基本介紹
- 中文名：Python機器學習算法： 原理、實現與案例
- 作者：劉碩
- 出版社：清華大學出版社
- 出版時間：2019年11月
- 定價：69 元
- ISBN：9787302536505
內容簡介,圖書目錄,
內容簡介
本書用平實的霉抹語言深入淺籃笑汗擔出地介紹當前熱門的機器學習經典算法，包括線性回歸、Logistic回歸與Softmax回歸、決策樹（分類與回歸）、樸素貝葉斯、支持向量機、K近鄰學習、K-Means和人工神經網路，針對每一個算法首先介紹數學模型及原理，然後根據模型和算法描述企己臘使用Python編程和Numpy庫進行算法實現，最後通過案例讓讀者進一步體會算法的套用場景雄地故以及套用時所需注意的問題。
本書適合準備進入人工智慧和數據分析與挖掘領域的初學者，對機器學習算法感興趣的愛好者、程式設計師、大學生和各類IT培訓班的學員使用。
圖書目錄
第1章 線性回歸 1
1.1 線性回歸模型 1
1.2 最小二乘法 2
1.3 梯度下降 4
1.3.1 梯度下降算法 4
1.3.2 隨機梯度下降和小批量梯度下降 6
1.4 算法實現 7
1.4.1 最小二乘法 7
1.4.2 梯度下降 9
1.5 項目實戰 12
1.5.1 準備數據 12
1.5.2 模型訓練與測試 13
第2章 Logistic回歸與Softmax回歸 20
2.1 Logistic回歸 20
2.1.1 線性模型 20
2.1.2 logistic函式 21
2.1.3 Logistic回歸模型 23
2.1.4 極大似然法估計參數 24
2.1.5 梯度下降更新公式 25
2.2 Softmax回歸 26
2.2.1 Softmax函式 26
2.2.2 Softmax回歸模型 27
2.2.3 梯度下降更新符汗狼姜公式 27
2.3 編碼實現 28
2.3.1 Logistic回歸 28
2.3.2 Softmax回歸 32
2.4 項目實戰 36
2.4.1 Logistic回歸 36
2.4.2 Softmax回歸 43
第3章 決策樹——分類樹 46
3.1 決策樹模型 46
3.2 生成決策樹 48
3.3 切分特徵的選擇 49
3.3.1 信息熵 49
3.3.2 條件信凝紋臘息熵 50
3.3.3 信息增益 51
3.3.4 信息增益比 53
3.4 算法實現 53
3.5 繪製決策樹 57
3.6 項目實戰 64
3.6.1 準備數據 64
3.6.2 模型訓練與測試 66
第4章 決策樹——分類回歸樹 70
4.1 CART算法的改進 70
4.2 處理連續值特徵 71
4.3 CART分類樹與回歸樹 72
4.3.1 CART分類樹 72
4.3.2 CART回歸樹 74
4.4 算法實現 75
4.4.1 CART分類樹 75
4.4.2 CART回歸樹 80
4.5 項目實戰 85
4.5.1 CART分類樹 85
4.5.2 CART回歸樹 89
第5章 樸素貝葉斯 95
5.1 樸素貝葉斯模型汗恥姜 95
5.1.1 貝葉斯公式 95
5.1.2 貝葉斯分類器 97
5.1.3 樸素貝葉斯分類器 97
5.2 模型參數估計 98
5.2.1 極大似然估計 98
5.2.2 貝葉斯估計 102
5.3 算法實現 103
5.4 項目實戰 105
5.4.1 準備數據 106
5.4.2 模型訓練與測試 108
第6章 支持向量機 110
6.1 線性可分支持向量機 110
6.1.1 分離超平面 110
6.1.2 間隔最大化 112
6.1.3 拉格朗日對偶法 113
6.1.4 分類決策函式 116
6.1.5 線性可分支持向量機算法 117
6.2 線性支持向量機 118
6.2.1 軟間隔最大化 118
6.2.2 線性支持向量機算法 121
6.3 非線性支持向量機 122
6.3.1 空間變換 122
6.3.2 核技巧 123
6.3.3 非線性支持向量機算法 124
6.4 SMO算法 125
6.4.1 兩個變數最最佳化問題的求解 126
6.4.2 變數選擇 129
6.4.3 更新b 131
6.4.4 更新E快取 132
6.5 算法實現 133
