正版 scikit-learn机器学习 常用算法原理及编程实战黄永昌机器人工智能机器学习 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• scikit-learn
• 机器学习
• 人工智能
• 算法
• 编程实战
• Python
• 数据挖掘
• 黄永昌
• 机器学习
• 模型构建

店铺： 恒久图书专营店

出版社： 机械工业出版社

ISBN：9787111590248

商品编码：25556439649

出版时间：2018-02-01

商品参数

scikit-learn机器学习：常用算法原理及编程实战
	定价	59.00
	出版社	机械工业出版社
	版次	1
	出版时间	2018年02月
	开本	16
	作者	黄永昌
	装帧	平装
	页数	0
	字数	0
	ISBN编码	9787111590248

内容介绍

本书通过通俗易懂的语言、丰富的图示和生动的实例，拨开了笼罩在机器学习上方复杂的数学“乌云”，让读者以较低的代价和门槛轻松入门机器学习。
本书共分为11章，介绍了在Python环境下学习scikit-learn机器学习框架的相关知识，涵盖的主要内容有机器学习概述、Python机器学习软件包、机器学习理论基础、k-近邻算法、线性回归算法、逻辑回归算法、决策树、支持向量机、朴素贝叶斯算法、PCA 算法和k-均值算法等。
本书适合有一定编程基础的读者阅读，尤其适合想从事机器学习、人工智能、深度学习及机器人相关技术的程序员和爱好者阅读。另外，相关院校和培训机构也可以将本书作为教材使用。

目录

前言 
 第1章 机器学习介绍 1
1.1 什么是机器学习 1
1.2 机器学习有什么用 2
1.3 机器学习的分类 3
1.4 机器学习应用开发的典型步骤 4
1.4.1 数据采集和标记 4
1.4.2 数据清洗 5
1.4.3 特征选择 5
1.4.4 模型选择 5
1.4.5 模型训练和测试 5
1.4.6 模型性能评估和优化 5
1.4.7 模型使用 6
1.5 复习题 6
第2章 Python机器学习软件包 7
2.1 开发环境搭建 7
2.2 IPython简介 8
2.2.1 IPython基础 8
2.2.2 IPython图形界面 13
2.3 Numpy简介 15

