《机器学习Python版》【简介_书评_在线阅读】 - 当当

火把图书专营店

加入购物车抢购价:¥104.05

商品详情
商品评论
商品问答

开本：16开
纸张：胶版纸
包装：平装-胶订
是否套装：否
国际标准书号ISBN：9787111706007
所属分类：图书>计算机/网络>程序设计>PHP

内容简介

本书将帮助读者掌握开发有效学统所需的流程、模式和策略，通过简单的故事、图片和Python示例来向读者传达机器学习的基本思想。即使读者是一名初学者，只要具备一些Python编程基础，不管大学数学水平如何，都能轻松阅读本书并有所收获。

目　　录

译者序 序 前言 作者简介 部分　机器学习入门 第1章　机器学习概论 2 1.1　欢迎来到机器学习的世界 2 1.2　范围、术语、预测和数据 3 1.2.1　特征 4 1.2.2　目标值和预测值 5 1.3　让机器开始机器学习 6 1.4　学 统举例 8 1.4.1　预测类别：分类器举例 8 1.4.2　预测值：回归器举例 9 1.5　评估机器学 统 10 1.5.1　准确率 10 1.5.2　资源消耗 11 1.6　创建机器学 统的过程 12 1.7　机器学习的假设和现实 13 1.8　本章参考阅读资料 15 1.8.1　本书内容 15 1.8.2　章节注释 16 第2章　相关技术背景 18 2.1　编程环境配置 18 2.2　数学语言的必要性 18 2.3　用于解决机器学习问题的软件 19 2.4　概率 20 2.4.1　基本事件 21 2.4.2　独立性 22 2.4.3　条件概率 23 2.4.4　概率分布 24 2.5　线性组合、加权和以及点积 27 2.5.1　加权平均 29 2.5.2　平方和 31 2.5.3　误差平方和 32 2.6　几何视图：空间中的点 33 2.6.1　直线 33 2.6.2　直线拓展 37 2.7　表示法和加1技巧 41 2.8　渐入佳境：突破线性和非线性 42 2.9　NumPy与“数学无所不在” 45 2.10　浮点数问题 49 2.11　本章参考阅读资料 50 2.11.1　本章小结 50 2.11.2　章节注释 51 第3章　预测类别：分类入门 52 3.1　分类任务 52 3.2　一个简单的分类数据集 53 3.3　训练和测试：请勿应试教育 55 3.4　评估：考试评分 58 3.5　简单分类器#1： 近邻分类器、远距离关系和假设 59 3.5.1　定义相似性 60 3.5.2　k?- 近邻中的k 61 3.5.3　答案组合 61 3.5.4　k?- 近邻、参数和非参数方法 61 3.5.5　建立一个k?- 近邻分类模型 62 3.6　简单分类器#2：朴素贝叶斯分类器、 　概率和违背承诺 64 3.7　分类器的简单评估 66 3.7.1　机器学习的性能 66 3.7.2　分类器的资源消耗 67 3.7.3　独立资源评估 73 3.8　本章参考阅读资料 77 3.8.1　局限性和尚未解决的问题 77 3.8.2　本章小结 77 3.8.3　章节注释 77 3.8.4　练习题 79 第4章　预测数值：回归入门 80 4.1　一个简单的回归数据集 80 4.2　 近邻回归和汇总统计 82 4.2.1　中心度量方法：中位数和均值 83 4.2.2　构建一个k?- 近邻回归模型 85 4.3　线性回归和误差 86 4.3.1　地面总是不平坦的：为什么需要斜坡 86 4.3.2　倾斜直线 89 4.3.3　执行线性回归 91 4.4　优化：选择 答案 92 4.4.1　随机猜测 92 4.4.2　随机调整 93 4.4.3　智能调整 94 4.4.4　计算的捷径 94 4.4.5　线性回归的应用 95 4.5　回归器的简单评估和比较 95 4.5.1　均方根误差 95 4.5.2　机器学习的性能 96 4.5.3　回归过程中的资源消耗 96 4.6　本章参考阅读资料 98 4.6.1　局限性和尚未解决的问题 98 4.6.2　本章小结 99 4.6.3　章节注释 99 4.6.4　练习题 99 第二部分　通用评估技术 第5章　机器学习算法的评估和比较分析 102 5.1　评估和大道至简的原则 102 5.2　机器学习阶段的术语 103 5.2.1　有关机器的重新讨论 104 5.2.2　 规范的阐述 106 5.3　过拟合和欠拟合 109 5.3.1　合成数据和线性回归 109 5.3.2　手动操控模型的复杂度 111 5.3.3　金凤花姑娘（“恰到好处”原则）：可视化过拟合、欠拟合和“ 拟合” 112 5.3.4　简单性 115 5.3.5　关于过拟合必须牢记的注意事项 116 5.4　从误差到成本 116 5.4.1　损失 116 5.4.2　成本 117 5.4.3　评分 118 5.5　（重新）抽样：以少胜多 119 5.5.1　交叉验证 119 5.5.2　分层抽样 122 5.5.3　重复的训练-测试集拆分 124 5.5.4　一种 好的方法和混排 127 5.5.5　留一交叉验证 131 5.6　分解：将误差分解为偏差和方差 132 5.6.1　数据的方差 133 