机器学习周志华著+机器学习实战全2册人工智能书籍机器学习入门中文教科书实战方法 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

机器学习
人工智能
周志华
机器学习实战
入门
中文教材
实战
算法
数据挖掘
Python

下载链接在页面底部

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

想要找书就要到静流书站

book.coffeedeals.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

店铺：墨马图书旗舰店

出版社：人民邮电出版社

ISBN：1245356

商品编码：14610336013

具体描述

原价

商品基本信息,请以下列介绍为准
商品名称：	机器学习实战+机器学习全2册
作者：	[美]哈林顿
市场价：	157元
ISBN号：	[美]哈林顿
出版社：	人民邮电出版社
商品类型：	图书

其他参考信息（以实物为准）
装帧：平装	开本：16开	语种：中文

《机器学习实战》

部分分类
第1章机器学习基础
1.1 何谓机器学习
1.1.1 传感器和海量数据
1.1.2 机器学习非常重要
1.2 关键术语
1.3 机器学习的主要任务
1.4 如何选择合适的算法
1.5 开发机器学习应用程序的步骤
1.6 Python语言的优势
1.6.1 可执行伪代码
1.6.2 Python比较流行
1.6.3 Python语言的特色
1.6.4 Python语言的缺点
1.7 NumPy函数库基础
1.8 本章小结
第2章 k-近邻算法
2.1 k-近邻算法概述
2.1.1 准备：使用Python导入数据
2.1.2 从文本文件中解析数据
2.1.3 如何测试分类器
2.2 示例：使用k-近邻算法改进约会的配对效果
2.2.1 准备数据：从文本文件中解析数据
2.2.2 分析数据：使用Matplotlib创建散点图
2.2.3 准备数据：归一化数值
2.2.4 测试算法：作为完整程序验证分类器
2.2.5 使用算法：构建完整可用系统
2.3 示例：手写识别系统
2.3.1 准备数据：将图像转换为测试向量
2.3.2 测试算法：使用k-近邻算法识别手写数字
2.4 本章小结
第3章决策树
3.1 决策树的构造
3.1.1 信息增益
3.1.2 划分数据集
3.1.3 递归构建决策树
3.2 在Python中使用Matplotlib注解绘制树形图
3.2.1 Matplotlib注解
3.2.2 构造注解树
3.3 测试和存储分类器
3.3.1 测试算法：使用决策树执行分类
3.3.2 使用算法：决策树的存储
3.4 示例：使用决策树预测眼镜类型
3.5 本章小结
第4章基于概率论的分类方法：朴素贝叶斯
4.1 基于贝叶斯决策理论的分类方法
4.2 条件概率
4.3 使用条件概率来分类
4.4 使用朴素贝叶斯进行文档分类
4.5 使用Python进行文本分类
4.5.1 准备数据：从文本中构建词向量
4.5.2 训练算法：从词向量计算概率
4. 测试算法：根据现实情况修改分类器
4.5.4 准备数据：文档词袋模型
4.6 示例：使用朴素贝叶斯过滤垃圾邮件
4.6.1 准备数据：切分文本
4.6.2 测试算法：使用朴素贝叶斯进行交叉验证
4.7 示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向
4.7.1 收集数据：导入RSS源
4.7.2 分析数据：显示地域相关的用词
4.8 本章小结
第5章 Logistic回归
5.1 基于Logistic回归和Sigmoid函数的分类
5.2 基于优化方法的回归系数确定
5.2.1 梯度上升法
5.2.2 训练算法：使用梯度上升找到参数
5.2.3 分析数据：画出决策边界
5.2.4 训练算法：梯度上升
示例：从疝气病症预测病马的死亡率
.1 准备数据：处理数据中的缺失值
.2 测试算法：用Logistic回归进行分类
5.4 本章小结
第6章支持向量机
6.1 基于间隔分隔数据
6.2 寻找间隔
6.2.1 分类器求解的优化问题
6.2.2 SVM应用的一般框架
6.3 SMO高效优化算法
6.3.1 Platt的SMO算法
6.3.2 应用简化版SMO算法处理小规模数据集
6.4 利用完整Platt SMO算法加速优化
6.5 在复杂数据上应用核函数
6.5.1 利用核函数将数据映射到高维空间
6.5.2 径向基核函数
6. 在测试中使用核函数
6.6 示例：手写识别问题回顾
6.7 本章小结
第7章利用AdaBoost元算法提高分类
性能
7.1 基于数据集多重抽样的分类器