2.3.1 Numpy数组 15
2.3.2 Numpy运算 19
2.4 Pandas简介 32
2.4.1 基本数据结构 32
2.4.2 数据排序 34
2.4.3 数据访问 34
2.4.4 时间序列 36
2.4.5 数据可视化 36
2.4.6 文件读写 38
2.5 Matplotlib简介 38
2.5.1 图形样式 38
2.5.2 图形对象 40
2.5.3 画图操作 46
2.6 scikit-learn简介 51
2.6.1 scikit-learn示例 51
2.6.2 scikit-learn一般性原理和通用规则 55
2.7 复习题 56
2.8 拓展学习资源 57
第3章 机器学习理论基础 58
3.1 过拟合和欠拟合 58
3.2 成本函数 59
3.3 模型准确性 60
3.3.1 模型性能的不同表述方式 61
3.3.2 交叉验证数据集 61
3.4 学习曲线 62
3.4.1 实例：画出学习曲线 62
3.4.2 过拟合和欠拟合的特征 65
3.5 算法模型性能优化 65
3.6 查准率和召回率 66
3.7 F1 Score 67
3.8 复习题 67
第4章 k-近邻算法 69
4.1 算法原理 69
4.1.1 算法优缺点 69
4.1.2 算法参数 70
4.1.3 算法的变种 70
4.2 示例：使用k-近邻算法进行分类 70
4.3 示例：使用k-近邻算法进行回归拟合 72
4.4 实例：糖尿病预测 74
4.4.1 加载数据 74
4.4.2 模型比较 75
4.4.3 模型训练及分析 77
4.4.4 特征选择及数据可视化 78
4.5 拓展阅读 80
4.5.1 如何提高k-近邻算法的运算效率 80
4.5.2 相关性测试 80
4.6 复习题 81
第5章 线性回归算法 83
5.1 算法原理 83
5.1.1 预测函数 83
5.1.2 成本函数 84
5.1.3 梯度下降算法 84
5.2 多变量线性回归算法 86
5.2.1 预测函数 86
5.2.2 成本函数 87
5.2.3 梯度下降算法 88
5.3 模型优化 89
5.3.1 多项式与线性回归 89
5.3.2 数据归一化 89
5.4 示例：使用线性回归算法拟合正弦函数 90
5.5 示例：测算房价 92
5.5.1 输入特征 92
5.5.2 模型训练 93
5.5.3 模型优化 94
5.5.4 学习曲线 95
5.6 拓展阅读 96
5.6.1 梯度下降迭代公式推导 96
5.6.2 随机梯度下降算法 96
5.6.3 标准方程 97
5.7 复习题 97
第6章 逻辑回归算法 98
6.1 算法原理 98
6.1.1 预测函数 98
6.1.2 判定边界 99
6.1.3 成本函数 100
6.1.4 梯度下降算法 102
6.2 多元分类 102
6.3 正则化 103
6.3.1 线性回归模型正则化 103
6.3.2 逻辑回归模型正则化 104
6.4 算法参数 104
6.5 实例：乳腺癌检测 106
6.5.1 数据采集及特征提取 106
6.5.2 模型训练 108
6.5.3 模型优化 110
6.5.4 学习曲线 111
6.6 拓展阅读 113
6.7 复习题 114
第7章 决策树 115
7.1 算法原理 115
7.1.1 信息增益 116
7.1.2 决策树的创建 119
7.1.3 剪枝算法 120
7.2 算法参数 121
7.3 实例：预测泰坦尼克号幸存者 122
7.3.1 数据分析 122
7.3.2 模型训练 123
7.3.3 优化模型参数 124
7.3.4 模型参数选择工具包 127
7.4 拓展阅读 130
7.4.1 熵和条件熵 130
7.4.2 决策树的构建算法 130
7.5 集合算法 131
7.5.1 自助聚合算法Bagging 131
7.5.2 正向激励算法boosting 131
7.5.3 随机森林 132
7.5.4 ExtraTrees算法 133
7.6 复习题 133
第8章 支持向量机 134
8.1 算法原理 134
8.1.1 大间距分类算法 134
8.1.2 松弛系数 136
8.2 核函数 138
8.2.1 *简单的核函数 138
8.2.2 相似性函数 140
8.2.3 常用的核函数 141
8.2.4 核函数的对比 142
8.3 scikit-learn里的SVM 144
8.4 实例：乳腺癌检测 146
8.5 复习题 149
第9章 朴素贝叶斯算法 151
9.1 算法原理 151
9.1.1 贝叶斯定理 151
9.1.2 朴素贝叶斯分类法 152
9.2 一个简单的例子 153
9.3 概率分布 154
9.3.1 概率统计的基本概念 154
9.3.2 多项式分布 155
9.3.3 高斯分布 158
9.4 连续值的处理 159
9.5 实例：文档分类 160
9.5.1 获取数据集 160
9.5.2 文档的数学表达 161
9.5.3 模型训练 163
9.5.4 模型评价 165
9.6 复习题 167
第10章 PCA算法 168
10.1 算法原理 168
10.1.1 数据归一化和缩放 169
10.1.2 计算协方差矩阵的特征向量 169
10.1.3 数据降维和恢复 170
10.2 PCA 算法示例 171
10.2.1 使用Numpy模拟PCA计算过程 171
10.2.2 使用sklearn进行PCA降维运算 173
10.2.3 PCA的物理含义 174
10.3 PCA 的数据还原率及应用 175
10.3.1 数据还原率 175
10.3.2 加快监督机器学习算法的运算速度 176
10.4 实例：人脸识别 176
10.4.1 加载数据集 176
10.4.2 一次失败的尝试 179
10.4.3 使用PCA来处理数据集 182
10.4.4 *终结果 185
10.5 拓展阅读 189
10.6 复习题 189
第11章 k-均值算法 190
11.1 算法原理 190
11.1.1 k-均值算法成本函数 191
11.1.2 随机初始化聚类中心点 191
11.1.3 选择聚类的个数 192
11.2 scikit-learn里的k-均值算法 192
11.3 使用k-均值对文档进行聚类分析 195
11.3.1 准备数据集 195
11.3.2 加载数据集 196
11.3.3 文本聚类分析 197
11.4 聚类算法性能评估 200
11.4.1 Adjust Rand Index 200
11.4.2 齐次性和完整性 201
11.4.3 轮廓系数 203
11.5 复习题 204
后记 205 

