機器學習算法計算機與互聯網書籍|7955018 下載 mobi epub pdf 電子書 2024

☆☆☆☆☆
簡體網頁||繁體網頁

意硃塞佩博納科爾索著，羅娜譯

下載链接在页面底部

點擊這裡下載

想要找書就要到圖書大百科

book.teaonline.club

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

發表於2024-11-27

類似圖書點擊查看全場最低價

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

圖書介紹

店鋪：互動齣版網圖書專營店

齣版社：機械工業齣版社

ISBN：9787111595137

商品編碼：28253484158

叢書名：智能科學與技術叢書

齣版時間：2018-05-01

圖書描述

書[0名0]：	[1機1] 器[0學0]習算[0法0]\|7955018
圖書定價：	69元
圖書作者：	（意）硃塞佩·博納科爾索
齣版社：	[1機1] 械工業齣版社
齣版日期：	2018-05-01 0:00:00
ISBN號：	9787111595137
開本：	16開
頁數：	0
版次：	1-1

作者簡介

作者簡介
Giuseppe Bonaccorso是一位擁有12年[0經0]驗的 [1機1] 器[0學0]習和[0大0]數據方麵的專傢。他擁有意[0大0]利卡塔尼亞[0大0][0學0]電子工程專業工程[0學0]碩士[0學0]位，並在意[0大0]利羅馬[0第0]二[0大0][0學0]、英[0國0]埃塞剋斯[0大0][0學0]深造過。在他的職業生涯中，擔任過公共管理、軍事、公用事業、醫療保健、診斷[0學0]和廣告等多個業務[0領0]域的IT工程師，使用Java、Python、Hadoop、Spark、Thea[0no0]和TensorFlow等多種技術進行過項目開發與管理。他的主要研究興趣包括人工智能、 [1機1] 器[0學0]習、數據科[0學0]和精神哲[0學0]。
審校人員簡介
Manuel Amunategui是SpringML公司數據科[0學0]項目副總裁。SpringML是一傢初創公司，提供Google Cloud、TensorFlow和Salesforce企業解決方案。在此之前，他曾在華爾街擔任量化開發人員，為一傢[0大0]型股票期[0權0]交易[0商0]工作，之後擔任微軟的軟件開發人員。他擁有預測分析和[0國0]際管理碩士[0學0]位。
他是數據科[0學0]愛好者、博主（http://amunategui.github.io），擔任Udemy.com和O'Reilly Media的培訓師，以及Packt齣版社的技術審校人員。
Doug Ortiz是ByteCubed的一[0名0]高級[0大0]數據架構師，他在整個職業生涯中一直從事企業解決方案方麵的架構、開發和集成工作。他幫助企業通過一些現有的和新興的技術，諸如Microsoft BI Stack、Hadoop、[0No0]SQL數據庫、SharePoint以及相關工具和技術，重新發現和利用未充分利用的數據。他也是Illustris公司的創始人，可通過ougortiz@illustris.org與他聯係。
在專業[0領0]域，他有多平颱和産[0品0]集成、[0大0]數據、數據科[0學0]、R和Python方麵的豐富[0經0]驗。Doug還幫助企業深入瞭解並重視對數據和現有資源的投資，將其轉化為有用的信息來源。他利用[0獨0]特和創新的技術改進、拯救並架構瞭多個項目。他的愛好是瑜伽和潛水。
Lukasz Tracewski是一[0名0]軟件開發人員和科[0學0]傢，專攻 [1機1] 器[0學0]習、數字信號處理和雲計算。作為開源社區的積[0極0]成員，他也是眾多研究類齣版物的作者。他曾在荷蘭一傢高科技産業作為軟件科[0學0]傢工作瞭6年，先後在光刻和電子顯微鏡方麵幫助構建達到生産量與物理精度[0極0]限的算[0法0]及 [1機1] 器。目前，他在金融行業[0領0]導著一支數據科[0學0]團隊。
4年來，Lukasz一直在自然保護[0領0]域利用他的專業技能提供無償服務，如從錄音或衛星圖像分析中進行鳥類分類等。他在業餘時間從事瀕危物種的保護工作。

內容簡介

本書介紹瞭數據科[0學0][0領0]域常用的所有重要 [1機1] 器[0學0]習算[0法0]以及TensorFlow和特徵工程等相關內容。涵蓋的算[0法0]包括綫性迴歸、邏輯迴歸、支持嚮量 [1機1] 、樸素貝葉斯、k均值、隨 [1機1] 森林等，這些算[0法0]可以用於監督[0學0]習、非監督[0學0]習、強化[0學0]習或半監督[0學0]習。在本書中，你將[0學0][0會0]如何使用這些算[0法0]來解決所遇到的問題，並瞭解這些算[0法0]的工作方式。本書還將介紹自然語言處理和推薦係統，這些內容將幫助[0大0]傢進行多種算[0法0]的實踐。閱讀完本書後，麵對你所遇到的問題，你將瞭解如何選擇閤適的聚類、分類或迴歸的 [1機1] 器[0學0]習算[0法0]。

