书籍详情
机器学习基础：从入门到求职
作者：胡欢武 著
出版社：电子工业出版社
出版时间：2019-03-01
ISBN：9787121355219
定价：¥89.00
购买这本书可以去
内容简介
本书是一本机器学习算法方面的理论+实践读物，主要包含机器学习基础理论、回归模型、分类模型、聚类模型、降维模型和深度学习模型六大部分。机器学习基础理论部分包含第1、2章，主要介绍机器学习的理论基础和工程实践基础。第3章是回归模型部分，主要包括模型的建立、学习策略的确定和优化算法的求解过程，最后结合三种常见的线性回归模型实现了一个房价预测的案例。第4至11章详细介绍了几种常见的分类模型，包括朴素贝叶斯模型、K近邻模型、决策树模型、Logistic回归模型、支持向量机模型、随机森林模型、AdaBoost模型和提升树模型，每一个模型都给出了较为详细的推导过程和实际应用案例。第12章系统介绍了五种常见的聚类模型，包括K-Means聚类、层次聚类、密度聚类、谱聚类和高斯混合聚类，每一个模型的原理、优缺点和工程应用实践都给出了较为详细的说明。第13章系统介绍了四种常用的降维方式，包括奇异值分解、主成分分析、线性判别分析和局部线性嵌入，同样给出了详细的理论推导和分析。最后两章分别是词向量模型和深度神经网络模型，其中，词向量模型详细介绍了Word2Vec和Doc2Vec模型的原理推导和应用；深度神经网络模型系统介绍了深度学习相关的各类基础知识。本书适合对人工智能和机器学习感兴趣的学生、求职者和已工作人士，以及想要使用机器学习这一工具的跨行业者（有最基本的高等数学、线性代数、概率基础即可），具体判别方法建议您阅读本书的前言。
作者简介
胡欢武，毕业于上海交通大学电子与通信工程专业，研究机器学习和数据挖掘方面近4年。运营有数据科学方面的知乎专栏和微信公众号，在过去3个月期间累计关注者已经超过3000人。现就职于阿里巴巴。
目录
第1章 机器学习概述 1
1．1 机器学习介绍 1
1．1．1 机器学习的特点 1
1．1．2 机器学习的对象 2
1．1．3 机器学习的应用 4
1．2 机器学习分类 5
1．2．1 按任务类型分类 5
1．2．2 按学习方式分类 7
1．2．3 生成模型与判别模型 9
1．3 机器学习方法三要素 11
1．3．1 模型 11
1．3．2 策略 13
1．3．3 算法 14
1．3．4 小结 23
第2章 机器学习工程实践 24
2．1 模型评估指标 24
2．1．1 回归模型的评估指标 24
2．1．2 分类模型的评估指标 25
2．1．3 聚类模型的评估指标 33
2．1．4 常用距离公式 37
2．2 模型复杂度度量 40
2．2．1 偏差与方差 40
2．2．2 过拟合与正则化 42
2．3 特征工程与模型调优 47
2．3．1 数据挖掘项目流程 47
2．3．2 特征工程 50
2．3．3 模型选择与模型调优 57
第3章 线性回归 63
3．1 问题引入 63
3．2 线性回归模型 64
3．2．1 模型建立 64
3．2．2 策略确定 65
3．2．3 算法求解 66
3．2．4 线性回归模型流程 67
3．3 线性回归的scikit-learn实现 67
3．3．1 普通线性回归 68
3．3．2 Lasso回归 69
3．3．3 岭回归 70
3．3．4 ElasticNet回归 71
3．4 线性回归实例 73
3．5 小结 75
第4章 朴素贝叶斯 77
4．1 概述 77
4．2 相关原理 77
4．2．1 朴素贝叶斯基本原理 77
4．2．2 原理的进一步阐述 79
4．2．3 后验概率最大化的含义 82
4．2．4 拉普拉斯平滑 83
4．3 朴素贝叶斯的三种形式及scikit-learn实现 84
4．3．1 高斯型 84
4．3．2 多项式型 85
4．3．3 伯努利型 86
4．4 中文文本分类项目 87
4．4．1 项目简介 87
4．4．2 项目过程 87
4．4．3 完整程序实现 94
4．5 小结 100
第5章 K近邻 102
5．1 概述 102
5．2 K近邻分类原理 102
5．2．1 K值的选择 103
5．2．2 距离度量 103
5．2．3 分类决策规则 104
5．2．4 K近邻分类算法过程 105
5．3 K近邻回归原理 106
5．3．1 回归决策规则 106
5．3．2 K近邻回归算法过程 106
5．4 搜索优化――KD树 107
5．4．1 构造KD树 107
5．4．2 搜索KD树 108
5．5 K近邻的scikit-learn实现 110
5．5．1 K近邻分类 110
5．5．2 K近邻回归 112
5．6 K近邻应用实例 112
5．7 小结 115
第6章 决策树 117
6．1 概述 117
6．2 特征选择 119
6．2．1 信息增益 119
6．2．2 信息增益比 122
6．2．3 基尼指数 123
6．3 决策树生成 124
6．3．1 ID3决策树 124
6．3．2 C4．5决策树 125