7.1.1 bagging：基于数据重抽样的分类器构建方法
7.1.2 boosting
7.2 训练算法：基于错误提升分类器的性能
7.3 基于单层决策树构建弱分类器
7.4 完整AdaBoost算法的实现
7.5 测试算法：基于AdaBoost的分类
7.6 示例：在一个难数据集上应用AdaBoost
7.7 非均衡分类问题
7.7.1 其他分类性能度量指标：正确率、召回率及ROC曲线
7.7.2 基于代价函数的分类器决策控制
7.7.3 处理非均衡问题的数据抽样方法
7.8 本章小结
第二部分利用回归预测数值型数据
第8章预测数值型数据：回归
8.1 用线性回归找到拟合直线
8.2 局部加权线性回归
8.3 示例：预测鲍鱼的年龄
8.4 缩系数来“理解”数据
8.4.1 岭回归
8.4.2 lasso
8.4.3 前向逐步回归
8.5 权衡偏差与方差
8.6 示例：预测乐高玩具套装的价格
8.6.1 收集数据：使用Google购物的API
8.6.2 训练算法：建立模型
8.7 本章小结
第9章树回归
9.1 复杂数据的局部性建模
9.2 连续和离散型特征的树的构建
9.3 将CART算法用于回归
9.3.1 构建树
9.3.2 运行代码
9.4 树剪枝
9.4.1 预剪枝
9.4.2 后剪枝
9.5 模型树
9.6 示例：树回归与标准回归的比较
9.7 使用Python的Tkinter库创建GUI
9.7.1 用Tkinter创建GUI
9.7.2 集成Matplotlib和Tkinter
9.8 本章小结
第三部分无监督学习
第10章利用K-均值聚类算法对未标注数据分组
10.1 K-均值聚类算法
10.2 使用后处理来提高聚类性能
10.3 二分K-均值算法
10.4 示例：对地图上的点进行聚类
10.4.1 Yahoo！ PlaceFinder API
10.4.2 对地理坐标进行聚类
10.5 本章小结
第11章使用Apriori算法进行关联分析
11.1 关联分析
11.2 Apriori原理
11.3 使用Apriori算法来发现频繁集
11.3.1 生成候选项集
11.3.2 组织完整的Apriori算法
11.4 从频繁项集中挖掘关联规则
11.5 示例：发现国会投票中的模式
11.5.1 收集数据：构建美国国会投票记录的事务数据集
11.5.2 测试算法：基于美国国会投票记录挖掘关联规则
11.6 示例：发现毒蘑菇的相似特征
11.7 本章小结
第12章使用FP-growth算法来高效发现频繁项集
12.1 FP树：用于编码数据集的有效方式
12.2 构建FP树
12.2.1 创建FP树的数据结构
12.2.2 构建FP树
12.3 从一棵FP树中挖掘频繁项集
12.3.1 抽取条件模式基
12.3.2 创建条件FP树
12.4 示例：在Twitter源中发现一些共现词
12.5 示例：从新闻点击流中挖掘
12.6 本章小结
第四部分其他工具
第13章利用PCA来简化数据
13.1 降维技术
13.2 PCA
13.2.1 移动坐标轴
13.2.2 在NumPy中实现PCA
13.3 示例：利用PCA对半导体制造数据降维
13.4 本章小结
第14章利用SVD简化数据
14.1 SVD的应用
14.1.1 隐性语义索引
14.1.2 推荐系统
14.2 矩阵分解
14.3 利用Python实现SVD
14.4 基于协同过滤的推荐引擎
14.4.1 相似度计算
14.4.2 基于物品的相似度还是基于用户的相似度？
14.4.3 推荐引擎的评价
14.5 示例：餐馆菜肴推荐引擎
14.5.1 推荐未尝过的菜肴
14.5.2 利用SVD提高推荐的效果
14. 构建推荐引擎面临的挑战
14.6 基于SVD的图像压缩
14.7 本章小结
第15章大数据与MapReduce
15.1 MapReduce：分布式计算的框架
15.2 Hadoop流
15.2.1 分布式计算均值和方差的mapper
15.2.2 分布式计算均值和方差的reducer
1 在Amazon服务上运行Hadoop程序
1.1 AWS上的可用服务
1.2 开启Amazon服务之旅
1.3 在EMR上运行Hadoop作业
15.4 MapReduce上的机器学习
15.5 在Python中使用mrjob来自动化MapReduce
15.5.1 mrjob与EMR的无缝集成
15.5.2 mrjob的一个MapReduce脚本剖析
15.6 示例：分布式SVM的Pegasos算法
15.6.1 Pegasos算法
15.6.2 训练算法：用mrjob实现MapReduce版本的SVM
15.7 你真的需要MapReduce吗？
15.8 本章小结
附录A Python入门
附录B 线性代数
附录C 概率论复习
附录D 资源
索引
版权声明

