機器學習原理與實踐（Python版）

內容簡介

本書全面系統地介紹了機器學習領域中的經典方法，併兼顧算法原理與烏斷實踐運用。具體內容涉及回歸分析（線性回歸、多項式回歸、非線性回歸、嶺回歸，LASSO、彈性網路，以及RANSAC等）、分類（感知機、邏輯回歸、樸素貝葉斯、決策樹、支持向量機、人工神經網路等）、聚類（K均值、EM算法、密度聚類姜姜組台、層次聚類，以及譜聚類等）、集成學習（隨機森林、AdaBoost、梯度提升等）、蒙特卡洛採樣（拒絕採樣、自適應拒絕採樣、重要性採樣、吉布斯採樣和馬爾科夫鏈蒙特卡洛等）、降維與流形學習（SVD、PCA和MDS等），以及機率圖模型（例如貝葉斯網路和隱馬爾科夫模型）等話題。更為重要的是，作者基於全新制定的學習路線圖設計並組織了各章節的布局，使得全書的內容層層遞進又緊密聯繫。這些安排旨在幫助讀者深化理解原理細節，並建立完整而系統的全局觀。在力求清晰闡述算法原理的同時，本書還基於機器學習經典框架scikit-learn提供了算法的套用實例，並使用Python編寫代碼，非常適合讀者自學。本書是機器學習及相關課程的教學參考書，適用於高等院校人工智慧、機器學習或數據挖掘等相關專業的師生研習之用，也可供從事計算機套用，特別是數據科學相關專業的研發人員參考。

