機(jī)器學(xué)習(xí)入門(mén)：基于數(shù)學(xué)原理的Python實(shí)戰(zhàn)

定　價(jià)：￥69.00

作　者：	戴璞微，潘斌著
出版社：	北京大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥69.00)

ISBN：	9787301308974	出版時(shí)間：	2019-12-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	296	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　機(jī)器學(xué)習(xí)是一門(mén)涉及高等數(shù)學(xué)、線(xiàn)性代數(shù)、概率論、統(tǒng)計(jì)學(xué)和運(yùn)籌學(xué)等領(lǐng)域的交叉學(xué)科。機(jī)器學(xué)習(xí)的基礎(chǔ)就是數(shù)學(xué)，這也就要求學(xué)習(xí)者要有良好的數(shù)學(xué)基礎(chǔ)。為了降低機(jī)器學(xué)習(xí)的學(xué)習(xí)門(mén)檻，本書(shū)深入淺出地對(duì)機(jī)器學(xué)習(xí)算法的數(shù)學(xué)原理進(jìn)行了嚴(yán)謹(jǐn)?shù)耐茖?dǎo)；并利用Python 3對(duì)各種機(jī)器學(xué)習(xí)算法進(jìn)行復(fù)現(xiàn)，還利用介紹的算法在相應(yīng)數(shù)據(jù)集上進(jìn)行實(shí)戰(zhàn)。本書(shū)主要內(nèi)容包括機(jī)器學(xué)習(xí)及其數(shù)學(xué)基礎(chǔ)；線(xiàn)性回歸、局部加權(quán)線(xiàn)性回歸兩種回歸算法；Logistic回歸、Softmax回歸和BP神經(jīng)網(wǎng)絡(luò)3種分類(lèi)算法；模型評(píng)估與優(yōu)化；K-Means聚類(lèi)算法、高斯混合模型兩種聚類(lèi)算法和一種降維算法——主成分分析。《機(jī)器學(xué)習(xí)入門(mén)：基于數(shù)學(xué)原理的Python實(shí)戰(zhàn)》理論性與實(shí)用性兼?zhèn)?，既可作為初學(xué)者的入門(mén)書(shū)籍，也可作為求職者的面試寶典，更可作為職場(chǎng)人士轉(zhuǎn)崗的實(shí)用手冊(cè)。本書(shū)適合需要全面學(xué)習(xí)機(jī)器學(xué)習(xí)算法的初學(xué)者、希望掌握機(jī)器學(xué)習(xí)算法數(shù)學(xué)理論的程序員、想轉(zhuǎn)行從事機(jī)器學(xué)習(xí)算法的專(zhuān)業(yè)人員、對(duì)機(jī)器學(xué)習(xí)算法興趣濃厚的人員、專(zhuān)業(yè)培訓(xùn)機(jī)構(gòu)學(xué)員和希望提高Python編程水平的程序員。

作者簡(jiǎn)介

　　戴璞微，中國(guó)民航大學(xué)碩士，CSDN博客專(zhuān)家。曾獲得全國(guó)大學(xué)生數(shù)學(xué)競(jìng)賽國(guó)家一等獎(jiǎng)、北美數(shù)學(xué)建模二等獎(jiǎng)，參與國(guó)家自然科學(xué)基金項(xiàng)目1項(xiàng)。對(duì)計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有深入研究。　潘斌，浙江大學(xué)應(yīng)用數(shù)學(xué)系博士，現(xiàn)任遼寧石油化工大學(xué)理學(xué)院副院長(zhǎng)。2018年入選遼寧省“興遼英才計(jì)劃”青年拔尖人才，2016年主持國(guó)家自然科學(xué)基金青年基金項(xiàng)目1項(xiàng)；2015年主持遼寧省自然科學(xué)基金項(xiàng)目1項(xiàng)；2016年主持浙江大學(xué)CAD&CG國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題2項(xiàng)。近年來(lái)，指導(dǎo)本科生獲全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽國(guó)家一等獎(jiǎng)。

