機器學習——原理、算法與Python實戰（微課視頻版）

內容簡介

本書以Python為開發語言，採用理論與實踐相結合的形式，系統全面地介紹了機器學習涉及的核心知識。本書共6章，其中第1章介紹機器學習的基礎知識，包括機器學習的概念、分類、研究範圍、開發環境等，介紹第一個機器學習案例；第2、3章介紹機器學習的主要方法：監督學習與無監督學習，涉及目前機器學習最為流行的經典算法和模型，如KNN、樸素貝葉斯、決策樹、線性回歸、邏輯回歸、SVM、神經網路、PCA降維、KMeans，每個算法模型都配有代碼及可視化演示，讓讀者能更直觀形象地理解機器學習；第4章介紹機器學習非常重要的數據處理方法：特徵工程，特徵工程能進一步提高機器學習算法的性能；第5章介紹機器學習模型的評估與最佳化，通過評估判斷模型優劣，評估後利用最佳化方法使其達到生產需求；第6章介紹機器學習的套用案例，讓讀者更直觀地感受機器學習在生產生活中的實際用途。

本書附有配套教學課件、原始碼、習題，供讀者實踐，旨在通過邊學邊練的方式，鞏固所學知識，提升開發能力。

本書可作為高等學校計算機相關專業的教材，也可作為機器學習工程技術人員的參考用書。

圖書目錄

第1章機器學習基礎

1.1機器學習

1.1.1什麼是機器學習

1.1.2從數據中學習

1.1.3機器學習能夠解決的問題

1.2機器學習的分類

1.2.1學習方式

1.2.2算法的分類

1.3機器學習的範圍

1.4程式語言與開發環境

1.4.1選擇Python的原因

1.4.2安裝開發環境

1.4.3Scikitlearn

1.5第一個機器學習套用：鳶尾花分類

1.5.1特徵數據與標籤數據

1.5.2訓練數據與測試數據

1.5.3構建機器學習模型

1.5.4預測與評估

1.6本章小結

習題

第2章監督學習

2.1監督學習概念與術語

2.1.1監督學習工作原理

2.1.2分類與回歸

2.1.3泛化

2.1.4欠擬合

2.1.5過擬合

2.1.6不收斂

2.2K近鄰算法

2.2.1K近鄰分類

2.2.2K近鄰回歸

2.3樸素貝葉斯

2.3.1貝葉斯定理

2.3.2樸素貝葉斯算法步驟

2.3.3在Scikitlearn中使用貝葉斯分類

2.4決策樹

2.4.1決策樹的基本思想

2.4.2決策樹學習算法

2.4.3構造決策樹

機器學習——原理、算法與Python實戰（微課視頻版）

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條