可以朗读 语音朗读
202千字 字数
2022-01-01 发行日期
展开全部

主编推荐语

本书还提供了基于Keras的代码示例作为理论讨论的补充。此外还为正则表达式、Keras和TensorFlow 2提供了单独的附录。

内容简介

本书旨在为读者提供与机器学习有关Python 3的基本编程概念。前4章快速介绍了Python 3、NumPy和Pandas。第5章介绍了机器学习的基本概念。第6章主要介绍机器学习分类器，例如逻辑回归、kNN、决策树、随机森林和SVM。第7章介绍了自然语言处理和强化学习。

目录

  • 版权信息
  • 作者简介
  • 译者序
  • 前言
  • 第1章 Python 3简介
  • 1.1 Python相关工具与安装
  • 1.1.1 Python相关工具
  • 1.1.2 安装Python
  • 1.1.3 设置PATH环境变量（仅Windows）
  • 1.2 Python编程基础
  • 1.2.1 Python交互式解释器
  • 1.2.2 Python基础语法
  • 1.2.3 以模块形式保存代码
  • 1.2.4 Python中的一些标准模块
  • 1.2.5 help()和dir()函数
  • 1.2.6 编译时和运行时的代码检查
  • 1.3 Python中的简单数据类型
  • 1.3.1 数字
  • 1.3.2 字符串
  • 1.3.3 处理日期
  • 1.4 Python中的异常处理
  • 1.4.1 处理用户输入
  • 1.4.2 命令行参数
  • 1.5 小结
  • 第2章 条件逻辑、循环和函数
  • 2.1 Python中的条件逻辑
  • 2.1.1 Python的保留关键字
  • 2.1.2 Python运算符的优先级
  • 2.1.3 比较运算符和布尔运算符
  • 2.2 Python中的变量和参数
  • 2.2.1 局部变量和全局变量
  • 2.2.2 变量的作用域
  • 2.2.3 引用传递和值传递
  • 2.2.4 实参和形参
  • 2.3 在Python中使用循环
  • 2.3.1 Python中的for循环
  • 2.3.2 Python中的while循环
  • 2.4 Python中的用户自定义函数
  • 2.4.1 在函数中设定默认值
  • 2.4.2 具有可变参数的函数
  • 2.4.3 lambda表达式
  • 2.5 递归
  • 2.5.1 计算阶乘值
  • 2.5.2 计算斐波那契数
  • 2.5.3 计算两个数的最大公约数
  • 2.5.4 计算两个数的最小公倍数
  • 2.6 小结
  • 第3章 Python数据类型
  • 3.1 列表
  • 3.1.1 列表和基本操作
  • 3.1.2 列表中的表达式
  • 3.1.3 连接字符串列表
  • 3.1.4 Python中的range()函数
  • 3.1.5 数组和append()函数
  • 3.1.6 使用列表和split()函数
  • 3.1.7 对列表中的单词计数
  • 3.1.8 遍历成对的列表
  • 3.1.9 其他与列表相关的函数
  • 3.1.10 栈和队列
  • 3.1.11 使用向量
  • 3.1.12 使用矩阵
  • 3.1.13 使用NumPy库处理矩阵
  • 3.2 元组（不可变列表）
  • 3.3 集合
  • 3.4 字典
  • 3.4.1 创建字典及字典中的基本操作
  • 3.4.2 字典的相关函数和方法
  • 3.4.3 字典的格式
  • 3.4.4 有序字典
  • 3.5 Python中的其他数据类型
  • 3.5.1 Python中的其他序列类型
  • 3.5.2 Python中的可变类型和不可变类型
  • 3.5.3 type()函数
  • 3.6 小结
  • 第4章 NumPy和Pandas介绍
  • 4.1 NumPy
  • 4.1.1 NumPy简介
  • 4.1.2 NumPy数组
  • 4.1.3 使用NumPy数组的示例
  • 4.2 子范围
  • 4.2.1 使用向量的“-1”子范围
  • 4.2.2 使用数组的“-1”子范围
  • 4.3 NumPy中其他有用的方法
  • 4.3.1 数组和向量操作
  • 4.3.2 NumPy和点积
  • 4.3.3 NumPy和向量的“范数”
  • 4.3.4 NumPy和向量的乘积
  • 4.3.5 NumPy和reshape()方法
  • 4.3.6 计算均值和标准差
  • 4.4 Pandas
  • 4.5 Pandas DataFrame的各种操作
  • 4.5.1 合并Pandas DataFrame
  • 4.5.2 使用Pandas DataFrame进行数据操作
  • 4.5.3 Pandas DataFrame和CSV文件
  • 4.5.4 Pandas DataFrame和Excel电子表格
  • 4.5.5 选择、添加和删除DataFrame中的列
  • 4.5.6 Pandas DataFrame和散点图
  • 4.5.7 Pandas DataFrame和简单统计
  • 4.5.8 Pandas中简单有用的命令
  • 4.6 小结
  • 第5章 机器学习
  • 5.1 什么是机器学习
  • 5.1.1 机器学习算法的类型
  • 5.1.2 特征工程、特征选择和特征提取
  • 5.1.3 降维
  • 5.2 使用数据集
  • 5.2.1 训练数据与测试数据
  • 5.2.2 什么是交叉验证
  • 5.2.3 正则化
  • 5.2.4 偏差-方差的权衡
  • 5.2.5 模型性能的衡量指标
  • 5.3 线性回归
  • 5.3.1 线性回归与曲线拟合
