新書推薦：
《
文弱书生：前现代中国的男性气概
》
售價：HK$
96.8
《
念遥遥 （口碑作者Further古言意难平之作）
》
售價：HK$
47.1
《
大清300年
》
售價：HK$
74.8
《
大学问·亦官亦商：明清时期天津的盐商与社会（一部盐商视角下的微观中国近代史，展现地方商人如何塑造一座城市的命运）
》
售價：HK$
96.8
《
真希望父母能这样爱我
》
售價：HK$
54.8
《
动画视频+全彩图解 人工智能与无人驾驶汽车
》
售價：HK$
76.9
《
江恩时空理论：精华笔记图文版
》
售價：HK$
86.9
《
时刻人文·1368：中国与现代世界之形成
》
售價：HK$
85.8
|
| 編輯推薦： |
全面、深入剖析机器学习的算法原理和模型构建等核心技术
结合大量实例和两个实战项目案例展现各种算法的实际应用
详解监督学习、无监督学习和强化学习的理论基础与应用场景
详解模型训练中的风险函数、参数寻优方法，以及欠拟合与过拟合解决方案
深入解析机器学习常用经典模型的基本原理及其Python实现
详解数据标准化、异常值检测、缺失值处理和特征筛选等数据预处理技术
详解两个典型项目实战案例，带领读者动手实践，提高实际开发水平
内容丰富：详解机器学习的基础知识和相关算法原理并进行实践，还对深度学习的基础知识进行讲解，帮助读者系统掌握机器学习的完整知识体系。
循序渐进：从机器学习的基本概念和环境搭建开始讲解，逐步深入其算法原理和模型构建等核心技术，最后进行项目实战，学习梯度非常平滑。
理论结合实践：不仅深入剖析机器学习的常用算法原理和模型构建方法，而且基于Python进行实践，从理论和实践两个维度展现其核心技术。
案例实战：通过行人检测和厨余垃圾处理的指标预测两个典型案例，带领读者进行项目实战，提高他们的动手能力和开发水平。
经验总结：归纳和总结大量的实战经验和技巧，并给出多个
|
| 內容簡介： |
《机器学习原理与Python实践》结合大量实例详细介绍机器学习的相关算法原理并利用Python语言进行实践，内容涵盖机器学习的完整知识体系和深度学习的基础知识，如多层感知器和卷积神经网络等。《机器学习原理与Python实践》除了项目实战外的各章均提供大量习题并给出参考答案和解题代码。通过阅读《机器学习原理与Python实践》，读者可以较为全面、系统地掌握机器学习和深度学习的相关知识。
來源：香港大書城megBookStore,http://www.megbook.com.hk
《机器学习原理与Python实践》共18章，分为3篇。第1篇机器学习基础知识，主要介绍机器学习的基本概念、机器学习的基本流程与模型、搭建机器学习环境并进行应用实践、基于Azure的机器学习云平台搭建等相关知识；第2篇机器学习核心技术，主要介绍模型训练的数学原理、多样性特征解析、数据标准化与特征筛选、贝叶斯分类器、广义线性模型、支持向量机、决策树、人工神经网络、集成学习、模型的正则化、模型的评价与选择、无监督学习（如K-Means聚类、GMM聚类、谱聚类、密度聚类等）；第3篇机器学习项目实战，采用行人检测和厨余垃圾处理的指标预测两个典型案例，带领读者进行项目实战，提高读者的实际开发水平。
《机器学习原理与Python实践》内容丰富，讲解循序渐进，适合机器学习的入门与进阶人员阅读，也适合人工智能领域的开发者和爱好者阅读，还适合高等院校人工智能等相关专业作为教材，相关培训机构也可作为培训教材。
|
| 關於作者： |
|
卓泽滨， 毕业于华南理工大学。在校期间获得全国大学生数学建模竞赛省二等奖、认证杯国际建模比赛国际赛Meritorious奖（二等奖）、MathorCup高校数学建模挑战赛全国三等奖和泰迪杯数据挖掘挑战赛全国二等奖等。开通CSDN博客，发表技术博文150余篇，阅读量高达76万。毕业后供职于中国电器科学研究院股份有限公司，任开发工程师。申请两项发明专利。考取了工程和信息化部教育与考试中心颁发的软件评测工程师证书和泰迪智能研究院国际培训中心颁发的大数据分析工程师证书。对机器学习和深度学习等人工智能开发技术有广泛的涉猎和深入的研究。