5.6.2　模型的方差 133 5.6.3　模型的偏差 134 5.6.4　结合所有的因素 134 5.6.5　偏差-方差权衡示例 135 5.7　图形可视化评估和比较 139 5.7.1　学习曲线：到底需要多少数据 139 5.7.2　复杂度曲线 141 5.8　使用交叉验证比较机器学习模型 143 5.9　本章参考阅读资料 144 5.9.1　本章小结 144 5.9.2　章节注释 144 5.9.3　练习题 146 第6章　评估分类器 147 6.1　基线分类器 147 6.2　准确率以外：分类器的其他度量指标 149 6.2.1　从混淆矩阵中消除混淆 151 6.2.2　错误的方式 151 6.2.3　基于混淆矩阵的度量指标 152 6.2.4　混淆矩阵编码 154 6.2.5　处理多元类别：多元类别平均 156 6.2.6　F1分数 158 6.3　ROC曲线 159 6.3.1　ROC模式 161 6.3.2　二元分类ROC 162 6.3.3　AUC：（ROC）曲线下的面积 165 6.3.4　多元分类机器学习模型、“一对其他”和ROC 166 6.4　多元分类的另一种方法：“一对一” 168 6.4.1　“一对一”方法 168 6.4.2　多元分类AUC第二部分：寻找单一值 170 6.5　 率-召回率曲线 173 6.5.1　关于 率-召回率权衡的说明 173 6.5.2　构建 率-召回率曲线 174 6.6　累积响应和提升曲线 174 6.7　 复杂的分类器评估：第二阶段 177 6.7.1　二元分类 177 6.7.2　一个新颖的多元分类问题 182 6.8　本章参考阅读资料 187 6.8.1　本章小结 187 6.8.2　章节注释 187 6.8.3　练习题 189 第7章　评估回归器 190 7.1　基线回归器 191 7.2　回归器的其他度量指标 192 7.2.1　创建自定义的评估指标 192 7.2.2　其他内置的回归度量指标 193 7.2.3　R2 194 7.3　误差图和残差图 199 7.3.1　误差图 199 7.3.2　残差图 202 7.4　标准化初探 205 7.5　使用 复杂的方法评估回归系数：第二阶段 209 7.5.1　多个度量指标的交叉验证结果 210 7.5.2　交叉验证结果汇总 213 7.5.3　残差 214 7.6　本章参考阅读资料 216 7.6.1　本章小结 216 7.6.2　章节注释 2167.6.3　练习题 218 第三部分　 多方法和其他技术 第8章　 多分类方法 220 8.1　重温分类知识 220 8.2　决策树 222 8.2.1　树构建算法 224 8.2.2　让我们开始吧：决策树时间 227 8.2.3　决策树中的偏差和方差 230 8.3　支持向量分类器 230 8.3.1　执行支持向量分类器 233 8.3.2　SVC中的偏差和方差 236 8.4　逻辑回归 238 8.4.1　投注几率 239 8.4.2　概率、几率和对数几率 241 8.4.3　实现操作：逻辑回归版本 245 8.4.4　逻辑回归：空间奇异性 247 8.5　判别分析 248 8.5.1　协方差 249 8.5.2　方法 259 8.5.3　执行判别分析 260 8.6　假设、偏差和分类器 262 8.7　分类器的比较：第三阶段 264 8.8　本章参考阅读资料 267 8.8.1　本章小结 267 8.8.2　章节注释 267 8.8.3　练习题 270 第9章　 多回归方法 271 9.1　惩罚框中的线性回归：正则化 272 9.1.1　正则化回归概述 272 9.1.2　执行正则化回归 276 9.2　支持向量回归 277 9.2.1　铰链损失 277 9.2.2　从线性回归到正则化回归再到支持向量回归 280 9.2.3　实践应用：支持向量回归风格 282 9.3　分段常数回归 282 9.3.1　实施分段常数回归器 284 9.3.2　模型实现的一般说明 285 9.4　回归树 287 9.5　回归器比较：第三阶段 288 9.6　本章参考阅读资料 291 9.6.1　本章小结 291 9.6.2　章节注释 291 9.6.3　练习题 292 0章　手动特征工程：操作数据的乐趣和意义 293 10.1　特征工程的术语和动机 293 10.1.1　为什么选择特征工程 294 10.1.2　何时开始特征工程 294 10.1.3　特征工程是如何发生的 296 10.2　特征选择和数据简化：清除垃圾 296 10.3　特征缩放 297 10.4　离散化 300 10.5　分类编码 303 10.5.1　数据的编码技术 303 10.5.2　编码的另一种方式以及无截距的奇怪情况 306 10.6　关系和相互作用 312 10.6.1　手动特征构造 312 10.6.2　相互作用 314 10.6.3　使用转换器添加特征 319 10.7　对输入空间和目标的相关操作 320 10.7.1　对输入空间的相关操作 321 10.7.2　对目标的相关操作 323 10.8　本章参考阅读资料 325 10.8.1　本章小结 325 