近邻法不同参数K下的分类边界

4.4.2 实践二: 探讨加权K-近邻法中不同核函数的特点

4.4.3 实践三: 加权K{近邻法不同参数和加权策略下的分类边界

4.4.4 实践三: 空气质量等级预测中的优参数K

4.4.5 K-近邻法的回归预测问题

附录



5章 数据预测建模: 决策树

5.1 决策树的核心问题

5.1.1 什么是决策树

5.1.2 分类树的分类边界

5.1.3 回归树的回归平面

5.1.4 决策树的生长和剪枝

5.2 分类回归树的生长

5.2.1 分类树中的异质性度量

5.2.2 回归树中的异质性度量

5.3 分类回归树的剪枝

5.3.1 代价复杂度和小代价复杂度

5.3.2 分类回归树的剪枝过程

5.4 Python 实践课: 加深理论理解,探索应用实践

5.4.1 实践一: 回归树的回归面

5.4.2 实践二: 不同树深度下分类树的分类边界

5.4.3 实践三: 分类树中的基尼系数和熵

5.4.4 实践: 空气质量等级的分类预测

5.4.5 实践五: 回归树和过拟合

附录



6章 数据预测建模: 集成学习

6.1 集成学习的一般问题

6.1.1 集成学习: 解决高方差问题

6.1.2 集成学习: 从弱模型到强模型

6.2 基于重抽样自举法的集成学习

6.2.1 重抽样自举法

6.2.2 袋装策略

6.2.3 随机森林

6.3 集成学习: 从弱模型到强模型

6.3.1 提升策略

6.3.2 AdaBoost.M1 算法

6.3.3 SAMME 算法和SAMME.R算法

6.3.4 回归预测中的提升策略

6.4 梯度提升树

6.4.1 梯度提升算法

6.4.2 梯度提升回归树

6.4.3 梯度提升分类树

6.5 XGBoost 算法精要

6.5.1 XGBoost 算法中的目标函数

6.5.2 目标函数的近似表达

6.5.3 决策树的求解

6.6 Python 实践课: 加深理论理解,探索应用实践

6.6.1 实践一: 探讨袋装策略和随机森林的方差

6.6.2 实践二: 探讨提升策略集成学习的预测效果

6.6.3 实践三: 提升策略集成学习下高权重样本观测的变化

6.6.4 实践: 不同损失函数下AdaBoost 回归预测

6.6.5 实践五: 梯度提升算法和提升策略集成学习的对比

6.6.6 实践六: 基于空气质量监测数据, 对比集成学习的各种策略

附录



7章 数据预测建模:人工神经网络

7.1 人工神经网络的基本概念

7.1.1 网络的基本构成

7.1.2 网络节点的功能

7.2 感知机网络

7.2.1 感知机网络中的节点

7.2.2 感知机节点中的加法器

7.2.3 感知机节点中的激活函数

7.2.4 感知机的权重训练

7.3 多层感知机及B-P 反向传播算法

7.3.1 多层网络的结构

7.3.2 多层网络的隐藏节点

7.3.3 B-P 反向传播算法

7.3.4 多层网络的其他问题

7.4 Python 实践课: 加深理论理解,探索应用实践

7.4.1 实践一: 探讨二层感知机输出节点不同激活函数的情况

7.4.2 实践二: 利用模拟数据探讨多层感知机网络中隐藏节点的影响

7.4.3 实践三: 基于手写体邮政编码点阵数据实现数字识别

7.4.4 实践: 基于空气质量监测数据对PM2.5 的浓度进行预测

附录



8章 数据预测建模: 支持向量机

8.1 支持向量分类的一般问题

8.1.1 支持向量分类的基本思路

8.1.2 支持向量分类的三种情况

8.2 完全线性可分下的支持向量分类

8.2.1 如何求解平面

8.2.2 参数求解的拉格朗日乘子法

8.2.3 支持向量分类的预测

8.3 广义线性可分下的支持向量分类

