Python机器学习算法：原理、实现与应用 - 中国高校教材图书网
|
书名： |
Python机器学习算法：原理、实现与应用
|
| ISBN： | 9787301360514 |
责任编辑： | |
| 作者： |
陈卓 陆艳军 著
相关图书
|
装订： | 平装 |
| 印次： | 1-1 |
开本： | 16开 |
| 定价： |
￥99.00
折扣价：￥94.05
折扣：0.95
节省了4.95元
|
字数： |
|
| 出版社： |
北京大学出版社 |
页数： |
348页
|
| 出版日期： |
2026-03-01 |
每包册数： |
|
| 国家规划教材： |
|
省部级规划教材： |
|
| 入选重点出版项目： |
|
获奖信息： |
|
|
|
| 内容简介： |
近年来人工智能的显著进步，得益于数据、算力和算法的快速协同发展。对于人工智能应用相关的广大从业者而言，在拥有足够的数据和充裕的算力资源的情况下，如何将数据和算力所能产生的效果有效释放，真正实现人工智能对已有业务的赋能，则有赖于合理高效的设计和运用机器学习的相关算法。
本书分上、下两篇，共12章，以Python语言为基础，系统地讲解了机器学习算法基础，常见的机器学习相关算法的原理、实现与应用，以及深度学习相关算法的原理、实现与应用等内容。本书旨在带领读者探索人工智能时代的算法奥秘，引导读者学习主要的机器学习算法原理，并学会基本运用。本书基本做到单章自成体系，读者可以根据兴趣或应用需要自行安排阅读顺序。
本书适合机器学习算法的初学者、自学机器学习基础知识的程序员阅读，也可作为计算机类或电子信息类研究生的参考书。
|
| 作者简介： |
陈卓，博士，博士后，重庆理工大学计算机科学与工程学院副教授，硕士生导师，IEEE会员及CCF会员。长期从事智能算法在网络领域的研究与应用。先后主持和参与10余项各类科研课题，包括国家自然科学基金项目、重庆市技术创新与应用发展项目、重庆市基础科学与前沿技术研究项目及多项企业合作项目等。已在国内外重要期刊和会议上发表论文30余篇。已授权发明专利10余项，出版著作2部。曾荣获重庆市科技进步一等奖和云南省科技进步三等奖。
陆艳军，高级工程师，重庆理工大学计算机科学与工程学院教师、硕士生导师。曾在中国移动从事网络信息安全相关科研工作。研究方向为算法设计与应用及计算机网络，主要讲授Python程序设计、数据科学等课程。参加工作以来先后取得信息系统项目管理师、CISSP、CISP-CISE等专业技术认证。
|
| 章节目录： |
上篇 基础机器学习算法
第1章 打开机器学习的大门
1.1 人工智能简介
1.1.1 人工智能的产生及发展过程
1.1.2 人工智能的应用领域
1.2 机器学习与人工智能
1.2.1 机器学习和人工智能的关系
1.2.2 机器学习分类
1.3 机器学习应用的开发过程
1.3.1 机器学习开发的基本步骤
1.3.2 机器学习开发的常用“利器”
1.4 本章小结
第2章 Python 机器学习必备基础
2.1 Python 及其与机器学习之间的关系
2.1.1 Python 的特点
2.1.2 利用Python 进行机器学习开发的优势
2.1.3 Python 的语法规则
2.2 Python 机器学习开发环境及常用库介绍
2.2.1 Anaconda 安装及环境介绍
2.2.2 利用Jupyter Notebook 进行开发
2.2.3 NumPy 和Pandas 常用库
2.2.4 利用Matplotlib 库绘制图形
2.3 Python 机器学习中的数据预处理
2.3.1 什么是数据统计
2.3.2 结构化数据文件读取
2.3.3 数据清洗
2.3.4 数据规整化
2.3.5 统计分析常用函数
2.4 本章小结
第3章 决策树算法原理、实现与应用
3.1 决策树算法的原理
3.1.1 什么是决策树
3.1.2 构建决策树
3.2 决策树算法的实现
3.2.1 决策树的算法模型
3.2.2 算法的执行流程
3.2.3 标签编码
3.2.4 数据集划分
3.2.5 分类器算法评价方法
3.2.6 模型保存及使用
3.3 决策树算法的应用实战
3.3.1 案例1：运用决策树实现分类器
3.3.2 案例2：运用决策树进行水果分类判断
3.4 本章小结
第4章 K最近邻算法原理、实现与应用
4.1 K最近邻算法的原理
4.1.1 什么是K最近邻算法
4.1.2 K最近邻算法三要素
4.2 K最近邻算法的实现
4.2.1 数据归一化处理
4.2.2 初始化K 最近邻算法
4.2.3 参数调优方法
4.2.4 算法的执行流程
4.3 K最近邻算法的应用实战
4.3.1 案例1：通过K最近邻算法有效实现数据分类
