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： 《 DK物理学百科（全彩） 》 售價：NT$ 857.0 《 打造高可靠性组织：从个体正念到组织正念 》 售價：NT$ 250.0 《 全域流量： 超级变现，引爆流量营销 》 售價：NT$ 398.0 《 砂女（安部公房作品系列） 》 售價：NT$ 214.0 《 无中生有的世界：量子力学传奇 这部量子物理史，足以唤起你对世界的全部好奇！ 》 售價：NT$ 398.0 《 中国的毒蘑菇 》 售價：NT$ 1428.0 《 漫步时光 治愈系钢笔淡彩绘制技法 》 售價：NT$ 509.0 《 长安之春（典藏版） 》 售價：NT$ 403.0

建議一齊購買： + NT$ 560 《深入浅出Go语言编程从原理解析到实战进阶》 + NT$ 281 《Visual Basic 6.0程序设计（第2版）》 + NT$ 599 《PHP从入门到精通（微视频精编版）》 + NT$ 566 《PHP 从入门到项目实践（超值版）》 + NT$ 534 《Python爬虫技术——深入理解原理、技术与开发》 + NT$ 704 《深入理解Java核心技术：写给Java工程师的干货笔记（基础》 編輯推薦： ?全面性 内容由浅入深，既有原理介绍，又有实战操作，使读者在实践中掌握相关知识，并为解决问题提供详细的方法。 ?实用性 理论与实践相结合，实例丰富，具有实用性，帮助读者理解机器学习的概念、原理和算法。 ?通俗性 用浅显易懂的语言介绍Python机器学习的相关内容，即使没有机器学习基础的读者也可以快速上手。 ?易学性 提供程序代码、教学课件等资源，获取方式详见前言。 內容簡介： Python是目前比较热门的编程语言，以简单易学、应用广泛、类库强大而著称，是实现机器学习算法的首选语言。《Python机器学习与应用案例》理论与实践相结合，基于Python 3.12.0版本介绍Python机器学习的相关内容。全书共10章，分别介绍了机器学习的基础知识、近邻法、数据降维、分类算法、回归算法、聚类算法、神经网络、推荐算法、频繁项集、数据预处理。通过本书的学习，读者可了解Python编程及在机器学习中的应用。 《Python机器学习与应用案例》可作为对Python和机器学习感兴趣的初学者的参考书，也可作为从事Python开发的广大科研人员、学者、工程技术人员的参考书，还可作为高等院校人工智能、计算机等相关专业的教材。 目錄： 第1章机器学习的基础知识 1.1何谓机器学习 1.1.1传感器和海量数据 1.1.2机器学习的重要性 1.1.3机器学习的表现 1.1.4机器学习的主要任务 1.1.5选择合适的算法 1.1.6机器学习程序的步骤 1.2综合分类 1.3推荐系统和深度学习 1.3.1推荐系统 1.3.2深度学习 1.4何为Python 1.4.1使用Python软件的由来 1.4.2为什么使用Python 1.4.3Python设计定位 1.4.4Python的优缺点 1.4.5Python的应用 1.5Python编程第一步 1.6NumPy函数库基础 1.7Python迭代器与生成器 1.7.1迭代器 1.7.2生成器 1.8Pandas科学计算库 1.8.1Pandas简介 1.8.2Pandas的安装 1.8.3Pandas Series 1.8.4Pandas DataFrame 1.8.5Pandas CSV文件 1.9多线程 1.9.1学习Python线程 1.9.2线程模块 1.9.3线程同步 1.9.4线程优先级队列(Queue) 1.10小结 1.11习题 第2章Python近邻法 2.1k近邻法的三要素 2.1.1k值的选择 2.1.2距离度量 2.1.3分类决策规则 2.2k近邻法 2.3kd树 2.3.1什么是kd树 2.3.2如何构建kd树 2.3.3如何在kd树中搜索 2.4Python实现kd树、k近邻法 2.5k近邻实战配对判定 2.6小结 2.7习题 第3章Python数据降维 3.1维数灾难与降维 3.2主成分分析 