8.3.1 广义线性可分下的平面

8.3.2 广义线性可分下的错误惩罚和目标函数

8.3.3 广义线性可分下的平面参数求解

8.4 线性不可分问题下的支持向量分类

8.4.1 线性不可分问题的一般解决方式

8.4.2 支持向量分类克服维灾难的途径

8.5 支持向量回归

8.5.1 支持向量回归的基本思路

8.5.2 支持向量回归的目标函数和约束条件

8.6 Python 实践课: 加深理论理解,探索应用实践

8.6.1 实践一: 探讨支持向量机分类的意义

8.6.2 实践二: 探讨完全线性可分下的支持向量分类

8.6.3 实践三: 探讨广义线性可分下不同惩罚参数C 下的分类边界

8.6.4 实践: 探讨非线性可分下的空间变化思路

8.6.5 实践五: 探讨非线性可分下不同惩罚参数C 和核函数下的分类曲面

8.6.6 实践六: 探讨支持向量回归中不同惩罚参数C 和?0?7对回归的影响

附录



9章 特征选择: 过滤、包裹和嵌入策略

9.1 过滤式策略下的特征选择

9.1.1 低方差过滤法

9.1.2 分类预测中的高相关过滤法:F 统计量

9.1.3 分类预测中的高相关过滤法:2统计量

9.1.4 分类预测中的高相关过滤法:其他统计量

9.2 包裹式策略下的特征选择

9.2.1 包裹式策略的基本思路

9.2.2 递归式特征剔除法

9.2.3 基于交验证的递归式特征剔除法

9.3 嵌入式策略下的特征选择

9.3.1 岭回归和Lasso 回归

9.3.2 弹性网回归

9.4 Python 实践课: 加深理论理解,探索应用实践

9.4.1 实践一: 探讨低方差过滤法的应用意义

9.4.2 实践二: 探索高相关过滤法中的F 分布和卡方分布特点及应用

9.4.3 实践三: 探索包裹式策略下的特征选择及应用

9.4.4 实践: 探索Lasso 回归中收缩参数ɑ变化对特征选择的影响

9.4.5 实践五: 探索弹性网回归中不同L2 范数率变化对模型的影响

附录



10章 特征提取: 空间变换策略

10.1 主成分分析

10.1.1 主成分分析的基本出发点

10.1.2 主成分分析的基本原理

10.1.3 确定主成分

10.2 矩阵的奇异值分解

10.2.1 奇异值分解的基本思路

10.2.2 基于奇异值分解的特征提取

10.3 核主成分分析

10.3.1 核主成分分析的出发点

10.3.2 核主成分分析的基本原理

10.3.3 核主成分分析中的核函数

10.4 因子分析

10.4.1 因子分析的基本出发点

10.4.2 因子分析的基本原理

10.4.3 因子载荷矩阵的求解

10.4.4 因子得分的计算

10.4.5 因子分析的其他问题

10.5 Python 实践课: 加深理论理解,探索应用实践

10.5.1 实践一: 探索主成分分析的基本原理和实践

10.5.2 实践二: 基于脸部点阵灰度数据,探索奇异值分解的应用

10.5.3 实践三: 探索核主成分分析的意义和应用

10.5.4 实践: 探索因子分析的基本原理

10.5.5 实践五: 基于空气质量监测数据, 探索因子分析的应用

附录



11章 揭示数据内在结构:聚类分析

11.1 聚类分析的一般问题

11.1.1 聚类分析的目的

11.1.2 聚类算法概述

11.1.3 聚类解的评价

11.1.4 聚类解的可视化

11.2 基于质心的聚类模型: K-均值聚类

11.2.1 K-均值聚类基本过程

11.2.2 K-均值聚类中的聚类数目

11.2.3 基于K-均值聚类的预测

11.3 基于联通性的聚类模型: 系统聚类

11.3.1 系统聚类的基本过程

11.3.2 系统聚类中距离的联通性测度

11.3.3 系统聚类中的聚类数目

