新書推薦：
《
超级合作者（新版）
》
售價：NT$
663
《
清华大学藏战国竹简校释（陆）：越公其事
》
售價：NT$
383
《
古今英国园林
》
售價：NT$
500
《
奇迹时刻：获得全新的认知与领悟，如何爱自己，打破原生家庭限制，找寻真正的自由与自爱
》
售價：NT$
305
《
学会卓越
》
售價：NT$
510
《
365日自我肯定之书：你是你自己人生的主角！增强自我肯定感
》
售價：NT$
356
《
小儿推拿轻松学，脾肺同养百病消
》
售價：NT$
184
《
海洋之思：俄罗斯的海洋观（1997~2021）
》
售價：NT$
653
|
| 內容簡介： |
《机器学习理论与实践》是一本全面而深入地探讨机器学习领域核心理论与实践的教材，旨在为读者提供从基础知识到实际应用的全方位指导。《机器学习理论与实践》由不同专业背景的作者合作撰写而成，融合了最新的研究成果与实际应用案例，适合高等院校相关专业本科生、研究生以及对机器学习感兴趣的读者阅读。
《机器学习理论与实践》首先系统介绍了机器学习的基本概念，包括监督学习和无监督学习，帮助读者建立机器学习的整体框架。通过精确的定义和生动的例子，读者能够迅速掌握这些基础概念。书中详细介绍了多种机器学习模型，包括线性模型、决策树模型、贝叶斯模型、支持向量机模型、K最近邻域模型和神经网络等。每种模型均从原理、算法步骤到实际应用进行了详尽的阐述，并辅以必要的数学推导细节和编程示例，使读者能够深入理解并掌握这些模型。《机器学习理论与实践》还提供了编写机器学习程序所需的R语言基础知识与数据处理方法，详细介绍了R语言工具的使用、数据规范化方法、类别编码方法、数据降维方法等数据处理技巧，这些内容对于读者在实际项目中应用机器学习算法具有重要指导意义。为了加深读者对机器学习算法的理解和掌握，《机器学习理论与实践》还提供了大量的实战案例和编程示例。这些案例涵盖了从数据预处理、模型训练到结果评估的全过程，使读者能够在实践中加深对机器学习理论的理解和应用。
|
| 目錄：
|
第1章 绪论
1.1 机器学习概述 1
1.2 机器学习发展历程 2
1.3 机器学习的分类 3
1.4 机器学习模型性能的评估 5
1.5 数据类型 7
1.6 数据预处理 8
1.7 数据标准化和归一化 10
第2章 预备知识 14
2.1 随机事件和概率 14
2.2 随机变量及其概率分布 17
2.3 二维随机变量及其概率分布 23
2.4 随机变量的数字特征 29
2.5 大数定律和中心极限定理 32
2.6 数理统计 35
2.7 参数估计 39
2.8 假设检验 45
第3章 回归分析 50
3.1 回归分析概述 50
3.2 一元线性回归 50
3.3 多元线性回归 56
3.4 逐步回归 62
3.5 岭回归 73
3.6 非线性回归 75
3.7 Logistic回归 80
知识拓展——R语言函数介绍 81
第4章 聚类分析 85
4.1 聚类算法概述 85
4.2 相似度与距离 86
4.3 类及类之间的距离 91
4.4 系统聚类 93
4.5 K-Means聚类 96
4.6 聚类算法的有效性 98
4.7 案例分析 100
知识拓展——R语言函数介绍 104
第5章 判别分析 107
5.1 判别分析概述 107
5.2 距离判别分析 110
5.3 Fisher判别分析 112
5.4 逐步判别分析 114
5.5 判别分析模型的有效性 115
5.6 判别分析案例 115
知识拓展——Fisher判别分析函数lda介绍 117
第6章 主成分分析 119
6.1 主成分分析概述 119
6.2 主成分分析的基本原理 121
6.3 案例分析 125
知识拓展——主成分分析函数princomp 130
第7章 支持向量机 132
7.1 支持向量机概述 132
7.2 SVM的基本概念 133
7.3 SVM的基本理论 135
7.4 SVM模型的评估 139
7.5 SVM模型的应用实例 141
知识拓展——R语言的svm函数 144
第8章 K-邻域算法 148
8.1 K最近邻域算法简介 148
8.2 K最近邻域算法基础 149
8.3 KNN分类算法与回归算法 151
8.4 性能优化与调参技巧 154
8.5 KNN算法与其他算法的融合 155
8.6 案例分析 156
知识拓展——K最近邻域算法的函数 159
第9章 朴素贝叶斯 161
9.1 朴素贝叶斯概述 161
9.2 朴素贝叶斯分类器 161
9.3 数据预处理 166
9.4 特征选择 168
9.5 朴素贝叶斯的高级应用 169
9.6 朴素贝叶斯的性能评估 171
9.7 朴素贝叶斯模型优化 173
9.8 案例分析 174
知识拓展——朴素贝叶斯算法函数naiveBayes 176
第10章 决策树 178
10.1 决策树概述 178
10.2 数据准备与预处理 178
10.3 决策树的构建 183
10.4 决策树的剪枝 184
10.5 决策树模型的评估 186
10.6 案例分析 188
知识拓展——R语言中决策树算法函数rpart 191
第11章 随机森林 193
11.1 随机森林概述 193
11.2 随机森林算法原理、模型的构建过程 194
11.3 集成学习 197
11.4 特征随机选择 197
11.5 随机森林的优化 198
11.6 随机森林模型的评估 198
11.7 案例分析 200
知识拓展——随机森林算法函数randomForest 201
第12章 神经网络 206
12.1 神经网络概述 206
12.2 神经网络的基本结构 208
12.3 神经网络的算法过程 209
12.4 神经网络的激活函数 211
12.5 损失函数 212
12.6 优化算法 214
12.7 神经网络训练的前向传播和反向传播 214
12.8 经典神经网络模型 216
12.9 神经网络模型的评估 219
12.10 神经网络的高级技术 220
12.11 案例分析 221
知识拓展——R许言函数介绍 225
附录 R语言简介 230
参考文献 236
|
|
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