《Python深度学习与人工智能应用实践》 内容简介： 本书旨在为读者构建一个扎实的深度学习理论基础，并结合Python丰富的生态系统，深入剖析现代人工智能的核心技术。从基础概念的梳理，到主流模型的设计与实现，再到实际应用场景的拓展，本书力求为开发者、研究者以及对人工智能充满热情的朋友们提供一条清晰的学习路径。我们关注的不仅是算法的“是什么”，更是“为什么”以及“如何”在真实世界中解决问题。 第一部分：深度学习基础理论与Python实现 本部分将带领读者从头开始，系统性地理解深度学习的基石。 神经网络的演进与构建： 我们将从简单的感知机模型入手，逐步介绍多层感知机（MLP）的结构，理解激活函数的作用（如Sigmoid, ReLU, Tanh），以及如何利用反向传播算法进行参数更新。我们将详细解释损失函数（如交叉熵、均方误差）在模型训练中的角色，以及优化器（如SGD, Adam, RMSprop）如何加速收敛并克服局部最优。此外，还会探讨正则化技术（如L1, L2, Dropout）在防止过拟合中的重要性。 卷积神经网络（CNN）原理与应用： 针对图像处理任务，CNN是不可或缺的工具。我们将深入讲解卷积层、池化层（最大池化、平均池化）的设计思想，理解卷积核（Filter）是如何提取图像特征的，以及感受野（Receptive Field）的概念。本书将详细解析经典的CNN架构，如LeNet-5, AlexNet, VGGNet, GoogLeNet (Inception) 和 ResNet，分析它们在层级结构、网络深度和参数共享等方面的创新之处。通过Python代码示例，读者将学习如何使用TensorFlow/Keras或PyTorch构建和训练自己的CNN模型，解决图像分类、目标检测和图像分割等问题。 循环神经网络（RNN）及其变种： 对于序列数据，RNN是处理文本、语音等信息的关键。我们将详细阐述RNN的循环机制，理解其在捕捉时序依赖性方面的优势和局限性。在此基础上，我们将重点介绍长短期记忆网络（LSTM）和门控循环单元（GRU）的内部结构，解析它们如何通过门控机制有效缓解梯度消失/爆炸问题，从而学习长距离依赖。本书将提供使用Python实现RNN、LSTM和GRU的实践代码，引导读者完成情感分析、机器翻译、文本生成等任务。 注意力机制（Attention Mechanism）与Transformer模型： 近年来，注意力机制彻底改变了序列建模的格局。我们将深入剖析注意力机制的原理，包括查询（Query）、键（Key）、值（Value）的概念，以及自注意力（Self-Attention）和跨注意力（Cross-Attention）的不同应用。在此基础上，我们将详细讲解Transformer模型的架构，理解其如何摒弃了RNN的循环结构，完全依赖于自注意力机制来处理序列信息。本书将重点关注Transformer在自然语言处理（NLP）领域的强大表现，如BERT、GPT系列等预训练模型的原理与微调方法。通过实践，读者将学习如何利用Transformer构建更强大的NLP模型。 生成对抗网络（GAN）及其衍生模型： GAN作为生成模型的一大突破，能够生成逼真的图像、文本甚至音频。我们将详细介绍GAN的基本框架，包括生成器（Generator）和判别器（Discriminator）如何相互博弈，实现逼真的数据生成。本书将深入讲解DCGAN（Deep Convolutional GAN）、StyleGAN、CycleGAN等经典GAN模型的改进和应用，涵盖图像生成、风格迁移、超分辨率等前沿方向。读者将有机会通过代码实践，体验从零开始构建和训练GAN模型的乐趣。 第二部分：人工智能核心技术与Python实践 本部分将拓展深度学习的应用范畴，深入探讨人工智能的其他关键技术，并强调Python在其中的重要作用。 机器学习基础回顾与Python工具链： 尽管本书重点是深度学习，但对传统机器学习算法的理解仍然至关重要。我们将简要回顾监督学习（回归、分类）、无监督学习（聚类、降维）和强化学习的基本概念。