精彩内容
......

内容简介

《机器学习实战》

机器学习是人工智能研究领域中的一个极其重要的方向。在现今大数据时代的背景下，捕获数据并从中萃取有价值的信息或模式，使得这一过去为分析师与数学家所专属的研究领域越来越为人们瞩目。
本书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效可复用的Python代码阐释如何处理统计数据，进行数据分析及可视化。读者可从中学到一些核心的机器学习算法，并将其运用于某些策略性任务中，如分类、预测及推荐等。
本书适合机器学习相关研究人员及互联网从业人员学习参考。

《机器学习》

" 机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。"

作者简介

《机器学习实战》

Peter Harrington
拥有电气工程学士和硕士学位，他曾经在美国加州和中国的英特尔公司工作7年。Peter拥有5项美国专利，在三种学术期刊上发表过文章。他现在是Zillabyte公司的首席科学家，在加入该公司之前，他曾担任2年的机器学习软件顾问。Peter在业余时间还参加编程竞赛和建造3D打印机。

《机器学习》

周志华，南京大学计算机系教授，ACM杰出科学家，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。国家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席。

定价定价Z

探索智能的奥秘：人工智能时代的必修课在这个日新月异的时代，人工智能（AI）正以前所未有的速度渗透到我们生活的方方面面，从智能手机的语音助手到自动驾驶汽车，从医疗诊断的辅助工具到金融市场的风险预测，AI的身影无处不在，深刻地改变着我们的工作方式、生活模式乃至思考维度。对于渴望理解和驾驭这场技术革命的读者而言，深入探索人工智能的本质、原理和应用，已成为时代的必然要求。本书籍旨在为广大读者提供一个全面、系统且易于理解的人工智能知识体系。我们不仅仅停留在对AI概念的浅尝辄止，而是将目光聚焦于其核心驱动力——机器学习。通过深入浅出的讲解，我们将揭示机器学习的强大之处，以及它如何赋予机器“学习”和“决策”的能力，使其能够从海量数据中提炼知识、发现规律，并根据这些知识进行预测和行动。人工智能的宏大图景：从概念到实践人工智能并非一个单一的技术，而是一个由众多分支和技术组成的庞大生态系统。从早期的逻辑推理和符号主义，到如今深度学习的崛起，AI的发展历程充满了智慧的火花和不懈的探索。本书将首先勾勒出人工智能的宏大图景，介绍其发展简史、核心概念以及不同流派的理论基础，帮助读者建立起对AI的整体认知框架。我们将探讨诸如专家系统、自然语言处理、计算机视觉、机器人学等关键领域，让读者对AI的应用边界有更清晰的认识。机器学习的基石：理解核心算法与原理机器学习作为当前人工智能领域最活跃、最具潜力的分支，其重要性不言而喻。本书将把大量篇幅投入到机器学习的核心算法和原理的讲解中。