登入帳戶　 |　訂單查詢　 |　購物車/收銀台(0)　|　在線留言板　 |　付款方式　 |　聯絡我們　 |　運費計算　 |　幫助中心　|　 加入書簽
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入   新用戶註冊

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2024年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / 物流，時效：出貨後2-4日

新書推薦： 《 创业思维：从0到1的实战笔记 》 售價：NT$ 356.0 《 家庭财富管理指南 》 售價：NT$ 398.0 《 服装材料基础 》 售價：NT$ 296.0 《 国家名片C919（跟踪十余年，采访百余人，全景式呈现中国大飞机C919，让读者领略到中国航空科技的最新成就） 》 售價：NT$ 653.0 《 中国数字人产业发展报告 》 售價：NT$ 500.0 《 另一种疯狂：精神疾病的污名与希望之旅（APS终身成就奖获得者斯蒂芬·欣肖教授倾其一生撰写；2018年美国图书节最佳图书奖） 》 售價：NT$ 296.0 《 罗尔斯与马克思 》 售價：NT$ 398.0 《 珊瑚：美丽的怪物 》 售價：NT$ 587.0

建議一齊購買： + NT$ 454 《法律职业伦理（第三版）》 + NT$ 449 《中华护理学会专科护士培训教材——伤口造口失禁专科护理》 + NT$ 301 《中医诊断学》 + NT$ 240 《机械制造工艺学》 + NT$ 305 《插画设计基础（高等职业教育艺术设计类新形态项目化教材）》 + NT$ 300 《社会工作研究方法》 編輯推薦： 1.内容丰富，每章提供思维导图，帮助读者学习理解。 2.以实例为引导，理论和实践相结合，由浅入深阐述算法原理，每种算法都配备了相应案例实践。 3.配套资源丰富，提供电子课件、习题答案、数据集、教学大纲、教学日历等资源。 內容簡介： 机器学习是人工智能领域的重要组成部分，其深度和广度都在持续扩展。《机器学习原理及应用》不仅对机器学习基础知识进行了全面介绍，而且深入讨论了各种经典和常用的机器学习方法。通过理论与实践相结合的方式，帮助读者理解机器学习的基本原理，掌握常用的方法，并能够在实际问题中应用这些技术。《机器学习原理及应用》共10章，可分为两部分。第一部分主要介绍机器学习的背景知识，包括其定义、应用领域、发展历程等。这部分旨在为读者提供一个全面的视角，从而了解机器学习的概貌。第二部分则侧重于技术的讨论，包括各种经典和常用的机器学习方法的具体实现和应用。这部分的内容深入浅出，通过丰富的案例，帮助读者理解各种方法的应用场景和优劣势。此外，每章都提供了习题供读者巩固所学知识。 《机器学习原理及应用》不仅适合作为高等院校计算机、软件工程、自动化及相关专业的本科生或研究生教材，也适合作为对机器学习感兴趣的研究人员和工程技术人员的参考书。 關於作者： 殷丽凤，博士，副教授，硕士生导师，研究方向为大数据分析、机器学习以及深度学习等领域的算法及应用研究。毕业于哈尔滨理工大学计算机应用技术专业并获得博士学位。近十多年来，一直致力于计算机应用技术领域的研究与教学。她的兴趣涵盖了软件工程、机器学习、人工智能等方向。在多所高校担任Python编程语言讲授工作，并带领学生完成了Python编程语言的课程设计工作。在教学中注重理论与实践相结合，以生动的案例和实际应用来帮助学生更好地理解和掌握Python编程。她的专业知识和实践经验能够将实际应用场景与Python编程相结合，为学生提供更加实用和有深度的学习体验。 目錄： 前言 第1章绪论 11机器学习的定义 12机器学习的发展历史 13机器学习的分类 131监督学习 132无监督学习 133半监督学习 134强化学习 14基本术语与符号 141基本术语 142基本符号 15机器学习的过程 16将Python用于机器学习 161安装Python解释器 162安装PyCharm 163安装Anaconda 164用于科学计算、数据科学和 机器学习的软件包 17本章小结 18习题 第2章模型评估与调优 21概述 22评估方法 221留出法 222交叉验证法 223留一法交叉验证 224自助法 23优化 231用学习和验证曲线调试 算法 232通过网格搜索调优机器学习 模型 24性能度量 241错误率与准确率 242查准率、查全率与F1 243ROC与AUC 244多元分类评估指标 25本章小结 26习题 第3章回归分析 31引言 311回归分析概述 