|
| 目錄：
|
第1篇 机器学习基础知识
第1章 机器学习的基本概念 2
1.1 机器学习的定义 2
1.1.1 机器学习的相关学科 3
1.1.2 机器学习与统计学习 4
1.2 机器学习的作用 5
1.3 机器学习的分类 6
1.3.1 监督学习 6
1.3.2 无监督学习 6
1.3.3 强化学习 7
1.3.4 其他 8
1.4 习题 8
参考文献 8
第2章 机器学习的基本流程与模型 9
2.1 从一元线性回归开始 9
2.1.1 实例：梅花鹿湿重预测 9
2.1.2 模型求解 10
2.1.3 模型评价 11
2.2 机器学习模型 13
2.2.1 基本概念 13
2.2.2 参数模型与无参数模型 14
2.3 模型的训练过程 15
2.3.1 风险函数 15
2.3.2 参数寻优方法简介 18
2.4 模型的评价方法 19
2.4.1 评价拟合优度的常见指标 20
2.4.2 欠拟合与过拟合 23
2.4.3 防止过拟合的办法 25
2.5 简单的机器学习模型 25
2.5.1 一元非线性回归 25
2.5.2 MATLAB曲线拟合工具 26
2.5.3 KNN算法 28
2.6 小结 30
2.7 习题 31
参考文献 32
第3章 搭建机器学习环境并进行应用实践 33
3.1 搭建Python开发环境 33
3.1.1 安装Anaconda 34
3.1.2 安装OpenCV模块 36
3.2 MATLAB常用工具箱简介 38
3.2.1 函数句柄与搜索路径 38
3.2.2 优化工具箱 39
3.2.3 统计与机器学习工具箱 41
3.2.4 深度学习工具箱 43
3.2.5 其他有用的工具 44
3.3 多元线性回归及其Python实现 44
3.3.1 案例：Boston房价预测 44
3.3.2 多元线性回归的一般步骤 45
3.3.3 Python实现 45
3.3.4 Ridge回归 48
3.4 逻辑回归及其Python实现 49
3.4.1 逻辑回归的原理 50
3.4.2 逻辑回归的训练 51
3.4.3 分类阈值的选取 51
3.4.4 实例：鸢尾花分类问题 53
3.4.5 类别不均衡 55
3.4.6 多分类转换为二分类 60
3.5 习题 62
参考文献 66
第4章 基于Azure的机器学习云平台搭建 67
4.1 注册Azure 68
4.1.1 注册步骤 68
4.1.2 登录Azure 69
4.2 创建Azure机器学习工作区 70
4.2.1 订阅 71
4.2.2 创建机器学习工作区 71
4.3 使用Azure机器学习Notebook 75
4.3.1 启动工作室 75
4.3.2 新建Notebook 76
4.3.3 在Notebook中执行简单的机器学习任务 77
4.4 习题 81
第2篇 机器学习核心技术
第5章 模型训练的数学原理 84
5.1 风险函数 84
5.1.1 最小二乘法 84
5.1.2 极大似然法 85
5.1.3 极大后验假设法 89
5.1.4 基于信息论的风险函数 89
5.2 模型训练与优化问题 90
5.3 线性搜索 90
5.3.1 0.618法 91
5.3.2 步长选取准则 91
5.3.3 对应的搜索算法 93
5.4 常见的优化算法 93
5.4.1 梯度下降法 94
5.4.2 坐标下降法 94
5.4.3 牛顿法 95
5.4.4 拟牛顿法 96
5.4.5 收敛速率 97
5.4.6 几何分析 97
5.5 随机搜索算法 98
5.5.1 随机梯度下降法 99
5.5.2 单位化梯度 99
5.5.3 动量法 100
5.5.4 单位化结合动量法 100
5.6 约束优化方法 102
5.7 其他优化算法 102
