机器学习算法计算机与互联网书籍|7955018 下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页

意朱塞佩博纳科尔索著，罗娜译

下载链接在页面底部

点击这里下载

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书大百科

book.teaonline.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-12-26

类似图书点击查看全场最低价

图书介绍

店铺：互动出版网图书专营店

出版社：机械工业出版社

ISBN：9787111595137

商品编码：28253484158

丛书名：智能科学与技术丛书

出版时间：2018-05-01

图书描述

书[0名0]：	[1机1] 器[0学0]习算[0法0]\|7955018
图书定价：	69元
图书作者：	（意）朱塞佩·博纳科尔索
出版社：	[1机1] 械工业出版社
出版日期：	2018-05-01 0:00:00
ISBN号：	9787111595137
开本：	16开
页数：	0
版次：	1-1

作者简介

作者简介
Giuseppe Bonaccorso是一位拥有12年[0经0]验的 [1机1] 器[0学0]习和[0大0]数据方面的专家。他拥有意[0大0]利卡塔尼亚[0大0][0学0]电子工程专业工程[0学0]硕士[0学0]位，并在意[0大0]利罗马[0第0]二[0大0][0学0]、英[0国0]埃塞克斯[0大0][0学0]深造过。在他的职业生涯中，担任过公共管理、军事、公用事业、医疗保健、诊断[0学0]和广告等多个业务[0领0]域的IT工程师，使用Java、Python、Hadoop、Spark、Thea[0no0]和TensorFlow等多种技术进行过项目开发与管理。他的主要研究兴趣包括人工智能、 [1机1] 器[0学0]习、数据科[0学0]和精神哲[0学0]。
审校人员简介
Manuel Amunategui是SpringML公司数据科[0学0]项目副总裁。SpringML是一家初创公司，提供Google Cloud、TensorFlow和Salesforce企业解决方案。在此之前，他曾在华尔街担任量化开发人员，为一家[0大0]型股票期[0权0]交易[0商0]工作，之后担任微软的软件开发人员。他拥有预测分析和[0国0]际管理硕士[0学0]位。
他是数据科[0学0]爱好者、博主（http://amunategui.github.io），担任Udemy.com和O'Reilly Media的培训师，以及Packt出版社的技术审校人员。
Doug Ortiz是ByteCubed的一[0名0]高级[0大0]数据架构师，他在整个职业生涯中一直从事企业解决方案方面的架构、开发和集成工作。他帮助企业通过一些现有的和新兴的技术，诸如Microsoft BI Stack、Hadoop、[0No0]SQL数据库、SharePoint以及相关工具和技术，重新发现和利用未充分利用的数据。他也是Illustris公司的创始人，可通过ougortiz@illustris.org与他联系。
在专业[0领0]域，他有多平台和产[0品0]集成、[0大0]数据、数据科[0学0]、R和Python方面的丰富[0经0]验。Doug还帮助企业深入了解并重视对数据和现有资源的投资，将其转化为有用的信息来源。他利用[0独0]特和创新的技术改进、拯救并架构了多个项目。他的爱好是瑜伽和潜水。
Lukasz Tracewski是一[0名0]软件开发人员和科[0学0]家，专攻 [1机1] 器[0学0]习、数字信号处理和云计算。作为开源社区的积[0极0]成员，他也是众多研究类出版物的作者。他曾在荷兰一家高科技产业作为软件科[0学0]家工作了6年，先后在光刻和电子显微镜方面帮助构建达到生产量与物理精度[0极0]限的算[0法0]及 [1机1] 器。目前，他在金融行业[0领0]导着一支数据科[0学0]团队。
4年来，Lukasz一直在自然保护[0领0]域利用他的专业技能提供无偿服务，如从录音或卫星图像分析中进行鸟类分类等。他在业余时间从事濒危物种的保护工作。

内容简介

本书介绍了数据科[0学0][0领0]域常用的所有重要 [1机1] 器[0学0]习算[0法0]以及TensorFlow和特征工程等相关内容。涵盖的算[0法0]包括线性回归、逻辑回归、支持向量 [1机1] 、朴素贝叶斯、k均值、随 [1机1] 森林等，这些算[0法0]可以用于监督[0学0]习、非监督[0学0]习、强化[0学0]习或半监督[0学0]习。在本书中，你将[0学0][0会0]如何使用这些算[0法0]来解决所遇到的问题，并了解这些算[0法0]的工作方式。本书还将介绍自然语言处理和推荐系统，这些内容将帮助[0大0]家进行多种算[0法0]的实践。阅读完本书后，面对你所遇到的问题，你将了解如何选择合适的聚类、分类或回归的 [1机1] 器[0学0]习算[0法0]。