圖書目錄

第1章機器學習初探

1.1初識機器學習

1.1.1從小蝌蚪找媽媽談起

1.1.2機器學習的主要任務

1.2工欲善其事，必先利其器

1.2.1scikitlearn

1.2.2NumPy

1.2.3SciPy

1.2.4Matplotlib

1.2.5Pandas

1.3最簡單的機器學習模型

1.3.1貝葉斯公式與邊緣分布

1.3.2先驗機率探淚戀與後驗機率

1.3.3樸素貝葉斯分類器原理

1.4泰坦尼克之災

1.4.1認識問題及數據

1.4.2數據預處理

1.4.3特徵篩選

1.4.4分類器的構建

1.4.5分類器的評估

第2章一元線性回歸

2.1回歸分析的性質

2.2回歸的基本概念

2.2.1總體的回歸函式

2.2.2隨機干擾的意義

2.2.3樣本的回歸函式

2.3回歸模型的估計

2.3.1普通最小二乘法原理

2.3.2一元線性回歸的套用

2.3.3經典模型的基本假定

2.3.4總體方差的無偏估計

2.3.5估計參數的機率分布

2.4正態條件下的模型檢驗

2.4.1擬合優度的檢驗

2.4.2整體性假定檢驗

2.4.3單個參數的檢驗

2.5一元線性回歸模型預測

2.5.1點預測

2.5.2區間預測

第3章多元線性回歸

3.1多元線性回歸模型

3.2多元回歸模型估計

3.2.1最小二乘估計量

3.2.2多元回歸的實例

3.2.3總體參數估計量

3.3從線代角度理解最小二乘

3.3.1最小二乘問題的通解

3.3.2最小二乘問題的計算

3.4多元回歸模型檢驗

3.4.1線性回歸的顯著性

3.4.2回歸係數的顯著性

3.5多元線性回歸模型預測

3.6格蘭傑因果關係檢驗

第4章線性回歸進階

4.1更多回歸模型函式形式

4.1.1雙對數模型以及生產函式

4.1.2倒數模型與菲利普斯曲線

4.1.3多項式回歸模型及其分析

4.2回歸模型的評估與選擇

4.2.1嵌套模型選擇

4.2.2赤池信息準則

4.3現代回歸方法的新進展

4.3.1多重共線性

4.3.2從嶺回歸到LASSO

4.3.3正則悼重戰婆化與沒有免費午餐她束兆原理

4.3.4彈性網路

4.3.5RANSAC

第5章邏輯回歸與最大熵模型

5.1邏輯回歸

5.2牛頓法解邏輯回歸

5.3套用實例：二分類問題

5.3.1數據初探

5.3.2建模

5.4多元邏輯回歸

5.5最大熵模型

5.5.1最大熵原理

5.5.2約束條件

5.5.3模型推導

5.5.4極大似然估計

5.6套用實例：多分類問題

5.6.1數據初探

5.6.2建模

第6章神經網路

6.1從感知機開始

6.1.1感知機模型

6.1.2感知機學習

6.1.3多層感知機

6.1.4感知機套用示例

6.2基本神經網路

6.2.1神經網路結構

6.2.2符號標記說明

6.2.3後向傳播算法

6.3神經網路實她戀請踐

6.3.1建模

6.3.2Softmax與神經網路

第7章支持向量機

7.1線性可分的支持向量機

7.1.1函式距離與幾何距離

7.1.2最大間隔分類器

7.1.3拉格朗日乘數法

7.1.4對偶問題的求解

7.2鬆弛因子與軟間隔模型

7.3非線性支持向量機方法

7.3.1從更高維度上分類

7.3.2非線性核函式方法

7.3.3機器學習中的核方法

7.3.4默瑟定理

7.4對數據進行分類的實踐

7.4.1數據分析

7.4.2線糊籃笑性可分的例子

7.4.3線性不可分的例子

第8章k近鄰算法

8.1距離度量

8.2k近鄰模型

8.2.1分類

8.2.2回歸

8.3在Python中套用k近鄰算法

8.4k近鄰搜尋的實現

8.4.1構建kdtree

8.4.2區域搜尋

8.4.3最近鄰搜尋

第9章決策樹

9.1決策樹基礎

9.1.1Hunt算法

9.1.2基尼測度與劃分

9.1.3信息熵與信息增益

9.1.4分類誤差

9.2決策樹進階

9.2.1ID3算法

9.2.2C4.5算法

9.3分類回歸樹

9.4決策樹剪枝

9.5決策樹套用實例

第10章集成學習

10.1集成學習的理論基礎

10.2Bootstrap方法

10.3Bagging與隨機森林

10.3.1算法原理

10.3.2套用實例

10.4Boosting與AdaBoost

10.4.1算法原理

10.4.2套用實例

10.5梯度提升

10.5.1梯度提升樹與回歸

10.5.2梯度提升樹與分類

10.5.3梯度提升樹的原理推導

第11章聚類分析

11.1聚類的概念

11.2k均值算法

11.2.1算法描述

11.2.2套用實例——圖像的色彩量化

11.3最大期望算法

11.3.1算法原理

11.3.2收斂探討

11.4高斯混合模型

11.4.1模型推導

11.4.2套用實例

11.5密度聚類

11.5.1DBSCAN算法

11.5.2套用實例

11.6層次聚類

11.6.1AGNES算法

11.6.2套用實例

11.7譜聚類

11.7.1基本符號

11.7.2正定矩陣與半正定矩陣

11.7.3拉普拉斯矩陣

11.7.4相似圖

11.7.5譜聚類切圖

11.7.6算法描述

11.7.7套用實例

第12章降維與流形學習

12.1主成分分析

12.2奇異值分解

12.2.1一個基本的認識

12.2.2為什麼可以做SVD

12.2.3SVD與PCA的關係

12.2.4套用舉例與矩陣的偽逆

12.3多維標度法

第13章採樣方法

13.1蒙特卡洛法求定積分

13.1.1無意識統計學家法則

13.1.2投點法

13.1.3期望法

13.2蒙特卡洛採樣

13.2.1逆採樣

13.2.2博克斯穆勒變換

13.2.3拒絕採樣與自適應拒絕採樣

13.3矩陣的極限與馬爾科夫鏈

13.4查普曼柯爾莫哥洛夫等式

13.5馬爾科夫鏈蒙特卡洛

13.5.1重要性採樣

13.5.2馬爾科夫鏈蒙特卡洛的基本概念

13.5.3梅特羅波利斯黑斯廷斯算法

13.5.4吉布斯採樣

第14章機率圖模型

14.1共軛分布

14.2貝葉斯網路

14.2.1基本結構單元

14.2.2模型推理

14.3貝葉斯網路的Python實例

14.4隱馬爾科夫模型

14.4.1隨機過程

14.4.2從時間角度考慮不確定性

14.4.3前向算法

14.4.4維特比算法

作者簡介

左飛博士，技術作家、譯者。著作涉及人工智慧、圖像處理和程式語言等多個領域，其中兩部作品的繁體版在中國台灣地區發行。同時，他還翻譯出版了包括《編碼》在內的多部經典著作。曾榮獲“最受讀者喜愛的IT圖書作譯者獎”。

補彬，算法工程師，畢業於澳大利亞墨爾本大學計算機科學系。目前就職於愛奇藝，從事業務安全相關算法研究工作。

機器學習原理與實踐（Python版）

基本介紹

內容簡介

圖書目錄

作者簡介

作者簡介

相關詞條

熱門詞條