本书是《大学计算机基础》（第二版）（中国铁道出版社有限公司，《大学计算机基础》编写组）的配套教材。本书的编写目的是供教师指导实验教学、学生自学使用。 本书包括了主教材中需要上机操作的内容，主要内容有Windows10操作系统、办公自动化软件Office2010（Word2010、Excel2010、PowerPoint2010）、数据库应用基础、计算机网络与Internet技术基础、计算机信息安
电子书
内容简介
近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学和计算机科学知识的情况下，能够快速上手，使用 Python 语言实现常用的机器学习算法，并解决一些实际的问题，我们策划并出版本书。本书共 14 章，内容涵盖基本的机器学习概念和环境搭建，目前各个领域中的热门算法，以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门，在动手实践的过程中找到乐趣。本书可以作为各大院校人工智能相关专业的教材，也可以作为培训机构的教材，还适合人工智能技术爱好者自学使用。
章节目录
- 第1 章机器学习概述
- 技能目标
- 本章任务
- 任务1.1 了解机器学习的基本概念
- 1.1.1 什么是机器学习
- 1.1.2 机器学习的起源与发展
- 任务1.2 了解机器学习的应用场景
- 1.2.1 机器学习在日常生活中的应用
- 1.2.2 机器学习在不同行业中的应用
- 任务1.3 了解机器学习的学习路径
- 1.3.1 学习机器学习的先决条件
- 1.3.2 开启你的“海绵模式”
- 1.3.3 开始动手实践
- 任务1.4 掌握机器学习的相关知识
- 本章小结
- 本章习题
- 第2 章机器学习工具的安装与使用
- 技能目标
- 本章任务
- 任务2.1 掌握Anaconda 的安装与使用
- 2.1.1 下载安装Anaconda
- 2.1.2 Jupyter Notebook 的使用
- 任务2.2 掌握pandas 和可视化工具的基本使用方法
- 2.2.1 pandas 的基本使用方法
- 2.2.2 可视化工具的基本使用方法
- 任务2.3 掌握scikit-learn 的基本操作
- 2.3.1 使用scikit-learn 加载并检查数据
- 2.3.2 使用scikit-learn 训练模型并评估
- 2.3.3 保存和载入训练好的模型文件
- 本章小结
- 本章习题
- 第3 章线性模型
- 技能目标
- 本章任务
- 任务3.1 掌握线性模型的基本概念与线性回归的使用
- 3.1.1 线性模型的基本概念
- 3.1.2 线性回归模型的使用
- 任务3.2 掌握岭回归的原理及使用
- 3.2.1 岭回归的原理
- 3.2.2 岭回归的使用
- 任务3.3 掌握套索回归的原理及使用
- 3.3.1 套索回归的原理
- 3.3.2 套索回归的参数调节
- 任务3.4 了解逻辑回归和线性支持向量机
- 3.4.1 逻辑回归与线性支持向量机简介
- 3.4.2 训练逻辑回归模型并预测
- 3.4.3 训练线性支持向量机模型并预测
- 本章小结
- 本章习题
- 第4 章决策树和随机森林
- 技能目标
- 本章任务
- 任务4.1 初步掌握决策树算法
- 4.1.1 什么是决策树算法
- 4.1.2 决策树的基本使用方法
- 4.1.3 决策树中的max_depth 参数
- 4.1.4 决策树的模型展现
- 4.1.5 决策树的优势与不足
- 任务4.2 初步掌握随机森林算法
- 4.2.1 什么是随机森林算法
- 4.2.2 随机森林算法中的参数解释
- 4.2.3 随机森林与决策树模型的差异
- 4.2.4 随机森林的优势与不足
- 任务4.3 使用决策树与随机森林实战练习
- 4.3.1 下载数据集并载入
- 4.3.2 了解数据集的特征
- 4.3.3 使用数据集训练决策树与随机森林
- 本章小结
- 本章习题
- 第5 章支持向量机
- 技能目标
- 本章任务
- 任务5.1 理解支持向量机的基本原理
- 5.1.1 “线性不可分”的数据集
- 5.1.2 将数据投射到高维空间
- 5.1.3 “不线性”的支持向量机
- 任务5.2 理解支持向量机的核函数和gamma 参数