11.3.4 系统聚类中的其他问题

11.4 基于高斯分布的聚类模型:EM聚类

11.4.1 基于高斯分布聚类的出发点:有限混合分布

11.4.2 EM 聚类算法

11.5 Python 实践课: 加深理论理解,探索实践应用

11.5.1 实践一: 探讨K-值聚类特点和确定聚类数目K 的方法

11.5.2 实践二: 探讨系统聚类过程和可视化工具

11.5.3 实践三: 探讨聚类分析的实际应用

11.5.4 实践: 探讨EM 聚类的适用场景和聚类实现

附录



12章 揭示数据内在结构: 特色聚类

12.1 基于密度的聚类: DBSCAN聚类

12.1.1 DBSCAN 聚类中的相关概念

12.1.2 DBSCAN 聚类过程

12.1.3 DBSCAN 聚类的参数敏感性

12.2 Mean-Shift 聚类

12.2.1 什么是核密度估计

12.2.2 核密度估计在Mean-Shift聚类中的意义

12.2.3 Mean-Shift 聚类过程

12.3 BIRCH 聚类

12.3.1 BIRCH 聚类的特点

12.3.2 BIRCH 算法中的聚类特征树

12.3.3 BIRCH 聚类的核心步骤

12.3.4 BIRCH 聚类的在线动态聚类

12.3.5 BIRCH 聚类解的优化

12.4 Python 实践课: 加深理论理解,探索应用实践

12.4.1 探索DBSCAN 聚类算法的异形聚类特点以及参数敏感性

12.4.2 实现单变量的核密度估计,理解Mean-Shift 聚类算法

12.4.3 探讨BIRCH 聚类的动态性特点

附录
精彩片段:
 
书  评:
 
其  它:
 

专业分类
经济学  公共课与文化课  政治法律  教育学  文学艺术  历史学  理学  工学  农学  医学  计算机/网络  管理学  其他  外语  哲学
用途分类
大学本科教材 大学本科以上教材 大学教学参考书 考研用书 自学考试教材 高职高专教材 中职、中专类教材 中小学教材、教辅
电大用书 学术专著 考试辅导类图书 工具书 培训教材 其他
中图法分类
医药、卫生  语言、文字  工业技术  交通运输  航空、航天  环境科学、安全科学  综合性图书  文学  艺术  历史、地理  自然科学总论  数理科学和化学  天文学、地球科学  生物科学  哲学、宗教  社会科学总论  政治、法律  军事  经济  马克思主义、列宁主义、毛泽东思想、邓小平理论  文化、科学、教育、体育  农业科学
版别索引
北京大学出版社 北京师范大学出版社 清华大学出版社 中国人民大学出版社
北京工业大学出版社 北京大学医学出版社 北京航空航天大学出版社 北京交通大学出版社
北京理工大学出版社 北京体育大学出版社 北京邮电大学出版社 中央音乐学院出版社
北京语言大学出版社 对外经济贸易大学出版社 国家开放大学出版社 首都经济贸易大学出版社
首都师范大学出版社 外语教学与研究出版社
更多...
网上购书指南
一、我的账户
用户注册
用户登录
修改用户密码
修改个人资料
二、查询图书
快速查询
分类查询
综合查询
三、订购图书
第一步点击“订购”按钮
第二步确定收货人信息
第三步提交订单
存书架
四、邮购方式
普通邮寄
特快专递
五、付款方式
支付宝
邮局汇款
六、我的订单
查询订单
修改或取消订单
联系我们

| 我的帐户 | 我的订单 | 购书指南| 关于我们 | 联系我们 | 敬告 | 友情链接 | 广告服务 |

版权所有 © 2000-2002 中国高校教材图书网    京ICP备10054422号-7    京公网安备110108002480号    出版物经营许可证:新出发京批字第版0234号
经营许可证编号:京ICP证130369号    技术支持:云因信息