312回归分析的目标 313回归分析的步骤 32一元线性回归 321一元线性回归模型 322参数w和b的推导过程 323一元线性回归模型的代码 实现及应用 33多元线性回归 331多元线性回归模型和参数 求解 332多元线性回归模型的代码 实现及应用 34对率回归 341对率回归模型 342参数w和b的推导过程 343参数更新公式的推导 344对率回归模型的代码实现及 应用 35多项式回归 36正则化回归 361岭回归模型 362最小绝对收缩与选择 算子（LASSO回归） 363弹性网络 37回归模型的评价指标 38回归分析实践 381构建波士顿房价预测模型 382构建信用卡欺诈行为分类 模型 39本章小结 310习题 第4章决策树 41决策树概述 411决策树的概念 412决策树的优缺点 42决策树的划分准则 421信息增益 422增益率 423基尼指数 43决策树的建立 431决策树的归纳过程 432决策树实例分析 433决策树停止准则 434决策树剪枝 44多变量决策树 45集成方法 451随机森林 452梯度提升树 46回归树 461回归决策树 462回归加权平均树 463随机森林回归树 464梯度提升回归树 47决策树实践 471构建巴黎住房分类模型 472构建航班价格预测模型 48本章小结 49习题 第5章神经网络 51神经网络的发展历史 52神经元模型 521生物学的神经元模型 522M-P神经元模型 53激活函数 531Sigmoid激活函数 532tanh激活函数 533ReLU激活函数 534采用激活函数的原因 535激活函数的特点 54感知机模型 541感知机模型的结构 542感知机模型的原理 543感知机模型的实现 544感知机模型的优缺点 55多层前馈神经网络模型 551多层前馈神经网络的工作 原理 552多层前馈神经网络参数的 学习过程 553多层前馈神经网络算法的 实现 56训练方法 561梯度下降法 562随机梯度下降法 563小批量梯度下降法 57梯度消失和梯度爆炸 571产生原因 572解决方案 58神经网络实践：构建南瓜子 分类模型 581数据的简单分析 582利用感知机 583利用多层感知机 59本章小结 510习题 第6章支持向量机 61支持向量机概述 611线性分类 612最大间隔分类 62硬间隔支持向量机 621硬间隔支持向量机模型 622利用对偶问题求解 623硬间隔支持向量机求解 实例 63核支持向量机 631核函数 632核函数求解实例 64软间隔支持向量机 641松弛变量 642对偶问题 65感知机与SVM线性可分的 区别 66SVM的优缺点 67支持向量机实践：构建手机 价格分类模型 671数据的简单分析 672利用硬间隔支持向量机 673利用软间隔支持向量机 68本章小结 69习题 第7章贝叶斯分类器 71贝叶斯分类器概述 711贝叶斯定理 712贝叶斯定理的应用 713贝叶斯思想 72贝叶斯分类器的原理 721贝叶斯决策论 722极大似然估计 73朴素贝叶斯分类器 74半朴素贝叶斯分类器 741超父独依赖分类器 742平均独依赖估计 743树增广朴素贝叶斯 75贝叶斯网络 751贝叶斯网络的定义 752贝叶斯网络的结构特征 753贝叶斯网络的学习 754贝叶斯网络的推断 76贝叶斯分类器实践：构建 鸢尾花分类模型 761数据的简单分析 762利用朴素贝叶斯 763利用半朴素贝叶斯 764利用贝叶斯网络 77本章小结 78习题 第8章聚类分析 81聚类概述 811聚类的相关概念 812聚类与分类的区别 813聚类算法的分类 814相似性度量 815归一化处理 82基于划分的聚类算法 821K-Means算法 822K-Means 算法 823K-Medoid算法 824Kernel K-Means算法 825Mini-Batch K-Means 算法 826K-Means with Triangle Inequality算法 83基于层 內容試閱： 前言 作为人工智能领域的核心技术之一，机器学习正在深刻地改变着人们的生产和生活。它已广泛应用于医疗、金融、交通和通信等领域，给人们带来前所未有的机遇和挑战。《机器学习原理及应用》旨在为读者提供一种系统、全面的学习机器学习的方法。本书从机器学习的基本原理出发，逐步深入探讨各种经典和常用的机器学习算法，并结合实际应用场景进行案例研究和实践。 编写《机器学习原理及应用》的目的在于分享和传达机器学习的基本原理、核心概念和算法，帮助初学者打下扎实的理论基础，普及机器学习技术，让更多人了解和认识机器学习的价值和潜力。《机器学习原理及应用》通过实践指导和应用案例，指导读者将机器学习算法应用于实际问题中。