- 5.2.1 支持向量机的RBF 内核
- 5.2.2 不同内核的支持向量机对比
- 5.2.3 gamma 参数对模型的影响
- 5.2.4 支持向量机中的C 参数
- 5.2.5 支持向量机的优势与不足
- 任务5.3 使用支持向量机算法进行实战练习
- 5.3.1 数据集准备与初步了解
- 5.3.2 探索性数据分析
- 5.3.3 初步训练支持向量机模型
- 5.3.4 对数据进行预处理并重新训练模型
- 本章小结
- 本章习题
- 第6 章朴素贝叶斯
- 技能目标
- 本章任务
- 任务6.1 了解朴素贝叶斯的基本原理和使用方法
- 6.1.1 朴素贝叶斯算法的基本原理
- 6.1.2 朴素贝叶斯用法示例
- 任务6.2 了解不同朴素贝叶斯变体的差异
- 6.2.1 伯努利朴素贝叶斯的不足
- 6.2.2 用高斯朴素贝叶斯替代伯努利朴素贝叶斯
- 6.2.3 多项式朴素贝叶斯简介
- 任务6.3 掌握朴素贝叶斯的实际应用
- 6.3.1 获取数据集并检查
- 6.3.2 数据预处理与模型训练
- 6.3.3 样本数量对朴素贝叶斯模型的影响
- 本章小结
- 本章习题
- 第7 章K 最近邻算法
- 技能目标
- 本章任务
- 任务7.1 了解K 最近邻算法的原理
- 任务7.2 掌握K 最近邻算法在分类任务中的应用
- 7.2.1 K 最近邻算法在二元分类任务中的应用
- 7.2.2 K 最近邻算法处理多元分类任务
- 任务7.3 掌握K 最近邻算法在回归分析中的应用
- 任务7.4 使用K 最近邻算法实战练习
- 7.4.1 对数据集进行分析
- 7.4.2 生成训练集和验证集
- 7.4.3 使用K 最近邻算法进行建模并调优
- 7.4.4 使用模型对新样本进行预测
- 本章小结
- 本章习题
- 第8 章神经网络
- 技能目标
- 本章任务
- 任务8.1 了解神经网络的起源与发展
- 8.1.1 了解神经网络的起源
- 8.1.2 了解神经网络的发展
- 任务8.2 掌握神经网络的原理
- 任务8.3 掌握神经网络中的激活函数
- 8.3.1 了解激活函数
- 8.3.2 使用激活函数
- 任务8.4 掌握神经网络中的参数调节
- 8.4.1 分析数据集并展现
- 8.4.2 参数调节
- 任务8.5 使用神经网络解决实际问题
- 8.5.1 分析fashion-mnist 数据集
- 8.5.2 训练MLP 神经网络
- 8.5.3 使用模型进行图像识别
- 本章小结
- 本章习题
- 第9 章聚类
- 技能目标
- 本章任务
- 任务9.1 了解聚类算法的原理与用途
- 9.1.1 了解聚类算法的原理
- 9.1.2 了解聚类算法的用途
- 任务9.2 掌握K 均值算法的原理和使用
- 9.2.1 了解K 均值算法的原理
- 9.2.2 使用K 均值算法进行简单聚类分析
- 任务9.3 掌握DBSCAN 算法的原理和使用
- 9.3.1 了解DBSCAN 算法的原理
- 9.3.2 使用DBSCAN 算法进行简单聚类分析
- 任务9.4 使用聚类算法解决实际问题
- 9.4.1 对数据集进行分析
- 9.4.2 使用K 均值算法进行聚类分析
- 本章小结
- 本章习题
- 第10 章数据降维、特征提取与流形学习
- 技能目标
- 本章任务
- 任务10.1 使用PCA 进行数据降维
- 10.1.1 PCA 介绍
- 10.1.2 使用PCA 降维以便进行可视化
- 10.1.3 PCA 主成分与原始特征的关系
- 任务10.2 使用PCA 中的数据白化功能进行特征提取
- 10.2.1 使用人脸识别数据集进行试验
- 10.2.2 使用PCA 进行特征提取
- 10.2.3 特征提取对模型准确率的影响
- 任务10.3 使用t-SNE 对数据降维并进行可视化
- 10.3.1 t-SNE 简介
- 10.3.2 使用PCA 降维作为Baseline
- 10.3.3 使用t-SNE 降维并进行可视化
- 本章小结
- 本章习题
- 第11 章模型选择、优化及评估
- 技能目标
- 本章任务
- 任务11.1 掌握交叉验证方法对模型进行评估
- 11.1.1 交叉验证法简介
- 11.1.2 K-折交叉验证法
- 11.1.3 随机拆分和留一交叉验证法