5.7.1 网格寻优法 103
5.7.2 模拟退火法 104
5.7.3 遗传算法 105
5.8 习题 105
参考文献 106
第6章 多样性特征解析 108
6.1 类别变量处理 108
6.1.1 有序类别变量 108
6.1.2 无序类别变量 110
6.1.3 字典变量 112
6.1.4 变量离散化 113
6.2 文本处理 113
6.2.1 文本预处理 114
6.2.2 词汇处理 115
6.2.3 特征提取 117
6.2.4 网页处理 119
6.2.5 汉语言处理 119
6.3 图像处理 120
6.3.1 图像读取 120
6.3.2 图像转换 122
6.3.3 图像缩放 123
6.3.4 边缘检测 125
6.3.5 Harris边角检测 127
6.3.6 图像转特征 129
6.4 习题 133
参考文献 135
第7章 数据标准化与特征筛选 136
7.1 数据标准化 136
7.1.1 特征标准化 137
7.1.2 对稀疏矩阵的标准化 140
7.1.3 个体标准化 141
7.1.4 非线性标准化 141
7.2 异常值检测 142
7.2.1 四分差法 142
7.2.2 正态分布法 142
7.2.3 K-Means聚类法 143
7.2.4 LOF法 144
7.2.5 监督学习法 144
7.3 缺失值处理 145
7.3.1 统计量替代法 145
7.3.2 一元回归模型法 145
7.3.3 子模型法 146
7.4 特征过滤 147
7.4.1 维度灾难 147
7.4.2 方差过滤法 148
7.4.3 相关系数过滤法 149
7.4.4 单因素方差分析 151
7.4.5 递归特征删除 152
7.5 特征降维 152
7.5.1 主成分分析 152
7.5.2 PCA的核函数 154
7.6 习题 156
参考文献 158
第8章 贝叶斯分类器 159
8.1 贝叶斯理论 159
8.1.1 概率论基础 160
8.1.2 贝叶斯公式 160
8.2 朴素贝叶斯分类器 161
8.2.1 朴素贝叶斯分类器的原理 161
8.2.2 拉普拉斯修正 164
8.2.3 朴素贝叶斯分类器的Python实现 164
8.2.4 实例：邮件过滤器的实现 165
8.3 贝叶斯网络 167
8.3.1 贝叶斯网络的基本概念 167
8.3.2 贝叶斯网络的构成 168
8.3.3 贝叶斯网络的查询 169
8.3.4 贝叶斯网络的Python实现 169
8.4 半朴素贝叶斯分类器 170
8.4.1 删除法 170
8.4.2 删除结合法 171
8.4.3 网络法 171
8.5 习题 172
参考文献 173
第9章 广义线性模型 174
9.1 广义线性模型简介 174
9.1.1 经典线性模型的缺陷 174
9.1.2 广义线性模型的原理 175
9.2 指数族分布 176
9.2.1 指数族分布简介 176
9.2.2 常见的分布 177
9.3 模型求解 178
9.4 Softmax回归 179
9.4.1 Softmax回归的原理 179
9.4.2 模型训练 181
9.4.3 实例：手写体识别模型 181
9.5 习题 183
参考文献 184
第10章 支持向量机 185
10.1 支持向量机的基本原理 185
10.1.1 划分超平面与间隔 186
10.1.2 支持向量机的基本模型 187
10.2 支持向量分类器 188
10.2.1 线性硬间隔分类器 189
10.2.2 线性软间隔分类器 189
10.2.3 核函数与非线性分类器 191
10.2.4 v支持向量分类器 192
10.3 支持向量回归机 193
10.3.1 ε带超平面 193
10.3.2 线性硬间隔回归机 194
10.3.3 线性软间隔回归机 196
10.3.4 v支持向量机回归 197
10.4 支持向量机的Python实现 198