《机器学习原理及应用》将指导读者使用Python中的NumPy、Pandas、Matplotlib、Scikit-Learn等开源机器学习工具和库进行编程实践和项目开发。通过实践，读者能更好地掌握机器学习的技能和应用。 《机器学习原理及应用》围绕机器学习的基本概念展开，包括机器学习的定义、发展历史和分类。同时，重点介绍模型评估与调优的方法，如留出法、交叉验证法和网格搜索等。接着，详细讲解了回归分析、决策树、神经网络、支持向量机、贝叶斯分类器、聚类分析和降维技术等常用机器学习方法。最后，介绍了集成学习的方法，包括自助聚合法、可提升算法和堆叠算法。通过实践案例，读者可以学习如何应用这些方法解决实际问题。 《机器学习原理及应用》内容丰富、结构清晰，不仅适合初学者入门，还适合有一定基础的读者深入学习。《机器学习原理及应用》的主要内容如下。 第1章——绪论：介绍了机器学习的定义、发展历史和分类；同时，还讲解了机器学习的基本术语和符号，以及如何将Python用于机器学习。 第2章——模型评估与调优：介绍了机器学习模型的评估方法和优化技巧；讨论了评估方法，如留出法、交叉验证法、自助法等，以及通过学习和验证曲线调试算法及网格搜索调优机器学习模型的方法；还介绍了常用的性能度量方法，如错误率、准确率、查准率、查全率、ROC与AUC等。 第3章——回归分析：详细介绍了回归分析的基本概念和方法；讨论了一元线性回归、多元线性回归、对率回归、多项式回归和正则化回归等；通过实例帮助读者理解如何构建波士顿房价预测模型和信用卡欺诈行为分类模型。 第4章——决策树：介绍了决策树的基本原理和建立方法；讨论了决策树的划分准则、建立和剪枝策略，以及多变量决策树和集成方法等；通过实例实现巴黎住房分类模型和航班价格预测模型的构建。 第5章——神经网络：详细介绍了神经网络的发展历史、神经元模型和激活函数等神经网络基础知识；讨论了感知机模型和多层前馈神经网络模型的原理和实现方法；通过实例实现南瓜子分类模型的构建。 第6章——支持向量机：介绍了支持向量机的原理和方法；讨论了线性分类、最大间隔分类，以及硬间隔支持向量机、核支持向量机和软间隔支持向量机等，通过实例实现手机价格分类模型的构建。 第7章——贝叶斯分类器：介绍了贝叶斯分类器的基本原理和方法；讨论了朴素贝叶斯分类器、半朴素贝叶斯分类器和贝叶斯网络等；通过实例实现鸢尾花分类模型的构建。 第8章——聚类分析：详细介绍了聚类的基本概念和方法；讨论了基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法等；通过实例实现对客户进行细分。 第9章——降维技术：介绍了降维的原因和主成分分析算法；还讨论了奇异值分解方法和应用；通过实例实现对生物体的基因进行降维。 第10章——集成学习：介绍了集成学习的基本概念和方法；讨论了自助聚合算法、可提升算法和堆叠算法等集成学习方法；通过实例实现红酒分类模型的构建。 每章都包含实践案例和习题，以帮助读者巩固所学知识。希望本书能够激发读者对机器学习的兴趣和热情，并帮助读者在机器学习的旅程中取得成功。我们相信，学习机器学习不仅是一种知识的积累，更是一种思维方式的转变。机器学习的核心思想是从数据中发现规律，做出预测和决策。通过学习机器学习，培养数据驱动思维和解决问题的能力，会在个人和职业发展上产生深远的影响。 本书由大连交通大学的殷丽凤、郑广海、刘震、曲英伟、王斐等共同编写，具体分工如下：殷丽凤编写第6~8章；郑广海编写第2、3章；刘震编写第4、5章；曲英伟编写第9章；王斐编写第10章；杜铨熠编写第1章。同时，大连科技学院的徐蕗和大连交通大学软件学院的研究生丁子原，在本书编写过程中进行了案例寻找和插图绘制工作。 在撰写本书的过程中，我们广泛借鉴了众多国内外的权威著作、学术论文以及互联网上的精选资源。我们衷心感谢所有为本书提供知识和智慧的作者和研究者们，正是他们的不懈努力，为本书的编撰贡献了不可或缺的参考资料和启发。鉴于参考文献众多，尽管我们尽力整理，但仍可能有所疏漏，对未能提及姓名的作者，我们深表歉意。 祝愿您在学习机器学习的过程中收获满满，成为优秀的机器学习从业者！感谢您的阅读！希望这本书能成为您学习机器学习的宝贵资源。 由于编者水平有限，本书难免有缺漏和错误之处

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	台灣用户　|　香港/海外用户
megBook.com.tw
Copyright (C) 2013 - 2025 （香港）大書城有限公司　All Rights Reserved.