Python機器學習及實踐

內容簡介

ython是目前比較熱門的程式語言，以簡單易學、套用廣泛、類庫強大全催而著稱，是實現機器學習算法的首選語言。本書以Python 3.6.5為編寫平台，以幫助讀者快速上手、理論與實踐相結合為霸汗料出發點，介紹Python機器學習的相關內容。全書共10章，分別介紹了機器學習的基礎知識、近鄰法、數據降維、分類算法、回歸算法、聚類算法、神經網路、推薦算法、頻繁項集、數據預處理。通過本書的學習，讀者可了解Python編程及在機器學習中的套用。本書可作為對Python和機器學習感興趣的初學者的參考書，也可作為從事Python開發的廣大科研人員、學者、工程技術人員的參考書，還可作為高等院校人工智慧、計算機等相關專業的教材。

作品目錄

第1章機器學習的基礎知識

1.1何謂機器學習

1.1.1感測器和海量數據

1.1.2機器學習的重要性

1.1.3機器學習的表現

1.1.4機器學習的主要任務

1.1.5選擇合適的算法

1.1.6機器學習程式的步驟

1.2綜合分類

1.3推薦系統和深度學習

1.3.1推薦系統

1.3.2深度學習

1.4何為Python

1.4.1使用Python軟體的由來

1.4.2為什麼使用Python

1.4.3Python設計定位

1.4.4Python的優缺點

1.4.5Python的套用

1.5Python編程第一步

1.6NumPy函式館基礎

1.7Python疊代器與戒判籃生成器

1.7.1疊代器

1.7.2生成器

1.8多執行緒

1.8.1學習Python執行緒

1.8.2執行緒模組

1.8.3執行緒同步

1.8.4執行緒優先權佇列(Queue)

1.9小結

1.10習題

第2章Python近鄰法

2.1k近鄰法的三要素

2.1.1k值選擇

2.1.2距離度量

2.1.3分類決策規蘭妹廈嬸則

2.2k近鄰法

2.3kd樹

2.3.1什麼是kd樹

2.3.2如何構建kd樹

2.3.3如何在kd樹中搜企踏刪索

2.4Python實現kd樹、k近鄰阿譽肯法

2.5小結

2.6習題

第3章Python數據降維

3.1維度災難與降維

3.2主成分分析

3.2.1PCA原理

3.2.2PCA算法

3.2.3PCA降維的兩個準則

3.3SVD降維

3.4核主成分分析降維

3.5流形學習降維

3.6多維縮放降維

3.6.1原理

3.6.2MDS算法

3.7等度量映射降維

3.8局部線性嵌入

3.8.1原理

3.8.2LLE算法

3.9非負矩陣分解

3.10小結

3.11習題

第4章Python分類算法

4.1邏輯回歸

4.1.1邏輯回歸模型

4.1.2梯度下降法

4.2Softmax回歸

4.3因子分解機

4.3.1邏輯回歸算法的不足

4.3.2因子分解模型

4.3.3FM算法中交叉項的處理

4.3.4FM算法的求解

4.3.5FM算法流程

4.3.6Python實現FM模型

4.4支持向量機

4.4.1SVM簡介

4.4.2線性可分支持向量機

4.4.3函式間距和幾何間距

4.4.4線性支持向量機

4.4.5非線性支持向量機

4.5貝葉斯分類器

4.5.1貝葉斯定理

4.5.2相關的概念

4.5.3常用貝葉斯分類器

4.6隨機森林

4.6.1決策樹分類器

4.6.2CART分類樹算法

4.7小結

4.8習題

第5章Python回歸算法

5.1線性回歸

5.1.1基本線性回歸

5.1.2線性回歸的最小二乘解法

5.1.3牛頓法

5.1.4局部加權線性回歸

5.2嶺回歸與Lasso回歸

5.2.1線性回歸存在的問題

5.2.2嶺回歸模型

5.2.3Lasso回歸模型

5.2.4擬牛頓法

5.2.5LBFGS求解嶺回歸模型

5.3小結

5.4習題

第6章Python聚類算法

6.1kMeans算法

6.1.1相似性的度量

6.1.2kMeans算法原理

6.1.3kMeans++算法

6.2MeanShift聚類算法

6.2.1MeanShift向量

6.2.2核函式

6.2.3MeanShift推導

6.2.4MeanShift在圖像上再檔檔束的聚類

6.3DBSCAN聚類

6.3.1密度聚類原理

6.3.2DBSCAN密度定義

6.3.3DBSCAN密度聚類思想

6.3.4DBSCAN聚類算法

6.3.5DBSCAN小結

6.4小結

6.5習題

第7章Python神經網路

7.1感知機

7.1.1感知機原理

7.1.2感知機模型

7.1.3感知機學習策略

7.1.4感知機學習算法

7.1.5神經網路

7.1.6感知機的實現

7.2BP神經網路

7.2.1BP神經網路原理

7.2.2BP神經網路的實現

7.3徑向基神經網路

7.3.1徑向基函式解決插值問題

7.3.2正則化理論

7.3.3正則化RBF網路

7.3.4廣義RBF網路

7.3.5數據中心的監督學習算法

7.4小結

7.5習題

第8章Python推薦算法

8.1協同過濾算法

8.1.1協同過濾算法概述

8.1.2協同過濾算法的分類

8.1.3相似度的度量方法

8.1.4基於用戶的協同過濾算法

8.1.5基於項的協同過濾算法

8.1.6基於物品的協同過濾算法

8.2基於矩陣分解的推薦算法

8.2.1矩陣分解

8.2.2基於矩陣分解的推薦算法

8.2.3非負矩陣分解

8.3基於圖的推薦算法

8.3.1二部圖

8.3.2由用戶商品矩陣到二部圖

8.3.3PageRank算法

8.3.4問題說明

8.4小結

8.5習題

第9章Python頻繁項集

9.1關聯分析

9.1.1支持度與置信度

9.1.2窮舉法

9.2Apriori算法

9.2.1Apriori算法簡介

9.2.2Apriori定理

9.2.3Apriori算法套用

9.2.4Python生成候選項集

9.3FPGrowth算法

9.3.1用FP樹編碼數據集

9.3.2從FP樹中挖掘頻繁項

9.3.3從新聞網站點擊流中挖掘

9.4小結

9.5習題

第10章Python數據預處理

10.1概述

10.1.1為什麼要對數據預處理

10.1.2數據預處理的主要任務

10.2數據清理

10.2.1數據缺失

10.2.2過濾數據

10.2.3檢測和過濾異常值

10.2.4移除重複數據

10.3處理缺失值

10.3.1處理缺失值的方法

10.3.2缺失值補全法

10.3.3特徵編碼

10.3.4數據標準化、正則化

10.3.5特徵選擇

10.3.6稀疏表示和字典學習

10.4機器模型

10.4.1損失函式和風險函式

10.4.2模型評估

10.4.3性能度量

10.5小結

10.6習題

參考文獻

Python機器學習及實踐

基本介紹

內容簡介

作品目錄

熱門詞條