6.6 項目實戰 139
6.6.1 準備數據 140
6.6.2 模型訓練與測試 141
第7章 k近鄰學習 145
7.1 kNN學習 145
7.1.1 kNN學習模型 145
7.1.2 距離的度量 146
7.1.3 k值的選擇 149
7.2 kNN的一種實現：k-d樹 150
7.2.1 構造k-d樹 150
7.2.2 搜尋k-d樹 153
7.3 算法實現 155
7.3.1 線性掃描版本 155
7.3.2 k-d樹版本 157
7.4 項目實戰 161
7.4.1 準備數據 162
7.4.2 模型訓練與測試 163
第8章 K-Means 167
8.1 K-Means 167
8.1.1 距離的度量 168
8.1.2 聚類算法的性能 169
8.1.3 K-Means算法 171
8.2 K-Means++ 172
8.3 算法實現 173
8.3.1 K-Means 173
8.3.2 K-Means++ 176
8.4 項目實戰 179
8.4.1 準備數據 180
8.4.2 模型訓練與測試 181
第9章 人工神經網路 184
9.1 神經網路 184
9.1.1 人造神經元 184
9.1.2 神經網路 187
9.2 反向傳播算法 188
9.2.1 輸出節點的權值更新 189
9.2.2 隱藏節點的權值更新 190
9.3 算法實現 192
9.3.1 神經網路分類器 192
9.3.2 神經網路回歸器 196
9.4 項目實戰 202
9.4.1 準備數據 203
9.4.2 模型訓練與測試 206
4.4 算法實現 75
4.4.1 CART分類樹 75
4.4.2 CART回歸樹 80
4.5 項目實戰 85
4.5.1 CART分類樹 85
4.5.2 CART回歸樹 89
第5章 樸素貝葉斯 95
5.1 樸素貝葉斯模型 95
5.1.1 貝葉斯公式 95
5.1.2 貝葉斯分類器 97
5.1.3 樸素貝葉斯分類器 97
5.2 模型參數估計 98
5.2.1 極大似然估計 98
5.2.2 貝葉斯估計 102
5.3 算法實現 103
5.4 項目實戰 105
5.4.1 準備數據 106
5.4.2 模型訓練與測試 108
第6章 支持向量機 110
6.1 線性可分支持向量機 110
6.1.1 分離超平面 110
6.1.2 間隔最大化 112
6.1.3 拉格朗日對偶法 113
6.1.4 分類決策函式 116
6.1.5 線性可分支持向量機算法 117
6.2 線性支持向量機 118
6.2.1 軟間隔最大化 118
6.2.2 線性支持向量機算法 121
6.3 非線性支持向量機 122
6.3.1 空間變換 122
6.3.2 核技巧 123
6.3.3 非線性支持向量機算法 124
6.4 SMO算法 125
6.4.1 兩個變數最最佳化問題的求解 126
6.4.2 變數選擇 129
6.4.3 更新b 131
6.4.4 更新E快取 132
6.5 算法實現 133
6.6 項目實戰 139
6.6.1 準備數據 140
6.6.2 模型訓練與測試 141
第7章 k近鄰學習 145
7.1 kNN學習 145
7.1.1 kNN學習模型 145
7.1.2 距離的度量 146
7.1.3 k值的選擇 149
7.2 kNN的一種實現：k-d樹 150
7.2.1 構造k-d樹 150
7.2.2 搜尋k-d樹 153
7.3 算法實現 155
7.3.1 線性掃描版本 155
7.3.2 k-d樹版本 157
7.4 項目實戰 161
7.4.1 準備數據 162
7.4.2 模型訓練與測試 163
第8章 K-Means 167
8.1 K-Means 167
8.1.1 距離的度量 168
8.1.2 聚類算法的性能 169
8.1.3 K-Means算法 171
8.2 K-Means++ 172
8.3 算法實現 173
8.3.1 K-Means 173
8.3.2 K-Means++ 176
8.4 項目實戰 179
8.4.1 準備數據 180
8.4.2 模型訓練與測試 181
第9章 人工神經網路 184
