关灯

Python与机器学习实战:决策树、集成学习、支持向量机与神经网络算法详解及编程实....

[复制链接]
1870915502qq 发表于 2019-4-14 22:53:48 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
图书
图书封面:
书名: Python与机器学习实战:决策树、集成学习、支持向量机与神经网络算法详解及编程实现
售价: 100 盟币
文件大小: 157 M
质量: 清晰pdf
语种: 中文
分类: 信息科学 » 互联网
SSID: -
 
Python与机器学习实战:决策树、集成学习、支持向量机与神经网络算法详解及编程实现 平装 – 2017年7月1日
何宇健 (作者)
出版社: 电子工业出版社; 第1版 (2017年7月1日)
平装: 315页
语种: 简体中文
开本: 16
ISBN: 9787121317200, 7121317206
Python与机器学习这一话题是如此的宽广,仅靠一本书自然不可能涵盖到方方面面,甚至即使出一个系列也难能做到这点。单就机器学习而言,其领域就包括但不限于如下:有监督学习(Supervised Learning),无监督学习(Unsupervised Learning)和半监督学习(Semi-Supervised Learning)。而具体的问题又大致可以分两类:分类问题(Classification)和回归问题(Regression)。Python本身带有许多机器学习的第三方库,但本书在绝大多数情况下只会用到Numpy这个基础的科学计算库来进行算法代码的实现。这样做的目的是希望读者能够从实现的过程中更好地理解机器学习算法的细节,以及了解Numpy的各种应用。不过作为补充,本书会在适当的时候应用scikit-learn这个成熟的第三方库中的模型。本书适用于想了解传统机器学习算法的学生和从业者,想知道如何高效实现机器的算法的程序员,以及想了解机器学习的算法能如何进行应用的职员、经理等。
目录
第1章 Python与机器学习入门 1
1.1机器学习绪论 1
1.1.1什么是机器学习 2
1.1.2机器学习常用术语 3
1.1.3机器学习的重要性 6
1.2人生苦短,我用Python 7
1.2.1为何选择Python 7
1.2.2Python在机器学习领域的优势 8
1.2.3Anaconda的安装与使用 8
1.3第一个机器学习样例 12
1.3.1获取与处理数据 13
1.3.2选择与训练模型 14
1.3.3评估与可视化结果 15
1.4本章小结 17
第2章 贝叶斯分类器 18
2.1贝叶斯学派 18
2.1.1贝叶斯学派与频率学派 19
2.1.2贝叶斯决策论 19
2.2参数估计 20
2.2.1极大似然估计(ML估计) 21
2.2.2极大后验概率估计(MAP估计) 22
2.3朴素贝叶斯 23
2.3.1算法陈述与基本架构的搭建 23
2.3.2MultinomialNB的实现与评估 31
2.3.3GaussianNB的实现与评估 40
2.3.4MergedNB的实现与评估 43
2.3.5算法的向量化 50
2.4半朴素贝叶斯与贝叶斯网 53
2.4.1半朴素贝叶斯 53
2.4.2贝叶斯网 54
2.5相关数学理论 55
2.5.1贝叶斯公式与后验概率 55
2.5.2离散型朴素贝叶斯算法 56
2.5.3朴素贝叶斯和贝叶斯决策 58
2.6本章小结 59
第3章 决策树 60
3.1数据的信息 60
3.1.1信息论简介 61
3.1.2不确定性 61
3.1.3信息的增益 65
3.1.4决策树的生成 68
3.1.5相关的实现 77
3.2过拟合与剪枝 92
3.2.1ID3、C4.5的剪枝算法 93
3.2.2CART剪枝 100
3.3评估与可视化 103
3.4相关数学理论 111
3.5本章小结 113
第4章 集成学习 114
4.1“集成”的思想 114
4.1.1众擎易举 115
4.1.2Bagging与随机森林 115
4.1.3PAC框架与Boosting 119
4.2随机森林算法 120
4.3AdaBoost算法 124
4.3.1AdaBoost算法陈述 124
4.3.2弱模型的选择 126
4.3.3AdaBoost的实现 127
4.4集成模型的性能分析 129
4.4.1随机数据集上的表现 130
4.4.2异或数据集上的表现 131
4.4.3螺旋数据集上的表现 134
4.4.4蘑菇数据集上的表现 136
4.5AdaBoost算法的解释 138
4.6相关数学理论 139
4.6.1经验分布函数 139
