新書推薦：
《
吴哥王朝兴亡史（方尖碑）
》
售價：NT$
359.0
《
夜幕之下.6：神祸降临
》
售價：NT$
286.0
《
叶锦添自传：向前迈进的日子（奥斯卡艺术指导获得者 叶锦添 50多年的人生经历，近40年的从业经历，向前迈进，步履不停）
》
售價：NT$
671.0
《
四十自述：中国现代传记文学的名篇代表之作（胡适回顾自己前四十年的成长轨迹与心路历程）
》
售價：NT$
354.0
《
特权与焦虑：全球化时代的韩国中产阶级
》
售價：NT$
411.0
《
供应链金融（第4版）
》
售價：NT$
515.0
《
人人都想当网红？新媒体与注意力博弈
》
售價：NT$
354.0
《
对话的力量，风靡全球的教练式沟通
》
售價：NT$
307.0
|
| 編輯推薦： |
|
本书算法给出数学原理及公式推导过程，以原始实现和调用机器学习库两种方式实现，方便读者在实践编程中理解机器学习的经典算法。在讲解知识点的过程中，以润物细无声的方式融入思政元素。
|
| 內容簡介： |
本书主要介绍机器学习经典算法的原理、实现及应用，并通过综合案例讲解如何将实际问题转换为机器学习算法进行求解。
全书共16章，主要内容包括机器学习概述、机器学习基础及Python常用库、朴素贝叶斯分类器、k近邻算法与非参数估计、聚类、回归分析、决策树、支持向量机、降维分析、人工神经网络、深度学习入门、推荐算法、基于协同过滤的推荐系统、零售商品销售额分析与预测、手写数字识别和基于深度学习的中文邮件分类。本书算法首先给出数学原理及公式推导过程，然后分别给出算法的原始实现和通过调用机器学习库实现两种实现方式，所有算法及案例均以Python实现，以方便读者在实践编程中理解机器学习的经典算法。本书在讲解知识点的过程中，以润物细无声的方式融入思政元素。
本书可作为高等院校计算机、软件工程、大数据、人工智能等相关专业的教材，也可作为Python机器学习初学者的参考用书，同时适用于机器学习开发人员和研究人员进行查阅和使用。
|
| 目錄：
|
第1章机器学习概述
1.1什么是机器学习
1.2机器学习简史
1.2.1萌芽期
1.2.2发展期
1.2.3蓬勃期
1.3机器学习、人工智能、深度学习的关系
1.4机器学习的相关概念
1.5机器学习的任务
1.5.1监督学习
1.5.2无监督学习
1.5.3半监督学习
1.5.4强化学习
1.6机器学习的一般步骤
1.7本章小结
1.8习题
第2章机器学习基础及Python常用库
2.1机器学习的Python基础与开发环境
2.1.1Python开发环境简介
2.1.2Python的基本语法
2.1.3Python列表、元组、字典、集合
2.1.4函数与类
2.1.5NumPy中的array
2.1.6Pandas中的DataFrame
2.1.7数据可视化
2.1.8scikitlearn机器学习库
2.2机器学习基础
2.2.1张量
2.2.2梯度下降
2.2.3评估方法
2.2.4常用数据集
2.3本章小结
2.4习题
Python机器学习项目化教程（微课视频版)
目录
第3章朴素贝叶斯分类器
3.1贝叶斯分类器的理论基础
3.1.1贝叶斯定理的相关概念
3.1.2贝叶斯决策理论
3.1.3极大似然估计
3.2朴素贝叶斯分类器的原理与设计
3.2.1了解数据集
3.2.2手工设计贝叶斯分类器
3.2.3贝叶斯分类器的Python实现
3.2.4平滑方法
3.3朴素贝叶斯分类算法的实现——鲈鱼和三文鱼的分类系统
3.3.1算法实现
3.3.2调用系统函数实现
3.4正态贝叶斯分类器
3.5贝叶斯网络
3.6本章小结
3.7习题
第4章k近邻算法与非参数估计