3.2.1PCA原理 3.2.2PCA算法 3.2.3PCA降维的两个准则 3.3tSNE降维 3.3.1tSNE核心思想 3.3.2算法步骤 3.3.3tSNE算法实现 3.4SVD降维 3.5核主成分分析降维 3.6流形学习降维 3.7多维缩放降维 3.7.1原理 3.7.2MDS算法 3.8等度量映射降维 3.9局部线性嵌入 3.9.1原理 3.9.2LLE算法 3.10非负矩阵分解 3.11小结 3.12习题 第4章Python分类算法 4.1逻辑回归 4.1.1逻辑回归模型 4.1.2梯度下降法 4.2Softmax回归 4.3因子分解机 4.3.1逻辑回归算法的不足 4.3.2因子分解机模型 4.3.3FM算法中交叉项的处理 4.3.4FM算法的求解 4.3.5FM算法流程 4.3.6Python实现FM模型 4.4支持向量机 4.4.1SVM简介 4.4.2线性可分支持向量机 4.4.3函数间距和几何间距 4.4.4线性支持向量机 4.4.5非线性支持向量机 4.5贝叶斯分类器 4.5.1贝叶斯定理 4.5.2相关的概念 4.5.3常用贝叶斯分类器 4.6随机森林 4.6.1决策树分类器 4.6.2CART分类树算法 4.7各模型分类对比 4.8小结 4.9习题 第5章Python回归算法 5.1线性回归 5.1.1基本线性回归 5.1.2线性回归的最小二乘解法 5.1.3牛顿法 5.1.4局部加权线性回归 5.2非线性回归 5.3岭回归与Lasso回归 5.3.1线性回归存在的问题 5.3.2岭回归模型 5.3.3Lasso回归模型 5.3.4拟牛顿法 5.3.5LBFGS求解岭回归模型 5.4小结 5.5习题 第6章Python聚类算法 6.1kMeans算法 6.1.1相似性的度量 6.1.2kMeans算法原理 6.1.3kMeans 算法 6.2亲和度聚类 6.3Mean Shift聚类算法 6.3.1Mean Shift向量 6.3.2核函数 6.3.3Mean Shift推导 6.3.4Mean Shift在图像上的聚类 6.4DBSCAN聚类 6.4.1密度聚类原理 6.4.2DBSCAN密度定义 6.4.3DBSCAN密度聚类思想 6.4.4DBSCAN聚类算法 6.4.5DBSCAN小结 6.5小结 6.6习题 第7章Python神经网络 7.1感知机 7.1.1感知机原理 7.1.2感知机模型 7.1.3感知机学习策略 7.1.4感知机学习算法 7.1.5神经网络 7.1.6感知机的实现 7.2BP神经网络 7.2.1BP神经网络原理 7.2.2BP神经网络的实现 7.3径向基神经网络 7.3.1径向基函数解决插值问题 7.3.2正则化理论 7.3.3正则化RBF网络 7.3.4广义RBF网络 7.3.5数据中心的监督学习算法 7.4模糊神经网络 7.4.1网络模型 7.4.2学习算法 7.4.3模糊神经网络的应用 7.5小结 7.6习题 第8章Python推荐算法 8.1协同过滤算法 8.1.1协同过滤算法概述 8.1.2协同过滤算法的分类 8.1.3相似度的度量方法 8.1.4基于用户的协同过滤算法 8.1.5基于物品的协同过滤算法 8.2基于矩阵分解的推荐算法 8.2.1矩阵分解 8.2.2基于矩阵分解的推荐算法 8.2.3非负矩阵分解 8.3基于图的推荐算法 8.3.1二部图 8.3.2由用户商品矩阵到二部图 8.3.3PageRank算法 8.3.4问题说明 8.4SVD协同作用 8.4.1SVD 8.4.2FunkSVD 8.4.3BiasSVD 8.4.4SVD 8.5小结 8.6习题 第9章Python频繁项集 9.1关联分析 9.1.1支持度与置信度 9.1.2穷举法 9.2Apriori算法 9.2.1Apriori算法简介 9.2.2Apriori定理 9.2.3Apriori算法应用 9.2.4Python生成候选项集 9.3FPGrowth算法 9.3.1用FP树编码数据集 9.3.2从FP树中挖掘频繁项 9.3.3从新闻网站点击流中挖掘 9.4PrefixSpan算法 9.5小结 