新書推薦：
《
目的行为论导论——刑法体系的新图景（增补第4版·中文增订版）（当代世界学术名著）
》
售價：NT$
381.0
《
浮沉：里亚布申斯基家族兴衰史
》
售價：NT$
549.0
《
Android自动化测试实战：Python+Appium +unittest
》
售價：NT$
503.0
《
郭建龙亚洲三部曲：印度、穿越蒙古国、三千佛塔
》
售價：NT$
1305.0
《
工作：从平凡到非凡（原书第5版） ［英］理查德·泰普勒 陶尚芸 译
》
售價：NT$
330.0
《
带献帝去旅行--历史书写的中古风景（论衡系列）
》
售價：NT$
325.0
《
出行创新设计：概念、范式与案例
》
售價：NT$
559.0
《
爱的能力：为什么我们既渴望爱，又害怕走进爱（第13版）
》
售價：NT$
391.0
|
| 編輯推薦： |
1.与周志华编写的《机器学习》相比，本书多了对算法的数学原理详细严谨的推导。
2.与李锐翻译的《机器学习实战》相比，本书多了用面向对象思想将算法模块化，并且书中代码在Python 3 环境下运行。
3.为了照顾初学者，本书补充了全书涉及的高等数学、线性代数、概率论与数理统计、Jessen不等式等数学基础知识。
|
| 內容簡介： |
机器学习是一门涉及高等数学、线性代数、概率论、统计学和运筹学等领域的交叉学科。机器学习的基础就是数学，这也就要求学习者要有良好的数学基础。为了降低机器学习的学习门槛，本书深入浅出地对机器学习算法的数学原理进行了严谨的推导；并利用Python 3对各种机器学习算法进行复现，还利用介绍的算法在相应数据集上进行实战。本书主要内容包括机器学习及其数学基础；线性回归、局部加权线性回归两种回归算法；Logistic回归、Softmax回归和BP神经网络3种分类算法；模型评估与优化；K-Means聚类算法、高斯混合模型两种聚类算法和一种降维算法——主成分分析。
《机器学习入门：基于数学原理的Python实战》理论性与实用性兼备，既可作为初学者的入门书籍，也可作为求职者的面试宝典，更可作为职场人士转岗的实用手册。本书适合需要全面学习机器学习算法的初学者、希望掌握机器学习算法数学理论的程序员、想转行从事机器学习算法的专业人员、对机器学习算法兴趣浓厚的人员、专业培训机构学员和希望提高Python编程水平的程序员。
|
| 關於作者： |
戴璞微，中国民航大学硕士，CSDN博客专家。曾获得全国大学生数学竞赛国家一等奖、北美数学建模二等奖，参与国家自然科学基金项目1项。对计算机视觉、机器学习和深度学习有深入研究。
潘斌，浙江大学应用数学系博士，现任辽宁石油化工大学理学院副院长。2018年入选辽宁省“兴辽英才计划”青年拔尖人才，2016年主持国家自然科学基金青年基金项目1项；2015年主持辽宁省自然科学基金项目1项；2016年主持浙江大学CAD&CG国家重点实验室开放课题2项。近年来，指导本科生获全国大学生数学建模竞赛国家一等奖。
|
| 目錄：
|
第1章 机器学习及其数学基础
1.1机器学习与人工智能简述 2
1.2高等数学 4
1.3线性代数 7
1.4概率论与数理统计 14
1.5Jensen不等式 25
1.6本章小结 27
第2章 线性回归
2.1线性回归模型 29
2.2梯度下降算法 30
2.3再看线性回归 32
2.4正则方程 34
2.5概率解释 35
2.6线性回归的Python实现 36
2.7案例：利用线性回归预测波士顿房价 43
2.8本章小结 54
第3章 局部加权线性回归
3.1欠拟合与过拟合 56
3.2局部加权线性回归模型 57
3.3局部加权线性回归的Python实现 61
3.4案例：再看预测波士顿房价 64
3.5案例：利用局部加权线性回归预测鲍鱼年龄 71
3.6本章小结 77
第4章?Logistic回归与Softmax回归
4.1监督学习 80
4.2Logistic回归 80
4.3 广义线性模型 84
4.4Softmax回归 86
4.5Logistic回归的Python实现 90
4.6案例：利用Logistic回归对乳腺癌数据集进行分类 96
4.7Softmax回归的Python实现 107
4.8案例：利用Softmax回归对语音信号数据集进行分类 116
4.9本章小结 127
第5章 模型评估与优化
5.1模型性能度量 130
5.2偏差-方差平衡 134
5.3正则化 135
5.4 交叉验证 144
5.5 Ridge回归的Python实现 145
5.6 案例：再看预测鲍鱼年龄 153
5.7 带L2正则化的Softmax回归的Python实现 156
5.8 案例：再看语音信号数据集分类 161
5.9 本章小结 165
第6章 BP神经网络
6.1 神经网络模型 168
6.2 BP算法与梯度下降算法 171
6.3 BP神经网络的相关改进 175
6.4 BP神经网络的Python实现 185
6.5 案例：利用BP神经网络对语音信号数据集进行分类 197
6.6 本章小结 215
第7章 K-Means聚类算法
7.1 无监督学习与聚类 218
7.2 K-Means聚类算法 219
7.3 K-Means聚类的Python实现 222
7.4 案例：利用K-Means算法对Iris数据集进行聚类 225
7.5 本章小结 229
第8章 高斯混合模型
8.1 EM算法 231
8.2 高斯混合模型 233
8.3 GMM与K-Means的区别与联系 238
8.4 聚类性能评价指标 240
8.5 GMM的Python实现 242
8.6 案例：利用GMM对葡萄酒数据集进行聚类 248
8.7 本章小结 255
第9章 主成分分析
9.1 降维技术 258
9.2 主成分分析 258
9.3 核函数 263
9.4 核主成分分析 265
9.5 PCA的Python实现 268
9.6 案例：利用PCA对葡萄酒质量数据集进行降维 271
9.7 本章小结 280
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
