4.3
用户推荐指数
科技 类型
可以朗读 语音朗读
139千字 字数
2020-06-01 发行日期
展开全部

主编推荐语

无需高深的数学基础也能快速上手，从最简单的常识出发来切入AI领域，打造无缝平滑的学习体验。

内容简介

机器学习包括有监督学习、无监督学习和半监督学习，而具体的问题又大致可以分两类：分类问题和回归问题。

本书分为8章，使用Python第三方工具库深入讲解机器学习极大重要算法的实现，内容包括机器学习概述、贝叶斯分类、决策树、集成学习、支持向量机、神经网络、卷积神经网络、卷积神经网络分割图片实战。

目录

  • 版权信息
  • 内容简介
  • 推荐序一
  • 推荐序二
  • 前言
  • 第1章 机器学习概述
  • 1.1 什么是机器学习
  • 1.2 机器学习的流程
  • 1.2.1 数据收集
  • 1.2.2 数据预处理
  • 1.2.3 特征工程
  • 1.2.4 模型构建和训练
  • 1.3 机器学习该如何学
  • 1.3.1 AI时代首选Python
  • 1.3.2 PyCharm可视化编辑器和Anaconda大礼包
  • 1.3.3 掌握算法原理与掌握机器学习软件库同等重要
  • 1.3.4 机器学习与深度学习的区别
  • 1.4 机器学习分类
  • 1.4.1 监督学习
  • 1.4.2 无监督学习
  • 1.4.3 强化学习
  • 1.5 过拟合和欠拟合
  • 1.5.1 过拟合
  • 1.5.2 欠拟合
  • 1.6 衡量机器学习模型的指标
  • 1.6.1 正确率、精确率和召回率
  • 1.6.2 F1 score和ROC曲线
  • 第2章 机器学习中的数据预处理
  • 2.1 数据预处理的重要性和原则
  • 2.2 数据预处理方法介绍
  • 2.2.1 数据预处理案例——标准化、归一化、二值化
  • 2.2.2 数据预处理案例——缺失值补全、标签化
  • 2.2.3 数据预处理案例——独热编码
  • 2.2.4 通过数据预处理提高模型准确率
  • 2.3 数据降维
  • 2.3.1 什么叫数据降维
  • 2.3.2 PCA主成分分析原理
  • 2.3.3 PCA主成分分析实战案例
  • 第3章 k最近邻算法
  • 3.1 k最近邻算法的原理
  • 3.2 k最近邻算法过程详解
  • 3.3 kNN算法的注意事项
  • 3.3.1 k近邻的k值该如何选取
  • 3.3.2 距离的度量
  • 3.3.3 特征归一化的必要性
  • 3.4 k最近邻算法案例分享
  • 3.4.1 电影分类kNN算法实战
  • 3.4.2 使用scikit-learn机器学习库内置的kNN算法实现水果识别器
  • 3.5 kNN算法优缺点
  • 第4章 回归算法
  • 4.1 线性回归
  • 4.1.1 什么是线性回归
  • 4.1.2 最小二乘法
  • 4.1.3 梯度下降法
  • 4.2 线性回归案例实战
  • 4.2.1 房价预测线性回归模型案例一
  • 4.2.2 房价预测线性回归模型案例二
  • 4.3 逻辑回归
  • 4.3.1 逻辑回归概念和原理
  • 4.3.2 逻辑回归案例实战
  • 4.4 回归算法总结和优缺点
  • 第5章 决策树
  • 5.1 决策树概念
  • 5.2 信息熵
  • 5.3 信息增益与信息增益比
  • 5.4 基尼系数
  • 5.5 过拟合与剪枝
  • 5.6 决策树算法案例实战——预测患者佩戴隐形眼镜类型
  • 5.7 决策树算法实战案例——电影喜好预测
  • 5.8 总结
  • 第6章 K-means聚类算法
  • 6.1 何为聚类
  • 6.2 K-means算法思想和原理
  • 6.3 K-means算法涉及的参数和优缺点
  • 6.3.1 K-means涉及参数
  • 6.3.2 K-means优缺点
  • 6.4 K-means应用场景
  • 6.5 K-means聚类算法实现鸢尾花数据的聚类
  • 6.6 K-means算法实现客户价值分析
  • 6.7 K-means算法实现对亚洲足球队做聚类
  • 第7章 随机森林
  • 7.1 随机森林概述
  • 7.1.1 什么是随机森林
  • 7.1.2 随机森林的优缺点
  • 7.2 随机森林实战——红酒数据集案例
  • 7.3 随机森林算法实战——泰坦尼克号生存预测
  • 第8章 朴素贝叶斯算法
  • 8.1 朴素贝叶斯算法概念和原理
  • 8.2 贝叶斯算法实战案例——曲奇饼
  • 8.3 贝叶斯算法案例实战——单词拼写纠错
  • 8.4 贝叶斯算法案例实战——识别中文垃圾邮件
  • 8.5 贝叶斯算法案例实战——鸢尾花分类预测
  • 第9章 支持向量机SVM
  • 9.1 支持向量机概述
  • 9.2 工作原理
  • 9.2.1 线性分类
  • 9.2.2 线性不可分
  • 9.2.3 核函数
  • 9.3 SVM的核函数选择和参数的调整
  • 9.4 SVM算法案例实战——波士顿房价分析
  • 9.5 SVM算法案例实战——鸢尾花分类
  • 9.6 SVM算法优缺点
  • 第10章 神经网络
  • 10.1 神经网络概念
  • 10.1.1 神经元
  • 10.1.2 激活函数
  • 10.1.3 神经网络
  • 10.2 卷积神经网络（CNN）
  • 10.2.1 计算机识别图像的过程
  • 10.2.2 卷积神经网络详解
  • 10.3 用Python实现自己的神经网络案例
  • 10.4 多层神经网络基于sklearn的实现案例
  • 10.5 使用Keras框架实现神经网络案例
  • 10.5.1 Keras深度学习框架简介和安装
  • 10.5.2 Keras实现多层感知器模型MLP
  • 10.5.3 Keras实现卷积神经网络CNN
  • 第11章 人脸识别入门实践
  • 11.1 人脸识别简介
  • 11.1.1 什么是人脸识别
  • 11.1.2 人脸识别过程步骤
  • 11.2 人脸检测和关键点定位实战
  • 11.3 人脸表情分析——情绪识别实战
  • 11.4 我能认识你——人脸识别实战
展开全部

评分及书评

4.3
8个评分
  • 用户头像
    给这本书评了
    4.0
    极简入门！

    此书的遵循 “极简入门” 理念。从基本原理入手，通过简明扼要。呈现了机器学习这一领域的核心知识。运用 Python 语言及 scikit-learn 库，结合实际案例，让读者能够理论联系实际，轻松入门机器学习。尽管涉及的数学原理较为复杂，但作者通过 “黑盒” 方式，让读者先掌握机器学习的应用，再深入探索背后的原理。对于想要快速上手的读者，是一个不错的选择。完善和丰富的数据及源代码，易于上手学习。

      转发
      评论

    出版方

    清华大学出版社

    清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。