《机器学习Python实践》

内容简介[url=]编辑[/url][url=] 播报[/url]
ython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。本书以Python 3.6.5为编写平台，以帮助读者快速上手、理论与实践相结合为出发点，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。 本书可作为对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。 [1]

图书目录[url=]编辑[/url][url=] 播报[/url]
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
1.8多线程
1.8.1学习Python线程
1.8.2线程模块
1.8.3线程同步
1.8.4线程优先级队列(Queue)
1.9小结
1.10习题
第2章Python近邻法
2.1k近邻法的三要素
2.1.1k值选择
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]
2.5小结
2.6习题
第3章Python数据降维
3.1维度灾难与降维
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
3.3SVD降维
3.4核主成分分析降维
3.5流形学习降维
3.6多维缩放降维
3.6.1原理
3.6.2MDS算法
3.7等度量映射降维
3.8局部线性嵌入
3.8.1原理
3.8.2LLE算法
3.9非负矩阵分解
3.10小结
3.11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小结
4.8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岭回归与Lasso回归
5.2.1线性回归存在的问题
5.2.2岭回归模型
5.2.3Lasso回归模型
5.2.4拟牛顿法
5.2.5LBFGS求解岭回归模型
5.3小结
5.4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
6.2MeanShift聚类算法
6.2.1MeanShift向量
6.2.2核函数
6.2.3MeanShift推导
6.2.4MeanShift在图像上的聚类
6.3DBSCAN聚类
6.3.1密度聚类原理
6.3.2DBSCAN密度定义
6.3.3DBSCAN密度聚类思想
6.3.4DBSCAN聚类算法
6.3.5DBSCAN小结
6.4小结
6.5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小结
7.5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基于项的协同过滤算法
8.1.6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
8.4小结
8.5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
9.4小结
9.5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小结
10.6习题
参考文献 [1]