6．3．3 CART决策树 126
6．4 决策树剪枝 131
6．5 决策树的scikit-learn实现 133
6．6 决策树应用于文本分类 135
6．7 小结 138
第7章 Logistic回归 140
7．1 Logistic回归概述 140
7．2 Logistic回归原理 140
7．2．1 Logistic回归模型 140
7．2．2 Logistic回归学习策略 141
7．2．3 Logistic回归优化算法 142
7．3 多项Logistic回归 144
7．4 Logistic回归的scikit-learn实现 144
7．5 Logistic回归实例 146
7．6 小结 153
第8章 支持向量机 155
8．1 感知机 155
8．1．1 感知机模型 155
8．1．2 感知机学习策略 157
8．1．3 感知机优化算法 159
8．1．4 感知机模型整体流程 159
8．1．5 小结 160
8．2 硬间隔支持向量机 160
8．2．1 引入 160
8．2．2 推导 161
8．3 软间隔支持向量机 169
8．4 合页损失函数 176
8．5 非线性支持向量机 177
8．6 SVM的scikit-learn实现 180
8．6．1 线性SVM 180
8．6．2 非线性SVM 181
8．7 SVM实例 182
8．8 小结 184
第9章 随机森林 186
9．1 Bagging 186
9．2 随机森林概念 188
9．3 RF的推广――extra trees 188
9．4 RF的scikit-learn实现 189
9．5 RF的scikit-learn使用实例 192
9．5．1 程序 193
9．5．2 结果及分析 195
9．5．3 扩展 198
9．6 小结 200
第10章 AdaBoost 202
10．1 AdaBoost的结构 202
10．1．1 AdaBoost的工作过程 203
10．1．2 AdaBoost多分类问题 204
10．1．3 AdaBoost回归问题 208
10．2 AdaBoost的原理 210
10．3 AdaBoost的scikit-learn实现 212
10．4 AdaBoost应用实例 214
10．5 AdaBoost模型的优缺点 217
第11章 提升树 218
11．1 提升树的定义 218
11．2 梯度提升树 223
11．2．1 梯度提升树的原理推导 224
11．2．2 GBDT和GBRT模型的处理过程 226
11．2．3 梯度提升模型的scikit-learn实现 227
11．2．4 梯度提升模型的scikit-learn使用实例 230
11．2．5 GBDT模型的优缺点 236
11．3 XGBoost 236
11．3．1 XGBoost的原理 236
11．3．2 XGBoost调参 239
11．3．3 XGBoost与GBDT的比较 241
第12章 聚类 243
12．1 聚类问题介绍 243
12．2 K-Means聚类 244
12．2．1 K-Means聚类过程和原理 244
12．2．2 K-Means算法优化 247
12．2．3 小结 248
12．2．4 K-Means应用实例 248
12．3 层次聚类 252
12．3．1 层次聚类的过程和原理 252
12．3．2 小结 254
12．3．3 层次聚类应用实例 254
12．4 密度聚类算法 256
12．4．1 密度聚类算法过程和原理 256
12．4．2 密度聚类小结 258
12．4．3 密度聚类应用实例 259
12．5 谱聚类 262
12．5．1 谱聚类的过程和原理 262
12．5．2 谱聚类小结 269
12．5．3 谱聚类应用实例 270
12．6 高斯混合模型 272
12．6．1 高斯混合聚类过程和原理 272
12．6．2 EM算法 274
12．6．3 小结 279
12．6．4 GMM应用实例 279
第13章 降维 282
13．1 奇异值分解 282
13．1．1 矩阵的特征分解 282
13．1．2 奇异值分解 283
13．2 主成分分析 286
13．2．1 PCA原理推导 287
13．2．2 核化PCA 293
13．2．3 PCA/KPCA的scikit-learn实现 293
13．3 线性判别分析 300
13．3．1 LDA原理推导 300
13．3．2 LDA与PCA的比较 305
13．3．3 LDA应用实例 306
13．4 局部线性嵌入 309
13．4．1 局部线性嵌入介绍 309
13．4．2 局部线性嵌入过程和原理 309
13．4．3 LLE应用实例 314
第14章 Word2Vec和Doc2Vec词向量模型 317
14．1 Word2Vec 317
14．1．1 Word2Vec概述 317
14．1．2 基于Hierarchical Softmax方法的CBOW模型 318
14．1．3 基于Hierarchical Softmax方法的Skip-Gram模型 322
