×
超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

关闭
暂无评论
图文详情
  • ISBN:9787563563821
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:26cm
  • 页数:173页
  • 出版时间:2021-06-01
  • 条形码:9787563563821 ; 978-7-5635-6382-1

内容简介

本书作为机器学习的入门书, 涉及机器学习基础知识的各方面内容。该书共包含11章内容, 具体安排为: 第1章讲解机器学习的基础知识 ; 第2-6章讲解监督学习中常用的分类算法 ; 第7章讲解监督学习中常用的回归算法 ; 第8章介绍神经网络, 其既可以用于分类, 又可以用于回归 ; 第9-10章讲解无监督学习中的常用算法 ; 第11章介绍通过降维技术来简化数据。

目录

第1章 绪论 1.1 机器学习定义 1.2 机器学习发展历程 1.3 机器学习分类 1.3.1 有监督学习 1.3.2 分类模型评判指标 1.3.3 无监督学习 1.3.4 增强学习 1.4 实验环境介绍 1.4.1 语言的选择 1.4.2 Python的安装 1.4.3 PyCharm编辑器 1.5 本章小结 第2章 七近邻 2.1 k近邻算法介绍 2.2 入门实例 2.3 忌近邻算法的深入讨论 2.3.1 k值对结果的影响 2.3.2 相似程度的度量 2.3.3 决策策略 2.4 实际应用 2.4.1 KNeighborsClassifier类介绍 2.4.2 小试牛刀 2.4.3 实战演示 2.5 本章小结 第3章 决策树 3.1 决策树算法介绍 3.2 构建决策树的方法 3.2.1 信息熵 3.2.2 信息增益 3.2.3 ID3算法 3.2.4 C4.5算法 3.2.5 CART算法 3.3 模型评估方法 3.3.1 保留法 3.3.2 k折交叉验证法 3.3.3 自助法 3.4 实际应用 3.4.1 DecisionTreeClassifier类介绍 3.4.2 小试牛刀 3.4.3 实战演示 3.5 本章小结 第4章 朴素贝叶斯 4.1 贝叶斯定理 4.2 朴素贝叶斯算法介绍 4.3 入门实例 4.4 Laplace修正 4.5 实际应用 4.5.1 GussianNB类介绍 4.5.2 小试牛刀 4.5.3 实战演示 4.6 本章小结 第5章 支持向量机 5.1 支持向量机算法介绍 …… 第6章 AdaBoost 第7章 线性回归 第8章 神经网络 第9章 k-means 第10章 Apriori关联分析 第11章 PCA降维 参考文献 附录A 线性代数基础 附录B 概率论基础 附录C Python基础
展开全部

作者简介

杨坡,硕士,南开大学滨海学院讲师,主要研究领域为模式识别、机器学习等。长年教授C++、PHP、Python等课程。主编书籍《HTML5 canvas游戏开发基础》。省级产学研合作项目——Python课程建设的主要参与人。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航