4.3.2 案例2：运用K最近邻算法实现婚恋网站匹配推荐
4.3.3 案例3：运用K最近邻算法实现手写数字识别
4.4 本章小结
第5章 贝叶斯算法原理、实现与应用
5.1 贝叶斯算法的原理
5.1.1 贝叶斯定理
5.1.2 判别模型和生成模型
5.1.3 朴素贝叶斯模型原理
5.2 朴素贝叶斯算法的实现
5.2.1 朴素贝叶斯算法类
5.2.2 朴素贝叶斯算法的执行流程
5.2.3 文本特征提取方法
5.3 朴素贝叶斯算法的应用实战
5.3.1 案例1：使用朴素贝叶斯算法进行文本分类
5.3.2 案例2：使用朴素贝叶斯算法进行垃圾邮件过滤
5.4 本章小结
第6章 支持向量机算法原理、实现与应用
6.1 支持向量机算法的原理
6.2 支持向量机算法的实现
6.2.1 支持向量机的核函数
6.2.2 支持向量机算法的基本实现
6.2.3 图像数据读取处理方法
6.3 支持向量机算法的应用实战
6.3.1 案例1：使用支持向量机算法进行水质评估
6.3.2 案例2：使用支持向量机实现手写数字识别
6.3.3 案例3：使用支持向量机算法实现人脸识别
6.4 本章小结
第7章 线性回归算法原理、实现与应用
7.1 线性回归算法的原理
7.1.1 什么是线性回归
7.1.2 线性回归的数学模型
7.2 线性回归算法的实现
7.2.1 线性回归中的目标函数和损失函数
7.2.2 线性回归算法的具体实现
7.3 线性回归算法的应用实战
7.3.1 案例1：使用线性回归算法进行房地产销售影响因素分析
7.3.2 案例2：使用线性回归算法进行空气质量预测
7.4 本章小结
第8章 集成学习算法原理、实现与应用
8.1 集成学习算法的原理
8.1.1 什么是集成学习
8.1.2 集成学习的分类
8.2 集成学习算法的实现
8.2.1 基于特征的集成方法
8.2.2 基于数据的集成方法
8.2.3 集成学习算法的具体应用
8.3 集成学习算法的应用实战
8.3.1 案例1：集成学习算法实现高效数据分类
8.3.2 案例2：使用集成学习算法进行人脸识别
8.4 本章小结
下篇 基于神经网络的机器学习算法
第9章 人工神经网络基础
9.1 人工神经网络的基本原理
9.1.1 人工神经网络及其与传统机器学习方法的区别
9.1.2 什么是深度学习
9.2 人工神经网络中的重要概念及基础
9.2.1 多维数组运算
9.2.2 激活函数
9.2.3 多层神经网络
9.2.4 损失函数和梯度的实现
9.2.5 过拟合问题
9.3 深度学习开发利器——TensorFlow
9.3.1 TensorFlow简介
9.3.2 TensorFlow 1.x和TensorFlow 2.x
9.3.3 TensorFlow的生态发展
9.4 深度学习开发利器——PyTorch
9.4.1 PyTorch简介
9.4.2 PyTorch的主要优点
9.5 本章小结
第10章 反向传播算法原理、实现与应用
10.1 反向传播算法的原理
10.1.1 什么是反向传播
10.1.2 反向传播过程描述
10.2 反向传播算法的实现
10.2.1 网络状态初始化
10.2.2 反向传播算法的具体应用
10.3 反向传播算法的应用实战
10.3.1 案例1：利用反向传播算法实现货运量预测
10.3.2 案例2：利用反向传播算法进行气温变化预测
10.4 本章小结
第11章 卷积神经网络算法原理、实现与应用
11.1 卷积神经网络的原理258 11.1.1 卷积神经网络的结构
11.1.2 卷积层和池化层
11.2 卷积神经网络算法的实现
11.2.1 卷积层和池化层的实现
11.2.2 LeNet的实现
11.2.3 AlexNet的实现
11.3 卷积神经网络算法的应用实战
11.3.1 案例1：卷积神经网络在文本分类中的应用实现
11.3.2 案例2：卷积神经网络在目标检测中的应用实现
11.4 本章小结
第12章 循环神经网络算法原理、实现与应用
12.1 循环神经网络的原理
12.1.1 循环神经网络的结构
12.1.2 循环神经网络的长短期记忆
12.1.3 循环神经网络中的注意力机制
12.2 循环神经网络算法的实现
12.2.1 基础循环神经网络的实现
12.2.2 长短期记忆神经网络的实现
12.3 循环神经网络算法的应用实战
12.3.1 案例1：循环神经网络在自然语言处理中的应用
12.3.2 案例2：循环神经网络在环境趋势预测中的应用
12.4 本章小结
|
| 精彩片段： |
|
|
| 书 评： |
|
|
| 其 它： |
|
|
|
中国大学出版社协会 |
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
