机器学习基础与高级内容全面讲解，实例丰富，易于学习巩固。
电子书
编辑推荐
机器学习原理与实例代码，包括决策树、神经网络等11章。
内容简介
本书详细地介绍了机器学习的基本原理，并采用“原理简述 问题实例 实际代码 运行结果”的模式介绍常用算法。全书共11章，主要包括决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等内容。
章节目录
- 扉页
- 版权页
- 内容提要
- 前言
- 第1章 导论
- 1.1 引言
- 1.2 基本术语
- 1.3 概念学习与假设空间
- 1.4 归纳偏好
- 1.5 经验误差与过拟合
- 1.6 模型评估与选择
- 1.7 性能度量
- 1.8 发展历程
- 1.9 应用现状
- 习题1
- 第2章 Python初步
- 2.1 Python概述
- 2.2 NumPy库介绍
- 2.2.1 ndarray对象
- 2.2.2 ufunc函数
- 2.2.3 常用函数库
- 2.3 Matplotlib库介绍
- 2.3.1 快速绘制二维图表
- 2.3.2 Artist对象
- 2.3.3 配置属性
- 2.3.4 绘制三维图表
- 2.4 SciPy库函数
- 2.4.1 线性代数模块
- 2.4.2 优化和拟合模块
- 2.4.3 统计模块
- 2.4.4 稀疏矩阵模块
- 2.5 scikit-learn库函数
- 2.5.1 sklearn.datasets
- 2.5.2 模型选择与评价
- 2.5.3 scikit-learn的机器学习
- 习题2
- 第3章 决策树
- 3.1 引言
- 3.1.1 决策树的基本思想
- 3.1.2 决策树的构造
- 3.1.3 决策树的算法框架
- 3.1.4 信息增益
- 3.2 ID3决策树
- 3.2.1 ID3算法
- 3.2.2 ID3的实现
- 3.3 C4.5决策树
- 3.3.1 C4.5算法
- 3.3.2 C4.5的实现
- 3.4 sklearn与回归树
- 3.4.1 回归算法原理
- 3.4.2 最小剩余方差法
- 3.4.3 剪枝策略
- 3.4.4 sklearn实现
- 习题3
- 第4章 神经网络
- 4.1 引言
- 4.1.1 人工神经网络的发展历程
- 4.1.2 人工神经网络的特点
- 4.1.3 人工神经网络的分类
- 4.2 神经元模型
- 4.3 感知机与多层神经网络
- 4.3.1 感知机
- 4.3.2 梯度下降法
- 4.3.3 随机梯度下降法
- 4.3.4 多层神经网络
- 4.4 误差反向传播算法
- 4.4.1 BP神经网络学习算法
- 4.4.2 BP神经网络实验
- 4.5 玻耳兹曼机
- 4.5.1 BM的拓扑结构
- 4.5.2 BM的学习过程
- 4.6 综合案例
- 习题4
- 第5章 支持向量机
- 5.1 引言
- 5.2 线性分类
- 5.2.1 函数间隔与几何间隔
- 5.2.2 对偶问题
- 5.3 线性支持向量机
- 5.4 非线性支持向量机
- 5.4.1 核技巧
- 5.4.2 sklearn SVC
- 5.5 序列最小优化算法
- 5.6 综合案例
- 习题5
- 第6章 贝叶斯分类器
- 6.1 引言
- 6.2 朴素贝叶斯分类
- 6.2.1 朴素贝叶斯算法
- 6.2.2 朴素贝叶斯分类算法
- 6.2.3 朴素贝叶斯分类算法的Python实现
- 6.2.4 sklearn的朴素贝叶斯方法
- 6.3 极大似然估计
- 6.3.1 EM算法
- 6.3.2 EM算法步骤
- 6.3.3 三硬币的EM求解
- 6.3.4 sklearn的EM方法
- 6.4 贝叶斯网络
- 6.4.1 贝叶斯网络的构造和学习
- 6.4.2 贝叶斯网络应用举例
- 习题6
- 第7章 集成学习
- 7.1 引言
- 7.2 Voting
- 7.3 Bagging
- 7.4 Boosting