14．1．4 基于Negative Sampling方法的CBOW模型 323
14．1．5 基于Negative Sampling方法的Skip-Gram模型 326
14．1．6 Word2Vec应用实例 327
14．2 Doc2Vec模型 329
14．2．1 Doc2Vec模型原理 329
14．2．2 Doc2Vec应用实例 331
第15章 深度神经网络 335
15．1 深度学习 335
15．1．1 概述 335
15．1．2 深度学习发展历史 336
15．2 神经网络原理 341
15．2．1 前向传播 341
15．2．2 反向传播 343
15．2．3 实例 347
15．2．4 几种常用激活函数 354
15．2．5 梯度消失与梯度爆炸 357
15．2．6 几种常用的优化算法 358
15．3 神经网络应用实例 363
15．4 小结 366
1．1 机器学习介绍 1
1．1．1 机器学习的特点 1
1．1．2 机器学习的对象 2
1．1．3 机器学习的应用 4
1．2 机器学习分类 5
1．2．1 按任务类型分类 5
1．2．2 按学习方式分类 7
1．2．3 生成模型与判别模型 9
1．3 机器学习方法三要素 11
1．3．1 模型 11
1．3．2 策略 13
1．3．3 算法 14
1．3．4 小结 23
第2章 机器学习工程实践 24
2．1 模型评估指标 24
2．1．1 回归模型的评估指标 24
2．1．2 分类模型的评估指标 25
2．1．3 聚类模型的评估指标 33
2．1．4 常用距离公式 37
2．2 模型复杂度度量 40
2．2．1 偏差与方差 40
2．2．2 过拟合与正则化 42
2．3 特征工程与模型调优 47
2．3．1 数据挖掘项目流程 47
2．3．2 特征工程 50
2．3．3 模型选择与模型调优 57
第3章 线性回归 63
3．1 问题引入 63
3．2 线性回归模型 64
3．2．1 模型建立 64
3．2．2 策略确定 65
3．2．3 算法求解 66
3．2．4 线性回归模型流程 67
3．3 线性回归的scikit-learn实现 67
3．3．1 普通线性回归 68
3．3．2 Lasso回归 69
3．3．3 岭回归 70
3．3．4 ElasticNet回归 71
3．4 线性回归实例 73
3．5 小结 75
第4章 朴素贝叶斯 77
4．1 概述 77
4．2 相关原理 77
4．2．1 朴素贝叶斯基本原理 77
4．2．2 原理的进一步阐述 79
4．2．3 后验概率最大化的含义 82
4．2．4 拉普拉斯平滑 83
4．3 朴素贝叶斯的三种形式及scikit-learn实现 84
4．3．1 高斯型 84
4．3．2 多项式型 85
4．3．3 伯努利型 86
4．4 中文文本分类项目 87
4．4．1 项目简介 87
4．4．2 项目过程 87
4．4．3 完整程序实现 94
4．5 小结 100
第5章 K近邻 102
5．1 概述 102
5．2 K近邻分类原理 102
5．2．1 K值的选择 103
5．2．2 距离度量 103
5．2．3 分类决策规则 104
5．2．4 K近邻分类算法过程 105
5．3 K近邻回归原理 106
5．3．1 回归决策规则 106
5．3．2 K近邻回归算法过程 106
5．4 搜索优化――KD树 107
5．4．1 构造KD树 107
5．4．2 搜索KD树 108
5．5 K近邻的scikit-learn实现 110
5．5．1 K近邻分类 110
5．5．2 K近邻回归 112
5．6 K近邻应用实例 112
5．7 小结 115
第6章 决策树 117
6．1 概述 117
6．2 特征选择 119
6．2．1 信息增益 119
6．2．2 信息增益比 122
6．2．3 基尼指数 123
6．3 决策树生成 124
6．3．1 ID3决策树 124
6．3．2 C4．5决策树 125
6．3．3 CART决策树 126
6．4 决策树剪枝 131
6．5 决策树的scikit-learn实现 133
6．6 决策树应用于文本分类 135
6．7 小结 138
第7章 Logistic回归 140
7．1 Logistic回归概述 140
7．2 Logistic回归原理 140
7．2．1 Logistic回归模型 140
7．2．2 Logistic回归学习策略 141
7．2．3 Logistic回归优化算法 142
7．3 多项Logistic回归 144
7．4 Logistic回归的scikit-learn实现 144
7．5 Logistic回归实例 146
7．6 小结 153
第8章 支持向量机 155
8．1 感知机 155
8．1．1 感知机模型 155
8．1．2 感知机学习策略 157
8．1．3 感知机优化算法 159
8．1．4 感知机模型整体流程 159
8．1．5 小结 160