10.4.1 软间隔SVC的实现 199
10.4.2 核软间隔SVC 200
*10.4.3 v-SVC的实现 201
10.4.4 软间隔SVR的实现 201
10.5 习题 202
参考文献 204
第11章 决策树 205
11.1 决策树简介 205
11.1.1 决策树的结构 205
11.1.2 决策树的使用 207
11.2 分类决策树 208
11.2.1 构造分类决策树 208
11.2.2 模型求解 210
11.2.3 剪枝处理 211
11.2.4 分类决策树的Python实现案例 213
11.3 回归决策树 215
11.3.1 模型训练与求解 215
11.3.2 回归决策树的Python实现案例 216
11.3.3 模型缺点与实践技巧 217
11.4 习题 218
参考文献 219
第12章 人工神经网络 220
12.1 人工神经网络简介 220
12.1.1 神经网络的原理 220
12.1.2 多层感知器 221
12.2 BP神经网络 223
12.2.1 BP神经网络的构成 223
12.2.2 BP神经网络的训练 225
12.2.3 BP神经网络的Python实现 226
12.2.4 Keras与Sklearn的交互 230
12.3 卷积神经网络 231
12.3.1 卷积层 231
12.3.2 池化层 233
12.3.3 Flatten层 233
12.3.4 卷积神经网络的Python实现 234
12.4 习题 236
参考文献 237
第13章 集成学习 238
13.1 集成学习简介 238
13.1.1 集成算法简介 238
13.1.2 集成学习的优点 239
13.2 Bagging集成与随机森林 240
13.2.1 Bagging集成的原理 240
13.2.2 随机森林的原理 241
13.2.3 Bagging集成与随机森林的Python实现 242
13.3 Boosting集成与AdaBoost集成 243
13.3.1 AdaBoost集成的原理 244
13.3.2 AdaBoost集成的Python实现 245
13.4 Stacking集成 246
13.4.1 Stacking集成的原理 247
13.4.2 Stacking集成的Python实现 248
13.5 习题 250
参考文献 251
第14章 模型的正则化 252
14.1 结构风险与正则化 252
14.1.1 经验风险与过拟合 252
14.1.2 结构风险与正则化 253
14.1.3 正则化的原理 254
14.2 常见模型的正则化 256
14.2.1 广义线性回归模型的正则化 256
14.2.2 其他模型的正则化 257
14.3 正则化的实现 258
14.3.1 Lasso与ElasticNet的正则化 259
14.3.2 Dropout的正则化 260
14.4 习题 262
参考文献 262
第15章 模型的评价与选择 263
15.1 没有免费午餐定理 263
15.2 模型评价指标 263
15.2.1 回归指标 264
15.2.2 分类指标 265
15.2.3 拆分数据集 267
15.3 模型选择 267
15.3.1 验证集法 268
15.3.2 自助采样法 268
15.3.3 交叉验证法 269
15.3.4 留一法 271
15.3.5 T检验法 272
15.4 参数选择 273
15.4.1 遍历法 273
15.4.2 网格寻优法 273
15.5 流程总结 275
15.5.1 选择模型的整体流程 275
15.5.2 案例：葡萄酒分类模型 277
15.6 习题 279
参考文献 280
第16章 无监督学习 281
16.1 聚类简介 281
16.2 K-Means聚类算法 282
16.2.1 K-Means聚类的原理 282
16.2.2 K-Means聚类的Python实现 283