译者序
前言
作者简介
审校人员简介
[0第0]1章 [1机1] 器[0学0]习简介1
1.1 [0经0]典 [1机1] 器和自适应 [1机1] 器简介1
1.2 [1机1] 器[0学0]习的分类2
1.2.1 监督[0学0]习3
1.2.2 无监督[0学0]习5
1.2.3 强化[0学0]习7
1.3 [1机1] 器[0学0]习——深度[0学0]习和仿生自适应系统8
1.4 [1机1] 器[0学0]习和[0大0]数据9
延伸阅读10
本章小结10
[0第0]2章 [1机1] 器[0学0]习的重要元素11
2.1 数据格式11
2.2 可[0学0]习性13
2.2.1 欠拟合和过拟合15
2.2.2 误差度量16
2.2.3 PAC[0学0]习18
2.3 统计[0学0]习方[0法0]19
2.3.1 [0大0]后验概率[0学0]习20
2.3.2 [0大0]似然[0学0]习20
2.4 信息论的要素24
参考文献26
本章小结26
[0第0]3章特征选择与特征工程28
3.1 scikit-learn练习数据集28
3.2 创建训练集和测试集29
3.3 管理分类数据30
3.4 管理缺失特征33
3.5 数据缩放和归一化33
3.6 特征选择和过滤35
3.7 主成分分析37
3.7.1 非负矩阵分解42
3.7.2 稀疏PCA42
3.7.3 核PCA43
3.8 原子提取和字典[0学0]习45
参考文献47
本章小结47
[0第0]4章线性回归48
4.1 线性模型48
4.2 一个二维的例子48
4.3 基于scikit-learn的线性回归和更高维50
4.4 Ridge、Lasso和ElasticNet53
4.5 随 [1机1] 采样一致的鲁棒回归57
4.6 多项式回归58
4.7 保序回归60
参考文献62
本章小结62
[0第0]5章逻辑回归64
5.1 线性分类64
5.2 逻辑回归65
5.3 实现和[0优0]化67
5.4 随 [1机1] 梯度下降算[0法0]69
5.5 通过网格搜索找到[0优0][0超0]参数71
5.6 [0评0]估分类的指标73
5.7 ROC曲线77
本章小结79
[0第0]6章朴素贝叶斯81
6.1 贝叶斯定理81
6.2 朴素贝叶斯分类器82
6.3 scikit-learn中的朴素贝叶斯83
6.3.1 伯努利朴素贝叶斯83
6.3.2 多项式朴素贝叶斯85
6.3.3 高斯朴素贝叶斯86
参考文献89
本章小结89
[0第0]7章支持向量 [1机1] 90
7.1 线性支持向量 [1机1] 90
7.2 scikit-learn实现93
7.2.1 线性分类94
7.2.2 基于内核的分类95
7.2.3 非线性例子97
7.3 受控支持向量 [1机1] 101
7.4 支持向量回归103
参考文献104
本章小结104
[0第0]8章决策树和集成[0学0]习105
8.1 二元决策树105
8.1.1 二元决策106
8.1.2 不纯度的衡量107
8.1.3 特征重要度109
8.2 基于scikit-learn的决策树分类109
8.3 集成[0学0]习113
8.3.1 随 [1机1] 森林114
8.3.2 AdaBoost116
8.3.3 梯度树提升118
8.3.4 投票分类器120
参考文献122
本章小结122
[0第0]9章聚类基础124
9.1 聚类简介124
9.1.1 k均值聚类125
9.1.2 DBSCAN136
9.1.3 光谱聚类138
9.2 基于实证的[0评0]价方[0法0]139
9.2.1 同质性140
9.2.2 完整性140
9.2.3 修正兰德指数141
参考文献142
本章小结142
[0第0]10章层次聚类143
10.1 分层策略143
10.2 凝聚聚类143
10.2.1 树形图145
10.2.2 scikit-learn中的凝聚聚类147
10.2.3 连接限制149
参考文献151
本章小结152
[0第0]11章推荐系统简介153
11.1 朴素的基于用户的系统153
11.2 基于内容的系统156
11.3 无模式（或基于内存的）协同过滤158
11.4 基于模型的协同过滤160
11.4.1 奇异值分解策略161
11.4.2 交替小二乘[0法0]策略163
11.4.3 用Apache Spark MLlib实现交替小二乘[0法0]策略164
参考文献167
本章小结167
[0第0]12章自然语言处理简介169
12.1 NLTK和内置语料库169
12.2 词袋策略171
12.2.1 标记172
12.2.2 停止词的删除174
12.2.3 词干提取175
12.2.4 向量化176
12.3 基于路透社语料库的文本分类器例子180
参考文献182
本章小结182
[0第0]13章自然语言处理中的主题建模与情感分析183
13.1 主题建模183
13.1.1 潜在语义分析183
13.1.2 概率潜在语义分析188
13.1.3 潜在狄利克雷分配193
13.2 情感分析198
参考文献202
本章小结202
[0第0]14章深度[0学0]习和TensorFlow简介203
14.1 深度[0学0]习简介203
14.1.1 人工神[0经0]网络203
14.1.2 深层结构206
14.2 TensorFlow简介208
14.2.1 计算梯度210
14.2.2 逻辑回归212
14.2.3 用多层感[0知0]器进行分类215
14.2.4 图像卷积218
14.3 Keras内部速览220
参考文献225
本章小结225
[0第0]15章构建 [1机1] 器[0学0]习框架226
15.1 [1机1] 器[0学0]习框架226
15.1.1 数据收集227
15.1.2 归一化227
15.1.3 降维227
15.1.4 数据扩充228
15.1.5 数据转换228
15.1.6 建模、网格搜索和交叉验证229
15.1.7 可视化229
15.2 用于 [1机1] 器[0学0]习框架的scikit-learn工具229
15.2.1 管道229
15.2.2 特征联合232
参考文献233
本章小结233

机器学习算法计算机与互联网书籍|7955018 下载 mobi epub pdf txt 电子书格式