在此基础上，本书将重点介绍Python在机器学习领域的强大工具链，包括NumPy（数值计算）、Pandas（数据处理）、Matplotlib/Seaborn（数据可视化）等。我们将重点讲解Scikit-learn库的常用功能，如数据预处理（特征缩放、编码）、模型选择（交叉验证、网格搜索）以及基础算法的实现（如线性回归、逻辑回归、支持向量机、决策树、随机森林、K-Means等），为读者提供一个扎实的实践起点。 自然语言处理（NLP）进阶： 除了Transformer模型，我们将深入探讨NLP的其他重要技术。包括词嵌入（Word Embeddings）如Word2Vec、GloVe的原理与应用，词性标注（Part-of-Speech Tagging）、命名实体识别（Named Entity Recognition）等任务的常见模型与实现。我们将介绍如何利用NLTK、spaCy等Python库进行文本预处理、分词、词性分析等操作。此外，还会涉及主题模型（如LDA）在文本挖掘中的应用。 计算机视觉（CV）进阶： 在CNN的基础上，我们将进一步探索计算机视觉的更多前沿技术。例如，目标检测算法（如R-CNN系列、YOLO、SSD）的原理与实现，语义分割与实例分割（如FCN, U-Net, Mask R-CNN）的技术细节，以及图像生成、图像修复、姿态估计等应用。我们将介绍OpenCV等图像处理库的使用，以及如何在实际项目中部署和优化CV模型。 强化学习（RL）导论与实践： 强化学习作为人工智能的重要分支，在游戏AI、机器人控制等领域展现出巨大潜力。我们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）、奖励（Reward）以及策略（Policy）。本书将详细讲解Q-learning、SARSA等经典强化学习算法，并介绍深度强化学习（DRL）的概念，如DQN（Deep Q-Network）如何结合深度学习解决高维状态空间问题。读者将通过Python代码实现简单的RL环境和算法，理解RL的工作流程。 模型部署与优化： 理论知识与实际应用之间存在鸿沟。本书将指导读者如何将训练好的模型部署到实际环境中。我们将介绍模型序列化（如Pickle, HDF5, ONNX）的方法，以及如何在服务器端（如Flask, FastAPI）或边缘设备上进行推理。此外，还会探讨模型压缩、量化、剪枝等技术，以提高模型的推理速度和效率，使其能够更好地服务于实际应用。 第三部分：人工智能应用场景与案例分析 本部分将结合实际案例，展示深度学习和人工智能如何在各个领域发挥作用。 智能推荐系统： 分析协同过滤、基于内容的推荐以及混合推荐等策略，并探讨如何利用深度学习模型（如矩阵分解、深度神经网络）构建更精准的推荐系统。 智能问答与对话系统： 介绍基于规则、信息检索和深度学习的问答系统，以及端到端的对话系统设计。 自动驾驶与机器人技术： 探讨计算机视觉在感知层面的应用，如障碍物检测、车道线识别，以及路径规划和控制策略。 医疗健康领域的AI应用： 如医学影像分析、疾病诊断辅助、药物研发等。 金融领域的AI应用： 如信用评分、欺诈检测、量化交易等。 学习方法与本书特色： 本书强调理论与实践相结合。每一章节都配有清晰的Python代码示例，读者可以跟随代码进行动手实践，加深对算法原理的理解。我们鼓励读者在学习过程中积极思考，尝试修改参数、调整模型结构，探索不同的解决方案。本书内容由浅入深，循序渐进，旨在为初学者提供一条易于上手的学习路径，同时也为有一定基础的开发者提供深入的理论探讨和前沿的技术视野。本书力求内容详实，语言通俗易懂，避免使用过于晦涩的术语，力求让每一位读者都能在人工智能的海洋中有所收获。 目标读者： 对人工智能、机器学习、深度学习感兴趣的在校学生。 希望提升编程技能、掌握AI应用开发的软件工程师。 需要将AI技术应用于自身业务的各行业从业者。 希望深入理解AI技术原理的研究人员。 任何对创造智能系统充满好奇和热情的个人。 通过阅读本书，您将不仅掌握深度学习的核心算法和Python实现技巧，更能培养独立解决AI问题的能力，为您的职业发展和个人探索开启无限可能。