16.2.3 K-Means聚类的缺点 285
16.3 GMM聚类 287
16.3.1 GMM的原理 287
16.3.2 GMM聚类的Python实现 288
16.3.3 聚类簇数的选择 289
16.3.4 GMM的缺点 290
16.4 谱聚类 290
16.4.1 谱聚类的原理 290
16.4.2 谱聚类算法 294
16.4.3 谱聚类的Python实现 295
16.4.4 谱聚类的优缺点 296
16.5 密度聚类 296
16.5.1 密度聚类算法的原理 296
16.5.2 密度聚类算法的Python实现 297
16.5.3 密度聚类算法的优缺点 298
16.6 深度自动编码器 298
16.6.1 深度自动编码器的原理 298
16.6.2 深度自动编码器的Python实现 299
16.7 习题 300
参考文献 303
第3篇 机器学习项目实战
第17章 行人检测项目 306
17.1 技术清单 306
17.2 项目描述 307
17.3 数据读取与预处理 308
17.3.1 读取图像 308
17.3.2 数据预处理 311
17.4 参数筛选与模型筛选 314
17.4.1 参数筛选 314
17.4.2 模型筛选 315
17.5 模型应用 317
17.6 动态窗口调整与行人检测模型的改进 318
第18章 厨余垃圾处理的指标预测项目 320
18.1 技术清单 320
18.2 项目描述 321
18.3 数据读取与预处理 322
18.4 参数筛选与模型筛选 326
18.4.1 参数筛选 326
18.4.2 模型筛选 327
18.5 神经网络预测产出物COD 328
18.5.1 BP神经网络 328
18.5.2 集成神经网络 329
18.6 VFA正常范围分析 330
18.7 预测产出物COD的挑战与解决方法 332
附录A Python语言基础知识 333
A.1 注释 333
A.2 导入模块 333
A.3 常用的数据结构 334
A.4 结构表达式 336
A.5 自定义函数 336
A.6 模块化编程 337
附录B 模型的保存与导入 339
B.1 保存与导入Sklearn模型 339
B.2 保存与导入Keras模型 339
|
| 內容試閱：
|
随着大数据和人工智能的快速发展，机器学习在各行各业中的应用变得越来越广泛和深入，从推荐系统和图像处理到自然语言处理，都无不体现出机器学习技术的强大。在面对复杂的机器学习模型和大规模数据时，像Excel这样的传统数据处理工具往往显得力不从心，而Python作为一款高效、简洁的编程语言，不仅功能强大，而且有丰富的文档和社区支持，能轻松解决这些问题，因此成为机器学习领域的首选工具。
在长期的机器学习研究和应用实践中，笔者深刻地体会到了Python语言的巨大优势：它生态系统完整，拥有大量现成的数据分析和机器学习库，如NumPy、pandas和scikit-learn等，无论是数据预处理和特征解析，还是模型构建和结果分析等，这些库都能提供高效且简洁的解决方案，从而帮助研发人员较为轻松地实现复杂的机器学习算法应用。
为了帮助读者全面、深入地理解机器学习的基本原理并进行应用实践，笔者结合自己多年的机器学习研发和实践经验编写了本书。相信通过本书，可以帮助读者全面、系统、深入地掌握机器学习的相关基础知识和核心技术，从而对机器学习的相关算法原理和模型构建方法等知识有一个全面、深入的理解，为从事相关研发工作打好基础。
本书特色
? 内容丰富：详细讲解机器学习的基础知识和相关算法原理并进行应用实践，还对深度学习的基础知识进行讲解，从而帮助读者系统掌握机器学习完整的知识体系。
? 循序渐进：从机器学习的基本概念和环境搭建开始讲解，逐步深入机器学习的相关算法原理和模型构建等核心技术，最后进行项目实战，学习梯度非常平滑。