4.1k近邻算法的原理
4.2k近邻算法的应用——鸢尾花的分类
4.3非参数估计
4.3.1参数估计与非参数估计
4.3.2非参数估计方法
4.3.3非参数估计的一般推导
4.4非参数估计算法的实现
4.4.1利用直方图估计概率密度、分类
4.4.2利用Parzen矩形窗估计概率密度、分类
4.4.3利用Parzen正态核估计概率密度、分类
4.5本章小结
4.6习题
第5章聚类
5.1聚类算法简介
5.1.1聚类算法的分类
5.1.2距离度量的方法
5.2Kmeans聚类
5.2.1Kmeans聚类算法的思想
5.2.2通过调用库函数实现聚类
5.3基于密度的聚类——DBSCAN聚类
5.3.1DBSCAN算法的原理及相关概念
5.3.2DBSCAN聚类算法
5.4基于层次的聚类——AGNES聚类
5.4.1AGNES聚类算法的思想
5.4.2AGNES算法的实现
5.5高斯混合聚类
5.5.1概率密度函数
5.5.2高斯混合聚类算法的推导过程
5.5.3高斯混合聚类算法思想
5.5.4高斯混合聚类应用举例
5.6各种聚类算法的比较
5.7本章小结
5.8习题
第6章回归分析
6.1回归分析概述
6.2线性回归
6.2.1单变量线性回归
6.2.2多变量回归分析
6.2.3多项式回归分析
6.3逻辑回归
6.3.1sigmoid函数与逻辑回归模型
6.3.2梯度下降与推导过程
6.3.3参数学习向量化
6.3.4逻辑回归的Python实现——乳腺良性与恶性肿瘤的预测
6.4本章小结
6.5习题
第7章决策树
7.1决策树构造的基本原理
7.2决策树构造的过程
7.3决策树学习算法的思想及实现
7.4决策树算法实现——泰坦尼克号幸存者预测
7.5本章小结
7.6习题
第8章支持向量机
8.1SVM简介
8.1.1线性可分与感知机
8.1.2间隔最大化及线性SVM
8.2线性SVM算法的实现
8.3非线性SVM与核函数
8.3.1线性不可分
8.3.2对偶问题与核函数
8.3.3非线性SVM算法的实现
8.4SVM回归
8.5SVM算法的实现——鸢尾花的分类
8.5.1sklearn中的SVC参数介绍
8.5.2使用SVC对鸢尾花数据进行分类
8.6本章小结
8.7习题
第9章降维分析
9.1PCA
9.1.1PCA算法的思想
9.1.2PCA算法的推导过程
9.1.3PCA算法的实现
9.2奇异值分解
9.2.1特征值分解
9.2.2SVD定义及性质
9.2.3PCA与SVD
9.2.4SVD算法的实现及应用
9.3本章小结
9.4习题
第10章人工神经网络
10.1感知机
10.2神经网络模型
10.3BP神经网络算法的思想及实现
10.3.1BP神经算法模型参数的学习过程
10.3.2BP神经网络算法的实现
10.4BP神经网络算法的实现——鸢尾花分类
10.5本章小结
10.6习题
第11章深度学习入门
11.1深度学习概述
11.1.1什么是深度学习
11.1.2为什么要进行深度学习
11.1.3深度学习与机器学习的区别
11.2卷积神经网络
11.2.1CNN模型结构
11.2.2卷积
11.2.3池化
11.2.4构建CNN网络模型
11.3循环神经网络
11.3.1循环神经网络的基本结构
11.3.2LSTM网络
11.3.3简单的RNN与LSTM算法实现
11.4本章小结
11.5习题
第12章推荐算法
12.1推荐系统简介
12.1.1信息检索与推荐系统
12.1.2推荐系统的发展历史
12.1.3推荐系统的原理与分类
12.1.4推荐系统的评估方法
12.2基于最近邻的协同过滤推荐算法
12.2.1基于近邻用户的协同过滤推荐
