书籍详情
机器学习入门：Python语言实现
作者：[美] 奥斯瓦尔德·坎佩萨托（Oswald Campesato） 著，赵国光，白领 译
出版社：机械工业出版社
出版时间：2021-11-01
ISBN：9787111695240
定价：¥89.00
购买这本书可以去
内容简介
本书旨在为读者提供与机器学习有关Python3的基本编程概念。前4章快速介绍了Python 3、NumPy和Pandas。第5章介绍了机器学习的基本概念。第6章主要介绍机器学习分类器，例如逻辑回归、kNN、决策树、随机森林和SVM。第7章介绍了自然语言处理和强化学习。本书还提供了基于Keras的代码示例作为理论讨论的补充。此外还为正则表达式、Keras和TensorFlow 2提供了单独的附录。
作者简介
奥斯瓦尔德·坎佩萨托（Oswald Campesato）专门研究深度学习、Java、Android和TensorFlow。他是25本书的作者/合著者，其中包括TensorFlow Pocket Primer、Artificial Intelligence， Machine Learning， and Deep Learning和Python Pocket Primer。
目录
译者序
前言
第1章 Python 3简介 1
11 Python相关工具与安装 1
111 Python相关工具 1
112 安装Python 3
113 设置PATH环境变量（仅Windows） 3
12 Python编程基础 3
121 Python交互式解释器 3
122 Python基础语法 4
123 以模块形式保存代码 6
124 Python中的一些标准模块 7
125 help(?)和dir(?)函数 7
126 编译时和运行时的代码检查 8
13 Python中的简单数据类型 9
131 数字 9
132 字符串 12
133 处理日期 19
14 Python中的异常处理 21
141 处理用户输入 22
142 命令行参数 24
15 小结 25
第2章 条件逻辑、循环和函数 26
21 Python中的条件逻辑 26
211 Python的保留关键字 27
212 Python运算符的优先级 28
213 比较运算符和布尔运算符 28
22 Python中的变量和参数 29
221 局部变量和全局变量 29
222 变量的作用域 29
223 引用传递和值传递 31
224 实参和形参 31
23 在Python中使用循环 32
231 Python中的for循环 32
232 Python中的while循环 39
24 Python中的用户自定义函数 41
241 在函数中设定默认值 42
242 具有可变参数的函数 42
243 lambda表达式 43
25 递归 44
251 计算阶乘值 44
252 计算斐波那契数 45
253 计算两个数的最大公约数 45
254 计算两个数的最小公倍数 46
26 小结 47
第3章 Python数据类型 48
31 列表 48
311 列表和基本操作 48
312 列表中的表达式 53
313 连接字符串列表 53
314 Python中的range(?)函数 54
315 数组和append(?)函数 55
316 使用列表和split(?)函数 56
317 对列表中的单词计数 56
318 遍历成对的列表 57
319 其他与列表相关的函数 57
3110 栈和队列 59
3111 使用向量 60
3112 使用矩阵 61
3113 使用NumPy库处理矩阵 61
32 元组（不可变列表） 62
33 集合 63
34 字典 64
341 创建字典及字典中的基本操作 65
342 字典的相关函数和方法 67
343 字典的格式 67
344 有序字典 67
35 Python中的其他数据类型 68
351 Python中的其他序列类型 68
352 Python中的可变类型和不可变类型 69
353 type(?)函数 70
36 小结 70
第4章 NumPy和Pandas介绍 71
41 NumPy 71
411 NumPy简介 71
412 NumPy数组 72
413 使用NumPy数组的示例 73
42 子范围 77
421 使用向量的“-1”子范围 77
422 使用数组的“-1”子范围 77
43 NumPy中其他有用的方法 78
431 数组和向量操作 79
432 NumPy和点积 79
433 NumPy和向量的“范数” 80
434 NumPy和向量的乘积 81
435 NumPy和reshape(?)方法 82
436 计算均值和标准差 83
44 Pandas 84
45 Pandas DataFrame的各种操作 89
451 合并Pandas DataFrame 89
452 使用Pandas DataFrame进行数据操作 90
453 Pandas DataFrame和CSV文件 93
454 Pandas DataFrame和Excel电子表格 95
455 选择、添加和删除DataFrame中的列 96
456 Pandas DataFrame和散点图 97
457 Pandas DataFrame和简单统计 98
458 Pandas中简单有用的命令 98
46 小结 100
第5章 机器学习 101
51 什么是机器学习 101
511 机器学习算法的类型 103
512 特征工程、特征选择和特征提取 105
513 降维 106
52 使用数据集 107
521 训练数据与测试数据 108
522 什么是交叉验证 108
523 正则化 108
524 偏差-方差的权衡 109
525 模型性能的衡量指标 109
53 线性回归 111
531 线性回归与曲线拟合 112
532 何时的解是准确值 112
533 什么是多元分析 112
534 其他类型的回归 113
535 平面中对直线的处理（选读） 113
54 求解线性回归问题的示例 116
541 使用NumPy和Matplotlib绘制散点图 116
542 MSE 119
