计算机
类型
可以朗读
语音朗读
217千字
字数
2021-01-01
发行日期
展开全部
主编推荐语
机器学习理论实践全书，12章内容丰富，适合各层次读者。
内容简介
本书是作者多年教学和科研的结晶，全面介绍了机器学习理论及相关的实践知识，并对机器学习相关知识进行了系统介绍、分类和梳理，从理论、案例分析和动手编程多个角度来帮助读者学习、理解和掌握机器学习的各种理论方法和实践技巧。全书共12章，主要内容包括机器学习概述、Python科学计算简介、无监督学习基础、线性回归和正则化方法、分类、局部建模、模型选择和模型评估、统计推断基础、贝叶斯方法、树和树的集成、深度学习、深度强化学习。本书内容丰富，讲解通俗易懂，非常适合本科生、研究生，以及对机器学习感兴趣或者想要使用Python语言进行数据分析的广大读者。
目录
- 扉页
- 版权页
- 目录
- 内容提要
- 丛书序
- 前言
- 微课视频列表说明
- 第1章 机器学习概述
- 1.1 引言
- 1.1.1 问题导向框架
- 1.1.2 数据挖掘和机器学习
- 1.1.3 人工智能和机器学习
- 1.2 机器学习的分类
- 1.2.1 无监督学习、有监督学习和强化学习
- 1.2.2 深度学习和浅层学习
- 1.2.3 统计学习
- 1.3 机器学习的发展历程及应用
- 本章习题
- 第2章 Python科学计算简介
- 2.1 基础变量类型
- 2.1.1 数字（Number）
- 2.1.2 字符串（String）
- 2.1.3 列表（List）
- 2.1.4 元组（Tuple）
- 2.1.5 字典（Dictionary）
- 2.2 控制语句和函数
- 2.2.1 控制语句
- 2.2.2 函数
- 2.3 用于科学计算和数据处理的库
- 2.3.1 NumPy
- 2.3.2 SciPy
- 2.3.3 Pandas
- 2.4 作图和可视化
- 2.4.1 plot()函数与savefig()函数
- 2.4.2 标题、图例和坐标
- 2.4.3 散点图与直方图
- 2.4.4 Image Plot
- 2.5 输入和输出
- 2.5.1 标准输入和输出函数
- 2.5.2 第三方库的输入输出函数
- 2.5.3 案例分析：读取并处理股票行情数据
- 2.6 面向对象编程
- 2.6.1 面向过程编程
- 2.6.2 案例分析：面向对象编程示例
- 2.7 Python常用工具库
- 本章习题
- 第3章 无监督学习
- 3.1 描述性统计
- 3.1.1 描述性统计分析工具
- 3.1.2 案例分析：指数收益率的描述性统计
- 3.2 核密度估计
- 3.2.1 核密度估计方法
- 3.2.2 核密度估计的目标函数
- 3.3 k均值算法
- 3.4 主成分分析
- 3.4.1 最大投影方差和最小重构误差
- 3.4.2 特征分解和奇异值分解
- 3.4.3 案例分析：手写数字3特征分析
- 3.4.4 案例分析：利率期限结构
- 3.4.5 案例分析：股票收益率的协方差矩阵分解
- 3.5 混合模型和隐马尔可夫模型
- 3.5.1 混合模型
- 3.5.2 隐马尔可夫模型
- 本章习题
- 第4章 线性回归和正则化方法
- 4.1 回归分析流程
- 4.1.1 回归分析流程的主要步骤
- 4.1.2 案例分析：宏观违约率预测
- 4.2 变量选择基础
- 4.2.1 变量选择方法简介
- 4.2.2 案例分析：指数跟踪
- 4.2.3 Forward Stagewise回归
- 4.3 正则化方法
- 4.3.1 L2正则
- 4.3.2 L1正则
- 4.3.3 惩罚函数和稀疏性
- 4.4 回归估计和矩阵分解
- 4.4.1 奇异值分解和线性回归
- 4.4.2 QR分解和QR算法
- 本章习题
- 第5章 分类
- 5.1 判别分析
- 5.1.1 线性判别分析
- 5.1.2 二次判别分析
- 5.1.3 朴素贝叶斯
- 5.2 逻辑回归
- 5.2.1 模型估计
- 5.2.2 与交叉熵的关系
- 5.2.3 案例分析：股票涨跌预测
- 5.3 支持向量机
- 5.4 分类的评判
- 5.4.1 混淆矩阵和常用度量
- 5.4.2 F1 Score
- 5.4.3 ROC和AUC
- 5.4.4 数据不平衡的处理
- 本章习题
- 第6章 局部建模
- 6.1 样条方法