我们不会仅仅罗列公式，而是力求通过直观的解释、生动的案例以及必要的数学推导，让读者真正理解这些算法的内在逻辑。监督学习：从标注数据中学习我们将深入剖析监督学习的原理，包括如何构建模型来预测输出值（回归）或对数据进行分类（分类）。读者将学习到诸如线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升树（如XGBoost、LightGBM）等经典而强大的算法。我们将详细讲解这些算法的适用场景、优缺点，以及如何通过特征工程、模型选择和参数调优来提升模型性能。例如，在理解线性回归时，我们会从最简单的直线拟合出发，逐步引入多变量回归，并讲解最小二乘法的原理，以及如何评估回归模型的优劣。对于分类问题，我们将详细讲解逻辑回归如何将连续输出映射到概率，以及SVM如何通过寻找最优超平面来完成分类。决策树的直观易懂将通过决策规则的构建过程来展现，而集成学习方法如随机森林和梯度提升树则会强调其如何通过组合多个弱学习器来获得更强的泛化能力。无监督学习：在无标注数据中发现结构与监督学习不同，无监督学习处理的是没有预先标记的数据。本书将重点介绍无监督学习的两种主要任务：聚类和降维。我们将讲解K-Means、层次聚类等聚类算法，帮助读者理解如何将相似的数据点分组，发现数据内在的结构。同时，我们也会介绍主成分分析（PCA）、t-SNE等降维技术，解释如何在高维数据中提取最关键的信息，从而便于可视化和后续处理。例如，在讲解K-Means时，我们会通过简单的二维点集，逐步演示聚类中心的选择和迭代更新过程，以及如何评估聚类结果的质量。对于降维，PCA的原理将被详细阐述，使其能够理解如何通过线性变换捕捉数据的主要方差。强化学习：在交互中学习最优策略强化学习是一种通过与环境的交互来学习最优行为的机器学习范式。本书将介绍强化学习的基本概念，如智能体（agent）、环境（environment）、状态（state）、动作（action）和奖励（reward）。我们将探讨马尔可夫决策过程（MDP），以及Q-learning、SARSA等经典强化学习算法，让读者了解机器如何通过试错来学习如何在特定环境下做出最佳决策，以最大化累积奖励。我们会举例说明，例如一个简单的游戏场景，智能体如何通过尝试不同的动作，根据反馈的奖励来学习最优的游戏策略。深度学习：神经网络的强大力量作为当前AI领域最耀眼的明星，深度学习以其强大的特征提取能力和在图像、语音、文本等领域的突破性进展，极大地推动了人工智能的发展。本书将带领读者走进深度学习的世界，从最基础的感知机模型讲起，逐步构建起多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型。我们将详细讲解激活函数、损失函数、反向传播算法等核心概念，并展示CNN在图像识别任务中的强大威力，以及RNN在序列数据处理（如文本生成）中的应用。例如，在讲解CNN时，我们会详细阐述卷积层、池化层、全连接层的结构和作用，并结合具体的图像识别例子，让读者直观感受其特征提取能力。对于RNN，我们将解释其如何处理时间序列数据，并举例说明其在语音识别和机器翻译中的应用。