12.2.2基于近邻项目的协同过滤推荐
12.2.3算法实现
12.3基于隐语义分析的推荐模型
12.4基于标签的推荐算法
12.5本章小结
12.6习题
第13章综合案例分析： 基于协同过滤的推荐系统
13.1数据探索与分析
13.2基于项目的协同过滤电影推荐系统
13.3本章小结
13.4习题
第14章综合案例分析： 零售商品销售额分析与预测
14.1问题描述与分析
14.2数据探索与预处理
14.2.1数据探索
14.2.2属性特征的数值化
14.2.3缺失值处理
14.3特征选择
14.4建立回归模型
14.4.1线性回归模型
14.4.2岭回归模型
14.4.3Lasso回归模型
14.4.4多项式回归模型
14.4.5随机森林回归模型
14.5超参数选择
14.6本章小结
14.7习题
第15章综合案例分析： 手写数字识别
15.1图像的存储表示
15.2数据预处理
15.2.1将图像转换为文本
15.2.2将矩阵转换为向量
15.3基于kNN的手写数字识别
15.3.1划分训练集和测试集
15.3.2kNN分类模型
15.3.3kNN分类模型评估
15.4基于神经网络的手写数字识别
15.4.1定义神经网络模型
15.4.2主函数
15.5本章小结
15.6习题
第16章综合案例分析： 基于深度学习的中文邮件分类
16.1文本预处理
16.1.1中文分词
16.1.2文本向量化
16.2中文邮件分类算法及实现
16.3本章小结
16.4习题
参考文献
|
| 內容試閱：
|
党的二十大报告指出： 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，这三大战略共同服务于创新型国家的建设。高等教育与经济社会发展紧密相连，对促进就业创业、助力经济社会发展、增进人民福祉具有重要意义。
经过近几年关于机器学习、人工智能、大数据处理等方面的学习和教学实践，作者愈发认识到这些内容对计算机专业学生及机器学习相关研究人员是至关重要的，甚至对一些非计算机专业的学生也是必须要掌握的技术。实际上，作者早在几年前就打算写一本关于机器学习方面的教材，但由于种种原因最终没有实现。经过多年的教学实践，每每遇到不惑，翻看周志华老师的《机器学习》和李航老师的《统计学习方法》时，总会从中得到新的收获，知识面涉及之广、理论基础之深、语言描述之妙，实在令我佩服。《机器学习》被称为研究生学习机器学习的入门教材，然而初读此书的读者或许会有无从下手、理解不透的情况，这是由于没有通过具体的实例将涉及的算法进行实践和验证，因此体会不深。这种情况对于初学者更甚，特别是在没有教师指导的情况下，或许会对机器学习的理解造成一些障碍。
作者写作本书的目的就是希望读者既能掌握理论知识，也能结合具体实例通过Python语言实现相关算法，从而加深对机器学习理论知识的掌握和理解。建议在学习机器学习时，将周志华老师的《机器学习》和李航老师的《统计学习方法》与本书相结合。
本书比较系统地介绍了机器学习常见的经典算法，从算法的数学原理、算法实现、案例应用3个层面进行由浅入深的讲解。本书以润物细无声的方式融入思政元素，将价值塑造、知识传授和能力培养相结合，充分体现育人理念。本书理论与技术并重，结合作者个人学习、工作中的实践经验，参考众多著作、案例，试图从原理上让读者清楚各个算法的由来并利用算法解决实际生活中有关数据处理的问题，如西瓜分类、垃圾邮件分类、手写数字识别、个性化推荐等。通过这些典型的案例，读者不仅能学会机器学习算法的应用，还能掌握将需要处理的问题转换为机器学习中的分类、回归问题并加以解决的思维方法。
全书案例都配有整体思路讲解，并给出完整的Python实现。所有代码均上机调试通过，并给出程序的运行结果，以方便读者理解并提高综合解决实际问题的能力。
