圖解機器學習——算法原理與Python語言實現

內容簡介

《圖解機器學習—算法原理與 Python 語言實現》從套用場景出發，利用大量圖解和流程圖相結合的方式講解機器學習的基本知識及其常用經典算法的套用，全書沒有大篇幅的理論介紹和複雜的數學公式推導，也沒有生澀難懂的專業術語，而是通過淺顯易懂的圖示、直觀的流程圖以及與生活息息相關的實例套用讓讀者輕鬆學習和掌握機器學習知識，從而明白機器學習是如何影響和改變人類生活的。

本書共14章，覆蓋了監督學習、半監督學習、無監督學習、增強學習和機器學習新算法等內容。具體包括最小二乘法、最近鄰算法、貝葉斯分類、支持向量機分類、增強學習AdaBoost、決策樹算法、無監督k-Means聚類、Apriori關聯規則算法、PageRank 排序、EM參數估計、半監督學習、深度學習和遷移學習。

全書14章構成了機器學習從經典到現代的體系框架，每章也可獨立閱讀。本書適合機器學習的入門者學習，如果讀者已經具有Python的開發經驗，則可以更好地學習本書內容。

圖書目錄

第1章機器學習的基本概念

1.1 數據挖掘和機器學習

1.1.1 從AlphaGo說起

1.1.2 數據挖掘和機器學習的關係

1.1.3 大數據和機器學習的關係

1.1.4 機器學習的思維導圖

1.1.5 機器學習的一般流程

1.2數據和數據集

1.3 數據預處理

1.3.1數據清理

1.3.2 數據集成和融合

1.3.3 數據變換

1.3.4數據規約

1.4 機器學習的經典算法

1.5 監督學習和無監督學習

1.6 機器學習任務舉例

1.7Python 機器學習

第2章最小二乘法

2.1 最小二乘法套用場景

2.2 線性回歸

2.3 最小二乘法的原理和算法

2.3.1 變數間的關係

2.3.2 數據擬合

2.3.3最小二乘法原理

2.4 用最小二乘法預測學生的身高、體重

2.5 邏輯回歸套用場錄

2.6邏輯回歸原理

2.6.1 Sigmoid()函式

2.6.2 邏輯回歸算法

2.7 使用邏輯回歸對鳶尾花進行分類

第3章最近鄰算法

3.1 KNN套用場景

3.2 KNN算法概述

3.3 KNN 算法流程

3.4 KNN算法核心三要素

3.4.1 鄰近度度量

3.4.2 如何選擇k值

3.4.3 分類決策規則

3.5 KNN算法的優缺點

3.6 KNN算法的 Python 實現

第4章貝葉斯分類

4.1 貝葉斯分類套用場景

4.2 貝葉斯定理

4.3 樸素貝葉斯分類原理和算法

圖解機器學習——算法原理與Python語言實現

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條