- 任务11.2 掌握网格搜索法寻找模型的最优参数
- 11.2.1 了解及使用简单网格搜索
- 11.2.2 与交叉验证结合的网格搜索
- 任务11.3 掌握模型的不同评价标准
- 11.3.1 分类模型的评价标准
- 11.3.2 使用R 平方分数评估回归模型
- 本章小结
- 本章习题
- 第12 章数据预处理与特征选择
- 技能目标
- 本章任务
- 任务12.1 掌握常用的数据标准化方法
- 12.1.1 使用StandardScaler 进行数据预处理
- 12.1.2 使用MinMaxScaler 进行数据标准化处理
- 12.1.3 使用Normalizer 进行数据标准化处理
- 12.1.4 使用RobustScaler 进行数据标准化处理
- 任务12.2 掌握常用的数据表达方法
- 12.2.1 虚拟变量
- 12.2.2 数据分箱
- 任务12.3 掌握常用的特征选择方法
- 12.3.1 单变量统计
- 12.3.2 基于模型的特征选择
- 12.3.3 迭代特征选择
- 本章小结
- 本章习题
- 第13 章处理文本数据
- 技能目标
- 本章任务
- 任务13.1 掌握文本数据的特征提取、汉语分词和词包模型
- 13.1.1 基于计数向量器的文本特征提取
- 13.1.2 对汉语文本进行分词处理
- 13.1.3 使用词包模型将文本转换为数组
- 任务13.2 文本数据的进一步优化处理
- 13.2.1 默认参数下词包模型的问题
- 13.2.2 调整n_Gram 参数重新建立模型
- 任务13.3 使用真实数据进行实战练习
- 13.3.1 载入数据集并查看特征
- 13.3.2 文本数据预处理
- 13.3.3 使用朴素贝叶斯算法训练模型
- 13.3.4 使用模型判断消费者评论
- 本章小结
- 本章习题
- 第14 章未来职业发展前景与方向
- 技能目标
- 本章任务
- 任务 了解数据科学家的职业发展
- 14.1 数据科学家的养成
- 14.2 在实践中提高技能
- 14.3 未来的学习方向
- 本章小结
- 本章习题
展开全部
机器学习基础是2021年由人民邮电出版社出版,作者编著。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习基础》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书是根据教育部《关于进一步加强高等学校计算机基础教学的意见》中有关“大学计算机基础”课程的教学要求编写的。全书共9章，主要内容包括计算机基础知识、Windows10操作系统管理、Word2010文字处理、Excel2010电子表格处理、PowerPoint2010演示文稿制作、数据库应用基础、计算机网络与Internet技术基础、计算机信息安全、多媒体技术等。 本书从培养学生的计算思维出发，兼
电子书
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
电子书
大数据时代为机器学习的应用提供了广阔的空间，各行各业涉及数据分析的工作都需要使用机器学习算法。本书围绕实际数据分析的流程展开，着重介绍数据探索、数据预处理和常用的机器学习算法模型。本书从解决实际问题的角度出发，介绍回归算法、分类算法、推荐算法、排序算法和集成学习算法。在介绍每种机器学习算法模型时，书中不但阐述基本原理，而且讨论模型的评价与选择。为方便读者学习各种算法，本书介绍了R语言中相应的软件包
电子书
本书讲解了计算机基础知识、WindowsXP操作系统、文字处理软件Word2003、电子表格Excel2003等内容。
电子书
本书以LEGOMINDSTORMS作为机器人平台，通过全方位的编程实例讲解，深入介绍了ROBOTS的编程方法。
电子书
Wedo2.0中的图形化编程只是简单的模块拖拽以及一些常用的逻辑，简单、形象、有趣，孩子们容易理解、接受。在前面纯搭建稍微觉得枯燥之后，再注入这个有趣的编程，使孩子们能够更加爱不释手的去探索编程所带来的机器人魅力。这对孩子的编程兴趣培养起了很大的作用，让孩子们不会认为编程难而产生抵触心理。Wedo2.0的编程课程也是与生活中的事物相关，孩子们可以借助这些传感器、编程，对一些结构、原理进行探究，去寻