9.6习题 第10章Python数据预处理 10.1概述 10.1.1为什么要对数据预处理 10.1.2数据预处理的主要任务 10.2数据清理 10.2.1数据缺失 10.2.2过滤数据 10.2.3检测和过滤异常值 10.2.4移除重复数据 10.3处理缺失值 10.3.1处理缺失值的方法 10.3.2缺失值补全法 10.3.3特征编码 10.3.4数据标准化、正则化 10.3.5特征选择 10.3.6稀疏表示和字典学习 10.4机器模型 10.4.1损失函数和风险函数 10.4.2模型评估 10.4.3性能度量 10.5索引的设置 10.6小结 10.7习题 参考文献 內容試閱： 机器学习（Machine Learning，ML）是多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。 由于Python语言的简洁性、易读性及可扩展性，国内外使用Python做科学计算的研究机构日益增多，一些知名大学也采用Python来教授程序设计课程，Python已经成为最受欢迎的程序设计语言之一。 Python在设计上坚持清晰划一的风格，这使得Python成为一门易读、易维护，并且被大量用户欢迎的、用途广泛的语言。 本书将机器学习背后的基本理论与应用实践联系起来，通过这种方式让读者聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用Python的核心元素以及强大的机器学习库，同时还展示了如何正确使用一系列统计模型。不管你是机器学习的初学者，还是想进一步拓展对机器学习领域的认知，本书都是一个重要且不可错失的资源，能帮助你了解如何使用Python解决机器学习中的关键问题。 之所以学习Python，用Python解决机器学习问题，是因为Python对于大数据的提取、分析完全是没有压力的，这也与其自身的特点有关。 本书共10章，从各方面介绍了机器学习，主要包括以下内容。 第1章机器学习的基础知识，主要介绍了机器学习的概念、综合分类、推荐系统和深度学习、Python软件相关介绍等内容。 第2章Python近邻法，主要介绍了k近邻法三要素、k近邻法、kd树等内容。 第3章Python数据降维，主要介绍了维度灾难与降维、主成分分析、SVD降维、多维缩放降维等内容。 第4章Python分类算法，主要介绍了逻辑回归、Softmax回归、因子分解机、支持向量机、随机森林等内容。 第5章Python回归算法，主要介绍了线性回归、岭回归与Lasso回归等内容。 第6章Python聚类算法，主要介绍了kMeans算法、Mean Shift聚类算法、DBSCAN聚类等内容。 第7章Python神经网络，主要介绍了感知机、BP神经网络、径向基神经网络等内容。 第8章Python推荐算法，主要介绍了协同过滤算法、基于矩阵分解的推荐算法、基于图的推荐算法等内容。 第9章Python频繁项集，主要介绍了关联分析、Apriori算法、FPGrowth算法等内容。 第10章Python数据预处理，主要介绍了数据预处理的基本概述、数据清理、处理缺失值、机器模型等内容。 这些算法目前应用非常广泛，效果也不错，是机器学习的入门知识，读者需要深入理解算法的原理、优劣势等特点以及应用场景，掌握利用Python解决这些问题的方法，并达到应用自如的程度。 本书特点  每个章节都将理论与Python实例相结合进行编写，让读者快速掌握利用Python实现机器学习算法。  每章最后通过小结与习题进行章节内容的总结与掌握情况的检测，习题类型有填空题、问答题、编程题，这样可使读者做到学以致用，上手快。  本书提供教学课件、程序代码、习题答案等配套资源，可以在清华大学出版社官方网站本书页面下载，或者扫描封底的“书圈”二维码在公众号下载。 本书由佛山大学蔡静编写。 由于时间仓促，加之编者水平有限，书中疏漏之处在所难免。在此，诚恳地希望得到各领域专家和广大读者的批评指正。 编者 2024年12月

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.