从理论到实践：动手构建智能系统理论知识的掌握固然重要，但将理论付诸实践，才是真正理解和掌握AI的关键。本书的另一大亮点在于，我们将大量篇幅用于介绍如何将所学知识转化为实际应用。数据预处理与特征工程：构建高质量的训练数据现实世界的数据往往是复杂且充满噪声的。在进行机器学习之前，对数据进行有效的预处理至关重要。本书将详细介绍数据清洗、缺失值处理、异常值检测、数据标准化与归一化等技术。同时，我们将重点讲解特征工程的重要性，如何通过创建新的特征、对现有特征进行转换和组合，来提升模型的性能。读者将学习到如何从原始数据中提取有用的信息，为模型的学习奠定坚实基础。模型评估与选择：科学地衡量模型性能如何客观地评估一个机器学习模型的性能，并选择最适合特定任务的模型，是实践中绕不开的问题。本书将介绍各种模型评估指标，如准确率、精确率、召回率、F1分数、ROC曲线、AUC值等，并讲解交叉验证等技术，帮助读者理解如何避免模型过拟合和欠拟合，选择出泛化能力强的模型。常用机器学习库与工具：赋能你的开发现代机器学习的开发离不开强大的工具和库。本书将引导读者熟悉并使用Python中最流行的机器学习库，如NumPy、Pandas进行数据处理，Scikit-learn提供丰富的机器学习算法和工具，以及TensorFlow和PyTorch等深度学习框架，它们是构建复杂神经网络模型的基石。我们将通过实际的代码示例，展示如何利用这些工具快速实现各种机器学习任务。项目实战：用AI解决真实世界问题为了让读者更好地掌握所学知识，本书精心设计了一系列具有代表性的项目实战。这些项目涵盖了图像识别、文本情感分析、推荐系统、时间序列预测等多个热门领域。读者将跟随我们的指导，从数据获取、预处理，到模型选择、训练、评估，再到最终的模型部署，亲手完成一个完整的AI项目。通过这些实战，读者不仅能够巩固理论知识，更能深刻理解AI在解决实际问题中的强大能力和应用价值。例如，在图像识别项目中，我们将指导读者如何使用CNN识别猫狗图片；在情感分析项目中，我们将演示如何利用NLP技术分析用户评论的情感倾向；在推荐系统项目中，我们将介绍协同过滤和基于内容的推荐算法。面向未来：AI的伦理、挑战与发展趋势人工智能的飞速发展也带来了前所未有的挑战和伦理问题。本书的最后一部分将探讨AI的伦理、可解释性、公平性等重要议题，以及AI在未来可能的发展趋势，如AI与各行各业的深度融合、通用人工智能（AGI）的探索等。我们鼓励读者在追求技术进步的同时，也应审慎思考AI对社会的影响，并积极参与到AI伦理规范的讨论和建设中。本书适合的读者群体：对人工智能和机器学习感兴趣的初学者，希望系统学习AI基础知识和核心算法。有一定编程基础，希望将理论知识应用于实际开发，构建AI应用的开发者。对AI领域感到好奇，希望了解AI如何工作，以及它如何改变世界的普通读者。计算机科学、数据科学、统计学等相关专业的学生，希望深化对AI理论和实践的理解。本书力求内容翔实、讲解清晰、案例丰富，希望能成为您探索人工智能世界、开启智能时代之旅的得力助手。让我们一起，用智慧拥抱未来！