本书共16章，具体内容如下。
第1章——机器学习概述。主要面向机器学习初学者，讲解机器学习的概念、发展历史、基本概念和工作流程等。
第2章——机器学习基础及Python常用库。主要介绍Python语言基础、序列、函数与类、NumPy、Pandas、数据可视化、常用机器学习库及张量、梯度下降、评估方法和数据集等基础知识。
第3章——朴素贝叶斯分类器。首先讲解朴素贝叶斯定理，然后以西瓜数据集为例进行朴素贝叶斯分类实践。
第4章——k近邻算法与非参数估计。首先讲解最小近邻算法原理和非参数估计方法，然后通过案例介绍三文鱼和鲈鱼的分类。
第5章——聚类。主要介绍Kmeans算法、密度聚类、层次聚类算法、EM算法、高斯混合聚类及算法实现等。
第6章——回归分析。首先介绍回归的概念，然后分别介绍单变量回归、多变量回归和多项式回归算法、sigmoid函数、逻辑回归推导过程、梯度下降、参数向量化等。
第7章——决策树。首先介绍决策树算法原理，然后以相亲为例构造决策树，并对其进行分类。
第8章——支持向量机。首先介绍感知机模型，然后讲解支持向量机的工作原理、支持向量机的线性分类和非线性分类、支持向量机回归，最后介绍鸢尾花分类。
第9章——降维分析。主要介绍PCA算法的算法思想、推导过程和算法实现，以及SVD算法的定义、性质和算法实现等。
第10章——人工神经网络。首先介绍BP神经网络原理，然后以具体案例介绍BP神经网络训练过程中参数的学习，最后对鸢尾花数据进行分类。
第11章——深度学习入门。首先介绍深度学习概述，然后介绍卷积神经网络的模型结构、卷积和池化等运算，最后介绍常见的循环神经网络并利用CNN和LSTM实现手写数字识别。
第12章——推荐算法。主要介绍推荐系统的分类、协同过滤推荐算法、推荐系统评估方法、隐语义推荐算法等。
第13章——综合案例分析： 基于协同过滤的推荐系统。基于Movielens 1M数据集，详细介绍数据分析与探索、计算项目相似性、预测评分和推荐等过程，并简要介绍基于深度学习的推荐系统。
第14章——综合案例分析： 零售商品销售额分析与预测。以零售商品销售额分析与预测为例，讲解属性特征数值化、缺失值处理、特征选择等，使用线性回归、岭回归、Lasso回归、多项式回归等对商品销售额进行预测。
第15章——综合案例分析： 手写数字识别。首先介绍图像的存储表示、图像预处理，然后分别使用KNN算法和BP神经网络对手写数字进行识别。
第16章——综合案例分析： 基于深度学习的中文邮件分类。首先介绍中文分词、去除停用词、文本向量化等文本预处理和特征提取算法，然后使用贝叶斯算法、SVM算法、CNN和LSTM等对中文邮件进行分类。
为便于教学，本书提供丰富的配套资源，包括教学大纲、教学课件、程序源码、习题答案、在线作业和微课视频。
资源下载提示
数据文件： 扫描目录上方的二维码下载。
在线作业： 扫描封底的作业系统二维码，登录网站在线做题及查看答案。
微课视频： 扫描封底的文泉云盘防盗码，再扫描书中相应章节的视频讲解二维码，可以在线学习。
本书为中国轻工业“十四五”规划教材，陈锐、陈明、孙海燕、张世征、赵晓君、李昊参与编写。在本书的编写过程中，得到了郑州轻工业大学、铜陵学院和清华大学出版社的大力支持，在此表示衷心感谢。此外，在编写时参阅了大量相关论文、教材和著作，个别案例也参考了网络资源，在此向各位原著者致敬！
由于自身水平有限，加上时间仓促，书中难免存在一些不足之处，恳请读者批评指正。
编者2024年6月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