- 7.4.1 AdaBoost法
- 7.4.2 Gradient Boosting
- 7.5 综合案例
- 习题7
- 第8章 聚类
- 8.1 引言
- 8.1.1 聚类的概念
- 8.1.2 典型应用
- 8.1.3 常见算法分类
- 8.1.4 聚类算法中存在的问题
- 8.2 距离计算
- 8.2.1 闵可夫斯基距离
- 8.2.2 欧几里得距离
- 8.2.3 曼哈顿距离
- 8.2.4 切比雪夫距离
- 8.2.5 皮尔逊相关系数
- 8.2.6 余弦相似度
- 8.2.7 杰卡德相似系数
- 8.3 k-means聚类
- 8.3.1 算法思想
- 8.3.2 辅助函数
- 8.3.3 编程实现k-means算法
- 8.3.4 scikit-learn中的k-means方法
- 8.3.5 算法评价
- 8.3.6 算法改进k-means++
- 8.4 密度聚类
- 8.4.1 密度聚类算法思想
- 8.4.2 DBSCAN算法
- 8.4.3 密度峰值聚类
- 8.5 层次聚类
- 8.5.1 层次聚类思想
- 8.5.2 层次聚类实现
- 8.6 综合实例
- 8.6.1 聚类算法性能比较
- 8.6.2 算法总结
- 习题8
- 第9章 降维
- 9.1 引言
- 9.1.1 降维的概念
- 9.1.2 常见算法分类
- 9.2 k-近邻学习
- 9.2.1 算法实现
- 9.2.2 算法实例
- 9.2.3 算法关键
- 9.3 主成分分析
- 9.3.1 算法思想
- 9.3.2 算法实例
- 9.4 低维嵌入
- 9.4.1 算法原理
- 9.4.2 算法实例
- 9.4.3 算法评价
- 9.5 奇异值分解
- 9.5.1 SVD算法原理
- 9.5.2 SVD算法及应用示例
- 9.6 综合实例
- 9.6.1 PCA实例
- 9.6.2 SVD实例
- 习题9
- 第10章 概率图模型
- 10.1 引言
- 10.2 马尔科夫过程
- 10.2.1 基本概念
- 10.2.2 隐马尔科夫模型
- 10.3 Viterbi算法
- 10.4 综合案例
- 习题10
- 第11章 深度学习初步
- 11.1 引言
- 11.2 表示问题
- 11.3 学习问题
- 11.4 优化问题
- 11.5 认知问题
- 11.6 基本模型
- 11.6.1 自编码器
- 11.6.2 受限玻耳兹曼机
- 11.6.3 卷积神经网络
- 11.7 TensorFlow的简介与安装
- 11.7.1 Python 3环境
- 11.7.2 安装TensorFlow
- 11.7.3 验证
- 11.8 TensorFlow的基本使用
- 11.9 基于卷积神经网络的MNIST手写体识别实验
- 11.9.1 conv2d函数
- 11.9.2 max_pool函数
- 11.9.3 示例程序
- 习题11
- 参考文献
展开全部
机器学习及应用（在线实验+在线自测）是2019年由人民邮电出版社出版,作者李克清。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《机器学习及应用（在线实验+在线自测）》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
机器学习基础与高级内容全面讲解，实例丰富，易于学习巩固。
电子书
《机器学习实战》面向日常任务的高效实战内容，介绍并实现机器学习的主流算法。
电子书
本书通过152张图表详解17种常用算法，初学者也能轻松读懂。
电子书
基于Python3.X讲解，从入门到实战，全面讲解Python爬虫技术。全书重点难点附带微课讲解，书网融合互动学习。
电子书
（1）大量图例，简单易懂。作者亲自绘制了大量插图，力求还原深度学习的算法思想，分解和剖析晦涩的算法，用图例来表示复杂的问题。生动的图例也能给读者带来阅读乐趣，快乐地学习算法知识...