10.8.2　章节注释 326 10.8.3　练习题 326 1章　调整超参数和管道技术 328 11.1　模型、参数、超参数 329 11.2　调整超参数 330 11.2.1　关于计算机科学和机器学习术语的说明 331 11.2.2　关于完整搜索的示例 331 11.2.3　使用随机性在大海捞针 337 11.3　递归的神奇世界：嵌套交叉验证 337 11.3.1　重温交叉验证 338 11.3.2　作为模型的网格搜索 339 11.3.3　交叉验证中嵌套的交叉验证 340 11.3.4　关于嵌套交叉验证的注释 341 11.4　管道技术 344 11.4.1　一个简单的管道 344 11.4.2　 复杂的管道 346 11.5　管道和调参相结合 347 11.6　本章参考阅读资料 348 11.6.1　本章小结 348 11.6.2　章节注释 348 11.6.3　练习题 349 第四部分　 主题 2章　组合机器学习模型 352 12.1　集成 352 12.2　投票集成 354 12.3　装袋法和随机森林 355 12.3.1　自举 355 12.3.2　从自举到装袋法 358 12.3.3　随机森林 360 12.4　提升方法 362 12.4.1　提升方法的核心理念 362 12.4.2　提升方法实现细节 363 12.5　各种树集成方法的比较 365 12.6　本章参考阅读资料 368 12.6.1　本章小结 368 12.6.2　章节注释 368 12.6.3　练习题 370 3章　提供特征工程的模型 371 13.1　特征选择 373 13.1.1　基于度量特征的“单步筛选”方法 374 13.1.2　基于模型的特征选择 384 13.1.3　将特征选择与机器学习管道相集成 387 13.2　基于核的特征构造 389 13.2.1　核激励因子 389 13.2.2　手动核方法 394 13.2.3　核方法和核选项 398 13.2.4　核化支持向量分类器：支持向量机 401 13.2.5　关于SVM的建议和示例 403 13.3　主成分分析：一种无监督技术 404 13.3.1　预热：中心化数据 405 13.3.2　寻找不同的 线路 406 13.3.3　 次执行PCA 407 13.3.4　PCA的内部原理 410 13.3.5　结局：对一般PCA的评论 415 13.3.6　核心PCA和流形方法 415 13.4　本章参考阅读资料 419 13.4.1　本章小结 419 13.4.2　章节注释 419 13.4.3　练习题 424 4章　领域特征工程：领域特定的机器学习 425 14.1　处理文本 426 14.1.1　对文本进行编码 427 14.1.2　文本学习的示例 432 14.2　聚类 434 14.3　处理图像 436 14.3.1　视觉词袋 436 14.3.2　图像数据 437 14.3.3　端到端系统 438 14.3.4　全局视觉词袋转换器的完整代码 444 14.4　本章参考阅读资料 447 14.4.1　本章小结 447 14.4.2　章节注释 447 14.4.3　练习题 448 5章　连接、扩展和未来的研究方向 450 15.1　优化 450 15.2　基于原始数据的线性回归 453 15.2.1　线性回归的方法和分析 453 15.2.2　线性回归的可视化视图 456 15.3　基于原始数据构建逻辑回归 456 15.3.1　采用0-1编码的逻辑回归 458 15.3.2　加1减1编码的逻辑回归 459 15.3.3　逻辑回归的可视化视图 461 15.4　基于原始数据的SVM 461 15.5　神经网络 462 15.5.1　线性回归的神经网络视图 463 15.5.2　逻辑回归的神经网络视图 465 15.5.3　 基本神经网络 466 15.6　概率图模型 467 15.6.1　抽样 468 15.6.2　线性回归的概率图模型视图 469 15.6.3　逻辑回归的概率图模型视图 472 15.7　本章参考阅读资料 474 15.7.1　本章小结 474 15.7.2　章节注释 474 15.7.3　练习题 475 附录　mlwpy.py程序清单 476

显示全部信息

商品详情

基本信息

商品名称：机器学习Python版
作者：[美]马克·E. 芬纳（Mark E. Fenner）	定价：149	开本：16开
出版社：机械工业	ISBN号：9787111706007	页数：
出版时间：2022-07-01	版次：1	商品类型：图书
印刷时间：2022-07-01	印次：1

短评（）

好评率

全部好评中评差评有图评论

精彩评论

机器学习Python版

预售规则关闭

火把图书专营店运费说明

体验分期付款吧帮助

短评（）

长评（）

同类图书排行榜

提示关闭

填写咨询信息

下载免费当当读书APP

机器学习Python版

预售规则 关闭

火把图书专营店运费说明

体验分期付款吧帮助

短评（）

长评（）

同类图书排行榜

提示关闭

填写咨询信息

下载免费当当读书APP

预售规则关闭