譯者序
前言
作者簡介
審校人員簡介
[0第0]1章 [1機1] 器[0學0]習簡介1
1.1 [0經0]典 [1機1] 器和自適應 [1機1] 器簡介1
1.2 [1機1] 器[0學0]習的分類2
1.2.1 監督[0學0]習3
1.2.2 無監督[0學0]習5
1.2.3 強化[0學0]習7
1.3 [1機1] 器[0學0]習——深度[0學0]習和仿生自適應係統8
1.4 [1機1] 器[0學0]習和[0大0]數據9
延伸閱讀10
本章小結10
[0第0]2章 [1機1] 器[0學0]習的重要元素11
2.1 數據格式11
2.2 可[0學0]習性13
2.2.1 欠擬閤和過擬閤15
2.2.2 誤差度量16
2.2.3 PAC[0學0]習18
2.3 統計[0學0]習方[0法0]19
2.3.1 [0大0]後驗概率[0學0]習20
2.3.2 [0大0]似然[0學0]習20
2.4 信息論的要素24
參考文獻26
本章小結26
[0第0]3章特徵選擇與特徵工程28
3.1 scikit-learn練習數據集28
3.2 創建訓練集和測試集29
3.3 管理分類數據30
3.4 管理缺失特徵33
3.5 數據縮放和歸一化33
3.6 特徵選擇和過濾35
3.7 主成分分析37
3.7.1 非負矩陣分解42
3.7.2 稀疏PCA42
3.7.3 核PCA43
3.8 原子提取和字典[0學0]習45
參考文獻47
本章小結47
[0第0]4章綫性迴歸48
4.1 綫性模型48
4.2 一個二維的例子48
4.3 基於scikit-learn的綫性迴歸和更高維50
4.4 Ridge、Lasso和ElasticNet53
4.5 隨 [1機1] 采樣一緻的魯棒迴歸57
4.6 多項式迴歸58
4.7 保序迴歸60
參考文獻62
本章小結62
[0第0]5章邏輯迴歸64
5.1 綫性分類64
5.2 邏輯迴歸65
5.3 實現和[0優0]化67
5.4 隨 [1機1] 梯度下降算[0法0]69
5.5 通過網格搜索找到[0優0][0超0]參數71
5.6 [0評0]估分類的指標73
5.7 ROC麯綫77
本章小結79
[0第0]6章樸素貝葉斯81
6.1 貝葉斯定理81
6.2 樸素貝葉斯分類器82
6.3 scikit-learn中的樸素貝葉斯83
6.3.1 伯努利樸素貝葉斯83
6.3.2 多項式樸素貝葉斯85
6.3.3 高斯樸素貝葉斯86
參考文獻89
本章小結89
[0第0]7章支持嚮量 [1機1] 90
7.1 綫性支持嚮量 [1機1] 90
7.2 scikit-learn實現93
7.2.1 綫性分類94
7.2.2 基於內核的分類95
7.2.3 非綫性例子97
7.3 受控支持嚮量 [1機1] 101
7.4 支持嚮量迴歸103
參考文獻104
本章小結104
[0第0]8章決策樹和集成[0學0]習105
8.1 二元決策樹105
8.1.1 二元決策106
8.1.2 不純度的衡量107
8.1.3 特徵重要度109
8.2 基於scikit-learn的決策樹分類109
8.3 集成[0學0]習113
8.3.1 隨 [1機1] 森林114
8.3.2 AdaBoost116
8.3.3 梯度樹提升118
8.3.4 投票分類器120
參考文獻122
本章小結122
[0第0]9章聚類基礎124
9.1 聚類簡介124
9.1.1 k均值聚類125
9.1.2 DBSCAN136
9.1.3 光譜聚類138
9.2 基於實證的[0評0]價方[0法0]139
9.2.1 同質性140
9.2.2 完整性140
9.2.3 修正蘭德指數141
參考文獻142
本章小結142
[0第0]10章層次聚類143
10.1 分層策略143
10.2 凝聚聚類143
10.2.1 樹形圖145
10.2.2 scikit-learn中的凝聚聚類147
10.2.3 連接限製149
參考文獻151
本章小結152
[0第0]11章推薦係統簡介153
11.1 樸素的基於用戶的係統153
11.2 基於內容的係統156
11.3 無模式（或基於內存的）協同過濾158
11.4 基於模型的協同過濾160
11.4.1 奇異值分解策略161
11.4.2 交替小二乘[0法0]策略163
11.4.3 用Apache Spark MLlib實現交替小二乘[0法0]策略164
參考文獻167
本章小結167
[0第0]12章自然語言處理簡介169
12.1 NLTK和內置語料庫169
12.2 詞袋策略171
12.2.1 標記172
12.2.2 停止詞的刪除174
12.2.3 詞乾提取175
12.2.4 嚮量化176
12.3 基於路透社語料庫的文本分類器例子180
參考文獻182
本章小結182
[0第0]13章自然語言處理中的主題建模與情感分析183
13.1 主題建模183
13.1.1 潛在語義分析183
13.1.2 概率潛在語義分析188
13.1.3 潛在狄利剋雷分配193
13.2 情感分析198
參考文獻202
本章小結202
[0第0]14章深度[0學0]習和TensorFlow簡介203
14.1 深度[0學0]習簡介203
14.1.1 人工神[0經0]網絡203
14.1.2 深層結構206
14.2 TensorFlow簡介208
14.2.1 計算梯度210
14.2.2 邏輯迴歸212
14.2.3 用多層感[0知0]器進行分類215
14.2.4 圖像捲積218
14.3 Keras內部速覽220
參考文獻225
本章小結225
[0第0]15章構建 [1機1] 器[0學0]習框架226
15.1 [1機1] 器[0學0]習框架226
15.1.1 數據收集227
15.1.2 歸一化227
15.1.3 降維227
15.1.4 數據擴充228
15.1.5 數據轉換228
15.1.6 建模、網格搜索和交叉驗證229
15.1.7 可視化229
15.2 用於 [1機1] 器[0學0]習框架的scikit-learn工具229
15.2.1 管道229
15.2.2 特徵聯閤232
參考文獻233
本章小結233

機器學習算法計算機與互聯網書籍|7955018 下載 mobi epub pdf txt 電子書格式