圖書(shū)目錄

第1章　機(jī)器學(xué)習(xí)及其數(shù)學(xué)基礎(chǔ)
1.1 機(jī)器學(xué)習(xí)與人工智能簡(jiǎn)述 2
1.2 高等數(shù)學(xué) 4
1.3 線(xiàn)性代數(shù) 7
1.4 概率論與數(shù)理統(tǒng)計(jì) 14
1.5 Jensen不等式 25
1.6 本章小結(jié) 27
第2章　線(xiàn)性回歸
2.1 線(xiàn)性回歸模型 29
2.2 梯度下降算法 30
2.3 再看線(xiàn)性回歸 32
2.4 正則方程 34
2.5 概率解釋 35
2.6 線(xiàn)性回歸的Python實(shí)現(xiàn) 36
2.7 案例：利用線(xiàn)性回歸預(yù)測(cè)波士頓房?jī)r(jià) 43
2.8 本章小結(jié) 54
第3章　局部加權(quán)線(xiàn)性回歸
3.1 欠擬合與過(guò)擬合 56
3.2 局部加權(quán)線(xiàn)性回歸模型 57
3.3 局部加權(quán)線(xiàn)性回歸的Python實(shí)現(xiàn) 61
3.4 案例：再看預(yù)測(cè)波士頓房?jī)r(jià) 64
3.5 案例：利用局部加權(quán)線(xiàn)性回歸預(yù)測(cè)鮑魚(yú)年齡 71
3.6 本章小結(jié) 77
第4章?Logistic回歸與Softmax回歸
4.1 監(jiān)督學(xué)習(xí) 80
4.2 Logistic回歸 80
4.3 廣義線(xiàn)性模型 84
4.4 Softmax回歸 86
4.5 Logistic回歸的Python實(shí)現(xiàn) 90
4.6 案例：利用Logistic回歸對(duì)乳腺癌數(shù)據(jù)集進(jìn)行分類(lèi) 96
4.7 Softmax回歸的Python實(shí)現(xiàn) 107
4.8 案例：利用Softmax回歸對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 116
4.9 本章小結(jié) 127
第5章　模型評(píng)估與優(yōu)化
5.1 模型性能度量 130
5.2 偏差-方差平衡 134
5.3 正則化 135
5.4 交叉驗(yàn)證 144
5.5 Ridge回歸的Python實(shí)現(xiàn) 145
5.6 案例：再看預(yù)測(cè)鮑魚(yú)年齡 153
5.7 帶L2正則化的Softmax回歸的Python實(shí)現(xiàn) 156
5.8 案例：再看語(yǔ)音信號(hào)數(shù)據(jù)集分類(lèi) 161
5.9 本章小結(jié) 165
第6章　BP神經(jīng)網(wǎng)絡(luò)
6.1 神經(jīng)網(wǎng)絡(luò)模型 168
6.2 BP算法與梯度下降算法 171
6.3 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)改進(jìn) 175
6.4 BP神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 185
6.5 案例：利用BP神經(jīng)網(wǎng)絡(luò)對(duì)語(yǔ)音信號(hào)數(shù)據(jù)集進(jìn)行分類(lèi) 197
6.6 本章小結(jié) 215
第7章　K-Means聚類(lèi)算法
7.1 無(wú)監(jiān)督學(xué)習(xí)與聚類(lèi) 218
7.2 K-Means聚類(lèi)算法 219
7.3 K-Means聚類(lèi)的Python實(shí)現(xiàn) 222
7.4 案例：利用K-Means算法對(duì)Iris數(shù)據(jù)集進(jìn)行聚類(lèi) 225
7.5 本章小結(jié) 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與K-Means的區(qū)別與聯(lián)系 238
8.4 聚類(lèi)性能評(píng)價(jià)指標(biāo) 240
8.5 GMM的Python實(shí)現(xiàn) 242
8.6 案例：利用GMM對(duì)葡萄酒數(shù)據(jù)集進(jìn)行聚類(lèi) 248
8.7 本章小結(jié) 255
第9章　主成分分析
9.1 降維技術(shù) 258
9.2 主成分分析 258
9.3 核函數(shù) 263
9.4 核主成分分析 265
9.5 PCA的Python實(shí)現(xiàn) 268
9.6 案例：利用PCA對(duì)葡萄酒質(zhì)量數(shù)據(jù)集進(jìn)行降維 271
9.7 本章小結(jié) 280