- 6.1.1 三阶样条
- 6.1.2 自然三阶样条
- 6.2 核技巧
- 6.3 局部回归
- 6.3.1 K邻近估计
- 6.3.2 局部常数估计
- 6.3.3 局部多项式估计
- 6.3.4 案例分析：期权隐含分布估计
- 6.3.5 局部似然估计
- 本章习题
- 第7章 模型选择和模型评估
- 7.1 模型评估
- 7.1.1 泛化误差
- 7.1.2 交叉验证
- 7.1.3 Bootstrap
- 7.2 模型选择
- 7.2.1 AIC准则
- 7.2.2 BIC准则
- 7.3 估计的自由度
- 7.4 案例分析：期权隐含分布估计（续1）
- 本章习题
- 第8章 统计推断基础
- 8.1 极大似然估计
- 8.2 置信区间和假设检验
- 8.2.1 置信区间
- 8.2.2 假设检验
- 8.3 Bootstrap方法
- 8.4 KL距离和信息论相关概念
- 8.4.1 KL距离和熵
- 8.4.2 KL距离和互信息
- 8.5 EM算法
- 8.5.1 EM算法与变分推断和MM算法
- 8.5.2 高斯混合模型的EM算法
- 8.5.3 隐马尔可夫模型的EM算法
- 8.5.4 案例分析：收益率序列隐状态预测
- 本章习题
- 第9章 贝叶斯方法
- 9.1 贝叶斯定理
- 9.1.1 事件的贝叶斯公式
- 9.1.2 随机变量的贝叶斯公式
- 9.2 贝叶斯视角下的频率方法
- 9.3 抽样方法
- 9.3.1 拒绝抽样法
- 9.3.2 案例分析：期权隐含分布估计（续2）
- 9.3.3 Metropolis-Hastings抽样算法
- 9.3.4 重要性抽样
- 9.3.5 蒙特卡洛标准误
- 9.4 变分推断
- 9.4.1 基于平均场的变分推断
- 9.4.2 变分推断算法示例
- 本章习题
- 第10章 树和树的集成
- 10.1 回归树和分类树
- 10.1.1 回归树
- 10.1.2 分类树
- 10.2 Bagging和随机森林
- 10.2.1 Bagging
- 10.2.2 随机森林
- 10.3 提升树Boosting Trees
- 10.3.1 AdaBoost
- 10.3.2 梯度提升树GBDT
- 10.3.3 XGBoost
- 10.3.4 案例分析：股票涨跌预测（续1）
- 本章习题
- 第11章 深度学习
- 11.1 前馈神经网络和梯度下降算法
- 11.1.1 神经元
- 11.1.2 前馈神经网络
- 11.1.3 梯度下降算法
- 11.1.4 反向传播算法
- 11.1.5 随机梯度算法的改进
- 11.1.6 激活函数和梯度消失问题
- 11.1.7 案例分析：股票涨跌预测（续2）
- 11.2 网络结构
- 11.2.1 卷积神经网络CNN
- 11.2.2 循环神经网络RNN
- 11.2.3 Dropout
- 11.2.4 Batch Normalization
- 11.2.5 残差网络
- 11.3 自编码和生成模型
- 11.3.1 自编码
- 11.3.2 案例分析：手写数字3特征分析（续）
- 11.3.3 逐层特征学习
- 11.3.4 生成对抗网络
- 11.3.5 变分自编码
- 11.4 揭开深度学习的黑箱
- 本章习题
- 第12章 强化学习
- 12.1 基于值函数的强化学习
- 12.1.1 强化学习的基础概念
- 12.1.2 值函数和Bellman方程
- 12.1.3 策略迭代和值迭代
- 12.1.4 基于值函数的无模型强化学习
- 12.2 值函数近似和深度Q网络
- 12.2.1 值函数的近似
- 12.2.2 深度Q网络DQN
- 12.2.3 案例分析：DQN智能交易机器人
- 12.3 策略梯度和Actor-Critic方法
- 12.3.1 策略梯度定理
- 12.3.2 强化学习和有监督学习的对比
- 12.3.3 Actor-Critic算法
- 12.4 学习、推演和搜索
- 12.4.1 “记忆式”学习
- 12.4.2 推演和搜索
- 12.4.3 蒙特卡洛树搜索
- 12.4.4 不完全信息决策简介
- 本章习题
- 参考文献
展开全部
评分及书评
尚无评分
目前还没人评分
- 加载中...
出版方
人民邮电出版社
人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。
