科技 类型
7.2 豆瓣评分
可以朗读 语音朗读
192千字 字数
2022-01-01 发行日期
展开全部

主编推荐语

本书基于NumPy与sklearn，介绍26个主流机器学习算法的实现。

内容简介

作为一门应用型学科，机器学习植根于数学理论，落地于代码实现。这就意味着，掌握公式推导和代码编写，方能更加深入地理解机器学习算法的内在逻辑和运行机制。

本书在对全部机器学习算法进行分类梳理的基础之上，分别对监督学习单模型、监督学习集成模型、无监督学习模型、概率模型四个大类共26个经典算法进行了细致的公式推导和代码实现，旨在帮助机器学习学习者和研究者完整地掌握算法细节、实现方法以及内在逻辑。

目录

  • 版权信息
  • 序
  • 前言
  • 第一部分 入门篇
  • 第1章 机器学习预备知识
  • 1.1 引言
  • 1.2 关键术语与任务类型
  • 1.3 机器学习三要素
  • 1.4 机器学习核心
  • 1.5 机器学习流程
  • 1.6 NumPy必学必会
  • 1.7 sklearn简介
  • 1.8 章节安排
  • 1.9 小结
  • 第二部分 监督学习单模型
  • 第2章 线性回归
  • 2.1 杭州的二手房房价
  • 2.2 线性回归的原理推导
  • 2.3 线性回归的代码实现
  • 2.4 小结
  • 第3章 对数几率回归
  • 3.1 App开屏广告
  • 3.2 对数几率回归的原理推导
  • 3.3 对数几率回归的代码实现
  • 3.4 小结
  • 第4章 回归模型拓展
  • 4.1 回到杭州二手房房价
  • 4.2 LASSO回归原理推导
  • 4.3 LASSO回归的代码实现
  • 4.4 Ridge回归的原理推导
  • 4.5 Ridge回归的代码实现
  • 4.6 小结
  • 第5章 线性判别分析
  • 5.1 LDA基本思想
  • 5.2 LDA数学推导
  • 5.3 LDA算法实现
  • 5.4 小结
  • 第6章 k近邻算法
  • 6.1 “猜你喜欢”的推荐逻辑
  • 6.2 距离度量方式
  • 6.3 k近邻算法的基本原理
  • 6.4 k近邻算法的代码实现
  • 6.5 小结
  • 第7章 决策树
  • 7.1 “今天是否要打高尔夫”
  • 7.2 决策树
  • 7.3 特征选择：从信息增益到基尼指数
  • 7.4 决策树模型：从ID3到CART
  • 7.5 决策树剪枝
  • 7.6 小结
  • 第8章 神经网络
  • 8.1 无处不在的图像识别
  • 8.2 从感知机说起
  • 8.3 从单层到多层
  • 8.4 神经网络的广阔天地
  • 8.5 小结
  • 第9章 支持向量机
  • 9.1 重新从感知机出发
  • 9.2 线性可分支持向量机
  • 9.3 近似线性可分支持向量机
  • 9.4 线性不可分支持向量机
  • 9.5 小结
  • 第三部分 监督学习集成模型
  • 第10章 AdaBoost
  • 10.1 什么是Boosting
  • 10.2 AdaBoost算法的原理推导
  • 10.3 AdaBoost算法实现
  • 10.4 小结
  • 第11章 GBDT
  • 11.1 从提升树到梯度提升树
  • 11.2 GBDT算法的原理推导
  • 11.3 GBDT算法实现
  • 11.4 小结
  • 第12章 XGBoost
  • 12.1 XGBoost：极度梯度提升树
  • 12.2 XGBoost算法的原理推导
  • 12.3 XGBoost算法实现
  • 12.4 小结
  • 第13章 LightGBM
  • 13.1 XGBoost可优化的地方
  • 13.2 LightGBM基本原理
  • 13.3 LightGBM算法实现
  • 13.4 小结
  • 第14章 CatBoost
  • 14.1 机器学习中类别特征的处理方法
  • 14.2 CatBoost理论基础
  • 14.3 CatBoost算法实现
  • 14.4 小结
  • 第15章 随机森林
  • 15.1 Bagging：另一种集成学习框架
  • 15.2 随机森林的基本原理
  • 15.3 随机森林的算法实现
  • 15.4 小结
  • 第16章 集成学习：对比与调参
  • 16.1 三大Boosting算法对比
  • 16.2 常用的超参数调优方法
  • 16.3 小结
  • 第四部分 无监督学习模型
  • 第17章 聚类分析与k均值聚类算法
  • 17.1 距离度量和相似度度量方式
  • 17.2 聚类算法一览
  • 17.3 k均值聚类算法的原理推导
  • 17.4 k均值聚类算法实现
  • 17.5 小结
  • 第18章 主成分分析
  • 18.1 PCA原理推导
  • 18.2 PCA算法实现
  • 18.3 小结
  • 第19章 奇异值分解
  • 19.1 特征向量与矩阵分解
  • 19.2 SVD算法的原理推导
  • 19.3 SVD算法实现与应用
  • 19.4 小结
  • 第五部分 概率模型
  • 第20章 最大信息熵模型
  • 20.1 最大信息熵原理
  • 20.2 最大信息熵模型的推导
  • 20.3 小结
  • 第21章 贝叶斯概率模型
  • 21.1 贝叶斯定理简介
  • 21.2 朴素贝叶斯
  • 21.3 贝叶斯网络
  • 21.4 小结
  • 第22章 EM算法
  • 22.1 极大似然估计
  • 22.2 EM算法的原理推导
  • 22.3 EM算法实现
  • 22.4 小结
  • 第23章 隐马尔可夫模型
  • 23.1 什么是概率图模型
  • 23.2 HMM的定义与相关概念
  • 23.3 HMM的三个经典问题
  • 23.4 小结
  • 第24章 条件随机场
  • 24.1 从生活画像到词性标注问题
  • 24.2 概率无向图
  • 24.3 CRF的定义与形式
  • 24.4 CRF的三大问题
  • 24.5 小结
  • 第25章 马尔可夫链蒙特卡洛方法
  • 25.1 前置知识与相关概念
  • 25.2 MCMC的原理推导
  • 25.3 MCMC与贝叶斯推断
  • 25.4 小结
  • 第六部分 总结
  • 第26章 机器学习模型总结
  • 26.1 机器学习模型的归纳与分类
  • 26.2 本书的不足和未来展望
  • 参考文献
展开全部

评分及书评

评分不足
2个评分

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。