Python机器学习：原理与实践（数据科学与大数据技术丛书） 阿里云 kindle 下载 pdf chm 百度云 azw3 umd

本书引领读者进入Python机器学习领域。理论上突出机器学习原理讲解的可读性并兼具知识深度和广度，实践上强调机器学习的可操作性并兼具应用广泛性。本书不仅对原理进行了深入透彻的理论讲解，而且通过Python编程给出了原理的直观解释以及可操作实现的应用案例。本书适合作为高等院校相关专业的机器学习教学用书，也可作为Python机器学习研究应用人员的参考用书。

第1章 机器学习与Python 概述

1.1 机器学习与人工智能1.1.1 符号主义人工智能

1.1.2 基于机器学习的人工智能

1.2 机器学习能做什么

1.2.1 机器学习的学习对象: 数据集

1.2.2 机器学习的任务

1.3 Python 实践课: 初识Python

1.3.1 实践一: Python 和Anaconda

1.3.2 实践二: Python 第三方包的引用

1.3.3 实践三: 学习Python 的NumPy 包

1.3.4 实践四: 学习Python 的Pandas 包

1.3.5 实践五: 学习Python 的Matplotlib 包

1.3.6 实践六: 了解Python 的Scikit-learn 包

附录

第2章数据预测中的相关问题

2.1 数据预测与预测建模

2.1.1 预测模型

2.1.2 预测模型的几何理解

2.1.3 预测模型参数估计的基本策略

2.2 预测模型的评价

2.2.1 模型误差的评价指标

2.2.2 模型的图形化评价工具

2.2.3 泛化误差的估计方法

2.2.4 数据集的划分策略

2.3 预测模型的选择问题

2.3.1 几个重要观点

2.3.2 模型过拟合

2.3.3 预测模型的偏差和方差

2.4 Python 实践课: 加深理论理解，探索应用实践

2.4.1 实践一: 预测模型中的一般线性回归模型和Logistic 回归模型

2.4.2 实践二: 预测模型的评价指标和图形化评价工具

2.4.3 实践三: 不同复杂度模型下的训练误差和测试误差

2.4.4 实践四: 数据集划分以及测试误差估计

2.4.5 实践五: 模型的过拟合以及偏差和方差

附录

第3章 数据预测建模: 贝叶斯分类器

3.1 贝叶斯概率和贝叶斯法则

3.1.1 贝叶斯概率

3.1.2 贝叶斯法则

3.2 贝叶斯和朴素贝叶斯分类器

3.2.1 贝叶斯和朴素贝叶斯分类器的一般内容

3.2.2 贝叶斯分类器的先验分布

3.3 贝叶斯分类器的分类边界

3.4 Python 实践课: 加深理论理解，探索应用实践

3.4.1 实践一: 探索不同参数下的贝塔分布特点

3.4.2 实践二: 绘制贝叶斯分类器的分类边界

3.4.3 实践三: 二分类的空气污染预测

3.4.4 实践四: 多分类的文本分类预测

附录

第4章 数据预测建模: 近邻分析

4.1 近邻分析: K-近邻法

4.1.1 距离: K-近邻法的近邻度量

4.1.2 参数K: 1-近邻法还是K-近邻法

4.2 基于观测相似性的加权K-近邻法

4.2.1 加权K-近邻法的权重

4.2.2 加权K-近邻法的预测

4.2.3 加权K-近邻法的分类边界

4.3 K-近邻法的适用性

4.4 Python 实践课: 加深理论理解，探索应用实践

4.4.1 实践一: K-近邻法不同参数K下的分类边界

4.4.2 实践二: 探讨加权K-近邻法中不同核函数的特点

4.4.3 实践三: 加权K{近邻法不同参数和加权策略下的分类边界

4.4.4 实践三: 空气质量等级预测中的参数K

4.4.5 K-近邻法的回归预测问题

附录

第5章 数据预测建模: 决策树

5.1 决策树的核心问题

5.1.1 什么是决策树

5.1.2 分类树的分类边界

5.1.3 回归树的回归平面

5.1.4 决策树的生长和剪枝

5.2 分类回归树的生长

5.2.1 分类树中的异质性度量

5.2.2 回归树中的异质性度量

5.3 分类回归树的剪枝

5.3.1 代价复杂度和小代价复杂度

5.3.2 分类回归树的剪枝过程

5.4 Python 实践课: 加深理论理解，探索应用实践

5.4.1 实践一: 回归树的回归面

5.4.2 实践二: 不同树深度下分类树的分类边界

5.4.3 实践三: 分类树中的基尼系数和熵

5.4.4 实践四: 空气质量等级的分类预测

5.4.5 实践五: 回归树和过拟合

附录

第6章 数据预测建模: 集成学习

6.1 集成学习的一般问题

6.1.1 集成学习: 解决高方差问题

6.1.2 集成学习: 从弱模型到强模型

6.2 基于重抽样自举法的集成学习

6.

薛薇，中国人民大学统计学院副教授，中国人民大学应用统计科学研究中心研究员。所撰写著作曾获“十二五”普通高等教育本科规划教材、北京市高等教育精品教材。主要开设课程包括机器学习，统计分析软件等。研究方向为机器学习与深度学习算法及应用研究。

暂无出版社相关信息，正在全力查找中！

本书在每章均设置了Python实践课环节。一方面，通过Python程序代码和可再现的各种图形，帮助学习者理解抽象理论背后的直观含义和方法精髓。另一方面，通过Python代码，帮助学习者掌握和拓展机器学习的算法实现和应用实践。同时，对程序中的关键点进行适度说明，并结合方法原理对程序运行结果进行解读，对相关算法及其特点进行比较评述。全书所有模型和算法都有相应的Python程序，并提供全部代码下载。

在线阅读地址：Python机器学习：原理与实践（数据科学与大数据技术丛书）在线阅读

在线听书地址：Python机器学习：原理与实践（数据科学与大数据技术丛书）在线收听

在线购买地址：Python机器学习：原理与实践（数据科学与大数据技术丛书）在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

本书引领读者进入Python机器学习领域。理论上突出机器学习原理讲解的可读性并兼具知识深度和广度，实践上强调机器学习的可操作性并兼具应用广泛性。本书不仅对原理进行了深入透彻的理论讲解，而且通过Python编程给出了原理的直观解释以及可操作实现的应用案例。本书适合作为高等院校相关专业的机器学习教学用书，也可作为Python机器学习研究应用人员的参考用书。