Python與機器學習實戰：決策樹、集成學習、支持嚮量機與神經網絡算法詳解及編程實現

Python與機器學習實戰：決策樹、集成學習、支持嚮量機與神經網絡算法詳解及編程實現

 (作者)  

• 書 號：978-7-121-31720-0
• 齣版日期：2017-06-30
• 頁 數：328
• 開 本：16(185*235)
• 定價69.00
• Python與機器學習這一話題是如此的寬廣，僅靠一本書自然不可能涵蓋到方方麵麵，甚至即使齣一個係列也難能做到這點。單就機器學習而言，其領域就包括但不限於如下：有監督學習（Supervised Learning），無監督學習（Unsupervised Learning）和半監督學習（Semi-Supervised Learning）。而具體的問題又大緻可以分兩類：分類問題（Classification）和迴歸問題（Regression）。
  Python本身帶有許多機器學習的第三方庫，但本書在絕大多數情況下隻會用到Numpy這個基礎的科學計算庫來進行算法代碼的實現。這樣做的目的是希望讀者能夠從實現的過程中更好地理解機器學習算法的細節，以及瞭解Numpy的各種應用。不過作為補充，本書會在適當的時候應用scikit-learn這個成熟的第三方庫中的模型。
  本書適用於想瞭解傳統機器學習算法的學生和從業者，想知道如何高效實現機器的算法的程序員，以及想瞭解機器學習的算法能如何進行應用的職員、經理等。目錄
  第1章 Python與機器學習入門 1
  1.1 機器學習緒論 1
  1.1.1 什麼是機器學習 2
  1.1.2 機器學習常用術語 3
  1.1.3 機器學習的重要性 6
  1.2 人生苦短，我用Python 7
  1.2.1 為何選擇Python 7
  1.2.2 Python 在機器學習領域的優勢 8
  1.2.3 Anaconda的安裝與使用 8
  1.3 ，個機器學習樣例 12
  1.3.1 獲取與處理數據 13
  1.3.2 選擇與訓練模型 14
  1.3.3 評估與可視化結果 15
  1.4 本章小結 17
  第2章 貝葉斯分類器 18
  2.1 貝葉斯學派 18
  2.1.1 貝葉斯學派與頻率學派 19
  2.1.2 貝葉斯決策論 19
  2.2 參數估計 20
  2.2.1 極大似然估計（ML估計） 21
  2.2.2 極大後驗概率估計（MAP估計） 22
  2.3 樸素貝葉斯 23
  2.3.1 算法陳述與基本架構的搭建 23
  2.3.2 MultinomialNB的實現與評估 31
  2.3.3 GaussianNB的實現與評估 40
  2.3.4 MergedNB的實現與評估 43
  2.3.5 算法的嚮量化 50
  2.4 半樸素貝葉斯與貝葉斯網 53
  2.4.1 半樸素貝葉斯 53
  2.4.2 貝葉斯網 54
  2.5 相關數學理論 55
  2.5.1 貝葉斯公式與後驗概率 55
  2.5.2 離散型樸素貝葉斯算法 56
  2.5.3 樸素貝葉斯和貝葉斯決策 58
  2.6 本章小結 59
  第3章 決策樹 60
  Python與機器學習實戰：決策樹、集成學習、支持嚮量機與神經網絡算法詳解及編程實現 下載 mobi epub pdf txt 電子書