  • 5.3.2 何时的解是准确值
  • 5.3.3 什么是多元分析
  • 5.3.4 其他类型的回归
  • 5.3.5 平面中对直线的处理（选读）
  • 5.4 求解线性回归问题的示例
  • 5.4.1 使用NumPy和Matplotlib绘制散点图
  • 5.4.2 MSE
  • 5.4.3 Keras的线性回归
  • 5.5 小结
  • 第6章 机器学习中的分类器
  • 6.1 分类器
  • 6.1.1 什么是分类
  • 6.1.2 线性分类器
  • 6.1.3 kNN
  • 6.1.4 决策树
  • 6.1.5 随机森林
  • 6.1.6 支持向量机
  • 6.1.7 贝叶斯分类器
  • 6.1.8 训练分类器
  • 6.1.9 评估分类器
  • 6.2 激活函数
  • 6.2.1 什么是激活函数
  • 6.2.2 常见的激活函数
  • 6.2.3 ReLU和ELU激活函数
  • 6.2.4 sigmoid、softmax和tanh的相似之处
  • 6.2.5 sigmoid、softmax和hardmax的区别
  • 6.3 逻辑回归
  • 6.3.1 设置阈值
  • 6.3.2 逻辑回归的重要假设
  • 6.3.3 线性可分数据
  • 6.4 Keras、逻辑回归和Iris数据集
  • 6.5 小结
  • 第7章 自然语言处理与强化学习
  • 7.1 使用NLP
  • 7.1.1 NLP技术
  • 7.1.2 流行的NLP算法
  • 7.1.3 ELMo、ULMFit、OpenAI、BERT和ERNIE 2.0
  • 7.1.4 什么是Translatotron
  • 7.1.5 NLU与NLG
  • 7.2 强化学习
  • 7.2.1 RL应用
  • 7.2.2 NLP和RL
  • 7.2.3 RL中的值、策略和模型
  • 7.2.4 从NFA到MDP
  • 7.2.5 ε贪心算法
  • 7.2.6 贝尔曼方程
  • 7.2.7 RL中的其他重要概念
  • 7.3 RL工具包和框架
  • 7.3.1 TF-Agents
  • 7.3.2 深度RL
  • 7.4 小结
  • 附录A 正则表达式简介
  • A.1 什么是正则表达式
  • A.1.1 Python中的元字符
  • A.1.2 Python中的字符集
  • A.1.3 Python中的字符类
  • A.2 使用re模块匹配字符类
  • A.2.1 使用re.match()方法
  • A.2.2 使用re.search()方法匹配字符类
  • A.2.3 使用findall()方法匹配字符类
  • A.2.4 正则表达式的额外匹配功能
  • A.2.5 使用正则表达式中的字符类分组
  • A.2.6 在正则表达式中使用字符类
  • A.3 使用re模块修改文本字符串
  • A.3.1 使用re.split()方法分割文本字符串
  • A.3.2 使用re.sub()方法替换文本字符串
  • A.3.3 匹配文本字符串的开头和结尾
  • A.3.4 编译标识
  • A.3.5 复合正则表达式
  • A.3.6 按字符串中的字符类型计数
  • A.3.7 正则表达式和分组
  • A.3.8 简单字符串匹配
  • A.4 小结
  • A.5 练习题
  • 附录B Keras介绍
  • B.1 什么是Keras
  • B.1.1 Keras命名空间
  • B.1.2 创建基于Keras的模型
  • B.2 Keras和线性回归
  • B.3 Keras、CNN和cifar10
  • B.4 早停、指标及保存和恢复模型
  • B.4.1 Keras和早停
  • B.4.2 Keras和指标
  • B.4.3 保存和恢复Keras模型
  • B.5 小结
  • 附录C TF 2介绍
  • C.1 TF 2基础知识
  • C.1.1 什么是TF 2
  • C.1.2 基于TF 2的其他工具包
  • C.1.3 TF 2即时执行
  • C.2 TF 2的张量、数据类型和基本类型
  • C.2.1 TF 2数据类型
  • C.2.2 TF 2基本类型
  • C.2.3 tf.rank()API
  • C.2.4 tf.shape( )API
  • C.2.5 TF 2中的变量（再谈）
  • TF 2变量与张量
  • C.3 TF 2的Python函数修饰符@tf.function
  • C.3.1 什么是TF 2中的@tf.function
  • C.3.2 使用TF 2中的@tf.function
  • C.4 TF 2中的算术操作
  • C.4.1 TF 2中的算术操作注意事项
  • C.4.2 在TF 2中计算三角函数值
  • C.4.3 计算TF 2中的指数值
  • C.5 数组相关的TF 2代码示例
  • C.5.1 在TF 2中使用字符串
  • C.5.2 在TF 2中使用带运算符的张量
  • C.5.3 TF 2中的二阶张量
  • C.5.4 TF中两个二阶张量的乘法运算
  • C.5.5 将Python数组转换为TF张量
  • C.6 TF 2中的微分和tf.GradientTape
  • C.6.1 结合使用tf.GradientTape与watch()方法
  • C.6.2 结合使用嵌套循环与tf.GradientTape
  • C.6.3 使用tf.GradientTape的其他张量
  • C.6.4 持久梯度tape
  • C.7 小结
展开全部

评分及书评

评分不足
1个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。