? 理论结合实践：不仅深入剖析机器学习的常用算法原理和模型构建方法，而且结合大量实例用Python语言进行实践，从理论和实践两个维度带领读者学习机器学习的相关知识。
? 案例实战：通过行人检测和厨余垃圾处理的指标预测两个典型案例带领读者进行项目实战，从而提高他们的实际动手能力和开发水平。
? 经验总结：讲解中给出笔者归纳和总结的大量实战经验及技巧，并给出多个“避坑”提示，帮助读者提高实战技能并避开一些弯路，从而更加顺利地进行机器学习应用实践。
? 配实训习题：除项目实战外的各章均提供大量的实训习题并给出参考答案和解题代码，让读者通过动手练习能够更好地掌握和巩固相关知识。
? 赠超值资料：附赠实例源代码和教学PPT等学习资料，便于读者高效、直观地学习，也方便高等院校相关授课老师教学时使用。
本书内容
本书共18章，分为3篇，分别是机器学习基础知识、机器学习核心技术、机器学习项目实战。
第1篇 机器学习基础知识
本篇包括第1～4章，首先介绍机器学习的基本概念，帮助读者理解机器学习的定义、作用和各种不同类型的机器学习方法；然后详细介绍机器学习的基本流程，从一元线性回归模型开始，逐步介绍模型的基本概念、训练过程和评价方法等；接着介绍Python开发环境的搭建和MATLAB常用工具箱的使用，以及多元线性回归和逻辑回归及其Python实现；最后介绍基于Azure的机器学习云平台搭建。
通过学习本篇内容，读者可以初步掌握机器学习的基础知识，为后续章节的算法学习和模型构建打好基础。
第2篇 机器学习核心技术
本篇包括第5～16章，主要介绍模型训练的数学原理、多样性特征解析、数据标准化与特征筛选、贝叶斯分类器、广义线性模型、支持向量机、决策树、人工神经网络（BP神经网络、卷积神经网络）、集成学习、模型的正则化、模型的评价与选择、无监督学习（如K-Means聚类、GMM聚类、谱聚类、密度聚类）等相关知识。本篇不但详细介绍机器学习相关算法和模型的基本原理，而且给出多个典型实例并用Python语言进行实现，从而带领读者进行机器学习应用实践。
通过学习本篇内容，读者可以全面、深入地理解机器学习的算法原理和模型构建方法等核心技术，为后续章节的机器学习项目实战打好基础。
第3篇 机器学习项目实战
本篇包括第17、18章，主要通过行人检测和厨余垃圾处理的指标预测两个典型案例带领读者进行项目实战，帮助读者将前面章节所学的知识应用到实际问题的解决之中。本篇不但详细介绍项目的技术清单、数据读取与预处理，而且详细介绍项目的模型筛选、训练与应用等。
通过学习本篇内容，读者可以巩固和应用前面章节所学的知识，并了解机器学习项目开发的基本流程，从而提高实际动手能力，为自己的职业道路奠定基础。
附录A主要介绍Python语言的基础知识，方便读者随时查阅Python语言的基础语法。
附录B主要介绍Sklearn模型和Keras模型的保存与导入方法。
读者对象
? 机器学习入门与进阶人员；
? 机器学习应用开发人员；
? 深度学习入门人员；
? 数据处理与分析人员；
? 人工智能技术爱好者；
? 高等院校人工智能相关专业的学生。
本书约定
? 部分章节标题和习题前标注了星号（*），表示这部分内容难度略大，属于拓展阅读部分。
? 讲解中穿插了“注意”和“提示”段落，用楷体编排，表示一些需要读者“避坑”的地方。
? 讲解中穿插了Tips段落，用楷体编排，表示一些知识点的小贴士。
配套资源获取
本书提供的程序源代码和配套教学PPT有两种获取方式：一是关注本书微信公众号（见书），回复数字“40”获取下载链接；二是在清华大学出版社网站上搜索本书，然后在本书页面上找到“资源下载”栏目，单击“网络资源”或“课件下载”按钮进行下载。
售后支持
由于笔者水平有限，书中难免存在疏漏与不足之处，恳请广大读者批评与指正。读者在阅读本书时若有疑问，可发送电子邮件获取帮助。
卓泽滨
2025年1月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