4.6.2AdaBoost与前向分步加法模型 140
4.7本章小结 142
第5章 支持向量机 144
5.1感知机模型 145
5.1.1线性可分性与感知机策略 145
5.1.2感知机算法 148
5.1.3感知机算法的对偶形式 151
5.2从感知机到支持向量机 153
5.2.1间隔最大化与线性SVM 154
5.2.2SVM算法的对偶形式 158
5.2.3SVM的训练 161
5.3从线性到非线性 163
5.3.1核技巧简述 163
5.3.2核技巧的应用 166
5.4多分类与支持向量回归 180
5.4.1一对多方法(One—vs—Rest) 180
5.4.2一对一方法(One—vs—One) 181
5.4.3有向无环图方法(DirectedAcyclicGraphMethod) 181
5.4.4支持向量回归(SupportVectorRegression) 182
5.5相关数学理论 183
5.5.1梯度下降法 183
5.5.2拉格朗日对偶性 185
5.6本章小结 187
第6章 神经网络 188
6.1从感知机到多层感知机 189
6.2前向传导算法 192
6.2.1算法概述 193
6.2.2激活函数(ActivationFunction) 195
6.2.3损失函数(CostFunction) 199
6.3反向传播算法 200
6.3.1算法概述 200
6.3.2损失函数的选择 202
6.3.3相关实现 205
6.4特殊的层结构 211
6.5参数的更新 214
6.5.1VanillaUpdate 217
6.5.2MomentumUpdate 217
6.5.3NesterovMomentumUpdate 219
6.5.4RMSProp 220
6.5.5Adam 221
6.5.6Factory 222
6.6朴素的网络结构 223
6.7“大数据”下的网络结构 227
6.7.1分批(Batch)的思想 228
6.7.2交叉验证 230
6.7.3进度条 231
6.7.4计时器 233
6.8相关数学理论 235
6.8.1BP算法的推导 235
6.8.2Softmax+log—likelihood组合 238
6.9本章小结 240
第7章 卷积神经网络 241
7.1从NN到CNN 242
7.1.1“视野”的共享 242
7.1.2前向传导算法 243
7.1.3全连接层(FullyConnectedLayer) 250
7.1.4池化(Pooling) 251
7.2利用TensorFlow重写NN 252
7.2.1反向传播算法 252
7.2.2重写Layer结构 253
7.2.3实现SubLayer结构 255
7.2.4重写CostLayer结构 261
7.2.5重写网络结构 262
7.3将NN扩展为CNN 263
7.3.1实现卷积层 263
7.3.2实现池化层 266
7.3.3实现CNN中的特殊层结构 267
7.3.4实现LayerFactory 268
7.3.5扩展网络结构 270
7.4CNN的性能 272
7.4.1问题描述 272
7.4.2搭建CNN模型 273
7.4.3模型分析 280
7.4.4应用CNN的方法 283
7.4.5Inception 286
7.5本章小结 289
附录A Python入门 290
附录B Numpy入门 303
附录C TensorFlow入门 310
请点击此处下载

请先注册会员后在进行下载

已注册会员,请先登录后下载

文件名称:Python与机器学习实战 决策树、集成学习、支持向量机与神经网络算法详解及编程实现.rar 
下载次数:18  文件大小:157.09 MB  售价:100元盟币 [记录]
下载权限: 不限 以上或 VIP会员   [购买VIP]   [充值盟币]  [免费赚盟币]



参与人数 1盟币 +50 收起 理由
yeyue130 + 50

查看全部评分总评分 : 盟币 +50

回复

使用道具 举报

 
您需要登录后才可以回帖 登录 | 立即注册 微信登录

本版积分规则


92威望

3349盟币

0关注

3粉丝

265帖子

排行榜
作者专栏
登录后可将在线时长兑换成盟币 ,连续在线 [1] 小时后,每小时 [0.5] 盟币.
×

你已累计兑换次数 0

你已累计兑换积分 0盟币

关注我们:微信订阅号

官方微信

APP下载

Copyright   ©2005-2018  博研网Powered by©Myboyan.com    ( 粤ICP备10062441号 )