8．2 硬间隔支持向量机 160
8．2．1 引入 160
8．2．2 推导 161
8．3 软间隔支持向量机 169
8．4 合页损失函数 176
8．5 非线性支持向量机 177
8．6 SVM的scikit-learn实现 180
8．6．1 线性SVM 180
8．6．2 非线性SVM 181
8．7 SVM实例 182
8．8 小结 184
第9章 随机森林 186
9．1 Bagging 186
9．2 随机森林概念 188
9．3 RF的推广――extra trees 188
9．4 RF的scikit-learn实现 189
9．5 RF的scikit-learn使用实例 192
9．5．1 程序 193
9．5．2 结果及分析 195
9．5．3 扩展 198
9．6 小结 200
第10章 AdaBoost 202
10．1 AdaBoost的结构 202
10．1．1 AdaBoost的工作过程 203
10．1．2 AdaBoost多分类问题 204
10．1．3 AdaBoost回归问题 208
10．2 AdaBoost的原理 210
10．3 AdaBoost的scikit-learn实现 212
10．4 AdaBoost应用实例 214
10．5 AdaBoost模型的优缺点 217
第11章 提升树 218
11．1 提升树的定义 218
11．2 梯度提升树 223
11．2．1 梯度提升树的原理推导 224
11．2．2 GBDT和GBRT模型的处理过程 226
11．2．3 梯度提升模型的scikit-learn实现 227
11．2．4 梯度提升模型的scikit-learn使用实例 230
11．2．5 GBDT模型的优缺点 236
11．3 XGBoost 236
11．3．1 XGBoost的原理 236
11．3．2 XGBoost调参 239
11．3．3 XGBoost与GBDT的比较 241
第12章 聚类 243
12．1 聚类问题介绍 243
12．2 K-Means聚类 244
12．2．1 K-Means聚类过程和原理 244
12．2．2 K-Means算法优化 247
12．2．3 小结 248
12．2．4 K-Means应用实例 248
12．3 层次聚类 252
12．3．1 层次聚类的过程和原理 252
12．3．2 小结 254
12．3．3 层次聚类应用实例 254
12．4 密度聚类算法 256
12．4．1 密度聚类算法过程和原理 256
12．4．2 密度聚类小结 258
12．4．3 密度聚类应用实例 259
12．5 谱聚类 262
12．5．1 谱聚类的过程和原理 262
12．5．2 谱聚类小结 269
12．5．3 谱聚类应用实例 270
12．6 高斯混合模型 272
12．6．1 高斯混合聚类过程和原理 272
12．6．2 EM算法 274
12．6．3 小结 279
12．6．4 GMM应用实例 279
第13章 降维 282
13．1 奇异值分解 282
13．1．1 矩阵的特征分解 282
13．1．2 奇异值分解 283
13．2 主成分分析 286
13．2．1 PCA原理推导 287
13．2．2 核化PCA 293
13．2．3 PCA/KPCA的scikit-learn实现 293
13．3 线性判别分析 300
13．3．1 LDA原理推导 300
13．3．2 LDA与PCA的比较 305
13．3．3 LDA应用实例 306
13．4 局部线性嵌入 309
13．4．1 局部线性嵌入介绍 309
13．4．2 局部线性嵌入过程和原理 309
13．4．3 LLE应用实例 314
第14章 Word2Vec和Doc2Vec词向量模型 317
14．1 Word2Vec 317
14．1．1 Word2Vec概述 317
14．1．2 基于Hierarchical Softmax方法的CBOW模型 318
14．1．3 基于Hierarchical Softmax方法的Skip-Gram模型 322
14．1．4 基于Negative Sampling方法的CBOW模型 323
14．1．5 基于Negative Sampling方法的Skip-Gram模型 326
14．1．6 Word2Vec应用实例 327
14．2 Doc2Vec模型 329
14．2．1 Doc2Vec模型原理 329
14．2．2 Doc2Vec应用实例 331
第15章 深度神经网络 335
15．1 深度学习 335
15．1．1 概述 335
15．1．2 深度学习发展历史 336
15．2 神经网络原理 341
15．2．1 前向传播 341
15．2．2 反向传播 343
15．2．3 实例 347
15．2．4 几种常用激活函数 354
15．2．5 梯度消失与梯度爆炸 357
15．2．6 几种常用的优化算法 358
15．3 神经网络应用实例 363
15．4 小结 366
猜您喜欢