用户评价

评分☆☆☆☆☆

我必须强调的是，这两本书的语言风格和叙事逻辑都非常有特色。周志华老师的《机器学习》语言严谨而又不失学术的魅力，他在阐述复杂概念时，常常会引用一些经典的论文和研究成果，这让我在学习过程中，不仅掌握了知识，也感受到了学术的严谨和科学的探索精神。同时，他善于用精炼的语言概括核心思想，即使是复杂的数学推导，也能被他梳理得井井有条。而《机器学习实战》则更加接地气，语言通俗易懂，充满生活气息。书中大量的图表和可视化示例，让抽象的概念变得直观形象。例如，在讲解聚类算法时，它会用“给一群人分小组”这样贴近生活的比喻，让我一下子就明白了聚类的核心思想。这种语言风格的差异，反而让整套书显得更加丰富多彩，也满足了不同学习风格读者的需求。

评分☆☆☆☆☆

《机器学习实战》这本书，则完全是另一种风格，它更像是我的“实操手册”。前面学到的理论知识，在这里得到了最直接的应用。这本书最大的亮点在于，它不是简单地罗列代码，而是将理论与实践紧密结合。每讲解完一个算法，都会立刻附上相应的Python代码示例，而且代码写得非常规范、易于理解。更重要的是，它会指导你如何一步步地去实现，从数据预处理到模型训练，再到结果评估，每一个环节都详细讲解。我试着跟着书中的例子，用自己的数据集跑了一遍，结果真的非常令人惊喜。我学会了如何用scikit-learn库来构建模型，如何调整参数来优化性能，甚至还学到了一些处理实际问题中常见的数据噪声的方法。这种“边学边做”的学习模式，让我感觉自己真的在“做”机器学习，而不是仅仅停留在理论层面。每次完成一个小项目，都充满了成就感，也让我对机器学习的应用场景有了更深的认识。

评分☆☆☆☆☆

总而言之，这套书的价值远不止于“人工智能书籍”的标签。它更像是一扇打开新世界的大门，让我从一个对机器学习一无所知的门外汉，逐渐变成了一个能够动手实践、理解原理的学习者。我曾尝试过其他一些零散的学习资料，但总是感觉难以系统化。而这套书的出现，填补了我知识体系中的空白。它让我明白，机器学习并非高不可攀，只要掌握了正确的方法和工具，每个人都有可能在这个领域有所作为。无论是想要深入研究算法原理的学者，还是希望快速应用机器学习解决实际问题的工程师，都能在这套书中找到自己需要的内容。我真心推荐这套书给所有对机器学习充满好奇心的朋友们，相信它也会给你带来意想不到的收获。

评分☆☆☆☆☆

这套书简直是给初学者量身定做的！我一直对人工智能和机器学习很感兴趣，但又不知道从何下手。市面上相关的书籍琳琅满目，但总觉得要么太理论化，要么太碎片化。直到我遇到了这套书，才真正感受到了“入门”的畅快。《机器学习》这本书，周志华老师的讲解真的是清晰易懂，循序渐进。他不是上来就抛出一大堆复杂的数学公式，而是先从直观的例子入手，让你理解机器学习的基本思想和核心概念。比如，讲解决策树的时候，他会用生活中的场景来比喻，让你一下子就能抓住重点。即使是像“偏差-方差权衡”这种比较抽象的概念，也能被他解释得明明白白。而且，书中还会穿插一些历史背景和发展脉络，让你不仅知其然，更知其所以然，对这个领域有一个更宏观的认识。我印象特别深的是，他在讲到过拟合和欠拟合的时候，用了一个非常形象的比喻，让我瞬间就理解了为什么模型会“跑偏”。这种循序渐进、寓教于乐的讲解方式，真的让学习过程变得轻松愉快，再也不用面对堆积如山的公式而望而却步了。

评分☆☆☆☆☆

这套书给我的感觉就像是拥有了一位经验丰富的导师，他既有深厚的理论功底，又精通实战技巧。周志华老师的《机器学习》就像是那位博学的导师，他为你打下坚实的理论基础，让你理解“为什么”和“是什么”。而《机器学习实战》则像是那位经验丰富的实践者，他手把手教你“怎么做”，让你真正掌握“如何用”。我最喜欢的是，这两本书的内容并非完全割裂，而是相互呼应，相互补充。在《机器学习实战》中，当你遇到某个技术难题时，可以回过头去翻阅《机器学习》，找到相关的理论解释，加深理解。反之，当你对某个理论概念感到困惑时，也可以通过《机器学习实战》中的实践案例来验证和体会。这种“理论+实战”的融合，让学习过程更加高效和深入，也让我能够更自信地去探索更复杂的机器学习模型和应用。