评分☆☆☆☆☆

从学习路径的规划来看，这本书的设计者显然对初学者的认知曲线有着深刻的理解。它构建了一个非常合理的学习阶梯，从基础的数据结构和Python环境配置开始，逐步过渡到核心的机器学习算法，最后收束于模型评估与集成学习的高级主题。作者并没有急于求成，而是为每一个知识模块都预留了足够的“消化时间”，确保读者在进入下一阶段学习前，已经对前一阶段的内容融会贯通。我尤其欣赏它在“模型诊断”部分的处理，没有将过拟合和欠拟合简单地定义，而是通过交叉验证、学习曲线和残差分析等多种工具，给出了一套完整的“望闻问切”的方法论。这种系统性的思维框架，对于构建一个坚实的知识体系至关重要，它指导我不再是零散地学习各个算法，而是以一种更加宏观和结构化的视角去审视整个机器学习领域。这本书与其说是一本工具手册，不如说是一份精心绘制的“机器学习领域探险地图”。

评分☆☆☆☆☆

这本书在理论深度上的挖掘简直是教科书级别的示范，它并没有停留在对各种算法名词的简单罗列和API调用演示上，而是花费了大量的篇幅，深入剖析了支撑这些模型运行的数学基础和统计学原理。例如，在讲解支持向量机（SVM）时，作者不仅仅展示了如何使用库函数，而是溯源到了拉格朗日对偶问题、核技巧的引入，甚至对不同核函数（线性、多项式、径向基函数RBF）的几何意义进行了详尽的几何解释，配图清晰直观，即便是我这个对高数有那么点畏惧的人，也能感受到其中的逻辑美感。这种层层递进的讲解方式，确保了读者在应用工具之前，能够真正理解“为什么”这样做会有效，而不是盲目地复制粘贴代码。对于决策树和随机森林部分，作者对熵、信息增益、基尼不纯度的对比分析，做得尤为出色，清晰地指出了它们各自的适用场景和理论缺陷，这种辩证的视角对于培养批判性思维至关重要。读完相关章节，我感觉自己对机器学习的理解从“会用”提升到了“能设计”的层面，收获远超预期。

评分☆☆☆☆☆

这本书的叙事风格非常独特，它不像很多技术书籍那样冷冰冰的，而是带有一种娓娓道来的亲切感。作者在穿插复杂的理论推导时，会适当地加入一些个人在研究或项目实践中遇到的“坑”和感悟，这些小插曲让整本书的阅读体验变得生动有趣，仿佛是在与一位经验丰富的前辈进行面对面的交流。例如，在讲解梯度下降法的收敛性问题时，作者没有直接抛出复杂的数学证明，而是先从一个直观的比喻开始，描述了“走在山谷里如何最快找到最低点”的困境，这瞬间就让抽象的优化问题变得可视化了。这种寓教于乐的讲解方式，极大地降低了技术学习的门槛，对于那些容易在公式面前望而却步的读者来说，无疑是一剂强心针。它成功地在保证学术严谨性的同时，保持了极佳的可读性，让人愿意主动去啃下那些看似艰难的技术骨架。

评分☆☆☆☆☆

这本书的装帧设计实在让人眼前一亮，封面采用了沉稳的深蓝色调，配上简洁的白色和少许亮黄色字体，给人一种专业而又不失现代感的感觉。拿到手里沉甸甸的，封皮的触感是那种哑光的质感，摸上去很舒服，能感受到制作方的用心。内页的纸张选择也十分考究，不是那种泛黄的劣质纸，而是白度适中、光线柔和的纸张，长时间阅读下来眼睛的疲劳感减轻了不少。尤其是书中那些复杂的算法图示和代码块的排版，逻辑清晰，层次分明，即便是初学者也能快速定位到关键信息。很多技术书籍在排版上常常显得拥挤不堪，但这本的处理方式非常大气，留白得当，让阅读的节奏变得更加流畅。我特别欣赏作者在细节上对阅读体验的关注，比如章节标题的字体大小和加粗处理，都恰到好处地引导了读者的视线，使得在查阅特定知识点时效率倍增。这种对印刷质量和排版美学的坚持，无疑提升了整本书的价值感，让人在学习之余，也能享受到一种视觉上的愉悦。一本好的技术书，不仅内容要硬核，外在的呈现方式同样重要，它反映了作者和出版社对读者的尊重。

评分☆☆☆☆☆

实战部分的案例设计展现了作者丰富的工程经验，这些例子绝非那些老生常谈的鸢尾花或波士顿房价数据集，而是选择了一些贴近工业界实际问题的场景，极大地拓宽了我的应用视野。作者非常注重代码的可复现性和工程化思维的培养，提供的每一个代码片段都经过了严谨的测试，并且注重了异常处理和参数调优的细节说明。特别是关于特征工程那一章，他介绍了一套行之有效的数据清洗和特征构造流程，从缺失值插补的多种策略对比，到高维稀疏特征的处理技巧，都配有具体的Python代码实现，并解释了每一步背后的业务含义。我按照书中的步骤，尝试解决了我工作中遇到的一个分类难题，对比使用基础模型和经过精细特征工程后的模型表现，提升效果立竿见影。这套实战方法论的价值，远超书本本身的定价，它教会我的更多是“如何像一个专业的数据科学家那样去思考和动手”，这才是技术书籍最宝贵的财富。