543 Keras的线性回归 123
55 小结 126
第6章 机器学习中的分类器 127
61 分类器 127
611 什么是分类 127
612 线性分类器 129
613 kNN 129
614 决策树 130
615 随机森林 133
616 支持向量机 134
617 贝叶斯分类器 134
618 训练分类器 136
619 评估分类器 137
62 激活函数 137
621 什么是激活函数 137
622 常见的激活函数 139
623 ReLU和ELU激活函数 140
624 sigmoid、softmax和tanh的相似之处 141
625 sigmoid、softmax和hardmax的区
前言
第1章 Python 3简介 1
11 Python相关工具与安装 1
111 Python相关工具 1
112 安装Python 3
113 设置PATH环境变量（仅Windows） 3
12 Python编程基础 3
121 Python交互式解释器 3
122 Python基础语法 4
123 以模块形式保存代码 6
124 Python中的一些标准模块 7
125 help(?)和dir(?)函数 7
126 编译时和运行时的代码检查 8
13 Python中的简单数据类型 9
131 数字 9
132 字符串 12
133 处理日期 19
14 Python中的异常处理 21
141 处理用户输入 22
142 命令行参数 24
15 小结 25
第2章 条件逻辑、循环和函数 26
21 Python中的条件逻辑 26
211 Python的保留关键字 27
212 Python运算符的优先级 28
213 比较运算符和布尔运算符 28
22 Python中的变量和参数 29
221 局部变量和全局变量 29
222 变量的作用域 29
223 引用传递和值传递 31
224 实参和形参 31
23 在Python中使用循环 32
231 Python中的for循环 32
232 Python中的while循环 39
24 Python中的用户自定义函数 41
241 在函数中设定默认值 42
242 具有可变参数的函数 42
243 lambda表达式 43
25 递归 44
251 计算阶乘值 44
252 计算斐波那契数 45
253 计算两个数的最大公约数 45
254 计算两个数的最小公倍数 46
26 小结 47
第3章 Python数据类型 48
31 列表 48
311 列表和基本操作 48
312 列表中的表达式 53
313 连接字符串列表 53
314 Python中的range(?)函数 54
315 数组和append(?)函数 55
316 使用列表和split(?)函数 56
317 对列表中的单词计数 56
318 遍历成对的列表 57
319 其他与列表相关的函数 57
3110 栈和队列 59
3111 使用向量 60
3112 使用矩阵 61
3113 使用NumPy库处理矩阵 61
32 元组（不可变列表） 62
33 集合 63
34 字典 64
341 创建字典及字典中的基本操作 65
342 字典的相关函数和方法 67
343 字典的格式 67
344 有序字典 67
35 Python中的其他数据类型 68
351 Python中的其他序列类型 68
352 Python中的可变类型和不可变类型 69
353 type(?)函数 70
36 小结 70
第4章 NumPy和Pandas介绍 71
41 NumPy 71
411 NumPy简介 71
412 NumPy数组 72
413 使用NumPy数组的示例 73
42 子范围 77
421 使用向量的“-1”子范围 77
422 使用数组的“-1”子范围 77
43 NumPy中其他有用的方法 78
431 数组和向量操作 79
432 NumPy和点积 79
433 NumPy和向量的“范数” 80
434 NumPy和向量的乘积 81
435 NumPy和reshape(?)方法 82
436 计算均值和标准差 83
44 Pandas 84
45 Pandas DataFrame的各种操作 89
451 合并Pandas DataFrame 89
452 使用Pandas DataFrame进行数据操作 90
453 Pandas DataFrame和CSV文件 93
454 Pandas DataFrame和Excel电子表格 95
455 选择、添加和删除DataFrame中的列 96
456 Pandas DataFrame和散点图 97
457 Pandas DataFrame和简单统计 98
458 Pandas中简单有用的命令 98
46 小结 100
第5章 机器学习 101
51 什么是机器学习 101
511 机器学习算法的类型 103
512 特征工程、特征选择和特征提取 105
513 降维 106
52 使用数据集 107
521 训练数据与测试数据 108
522 什么是交叉验证 108
523 正则化 108
524 偏差-方差的权衡 109
525 模型性能的衡量指标 109
53 线性回归 111
531 线性回归与曲线拟合 112
532 何时的解是准确值 112
533 什么是多元分析 112
534 其他类型的回归 113
535 平面中对直线的处理（选读） 113
54 求解线性回归问题的示例 116
541 使用NumPy和Matplotlib绘制散点图 116
542 MSE 119
543 Keras的线性回归 123
55 小结 126
第6章 机器学习中的分类器 127
61 分类器 127
611 什么是分类 127
612 线性分类器 129
613 kNN 129
614 决策树 130
615 随机森林 133
616 支持向量机 134
617 贝叶斯分类器 134
618 训练分类器 136
619 评估分类器 137
62 激活函数 137
621 什么是激活函数 137
622 常见的激活函数 139
623 ReLU和ELU激活函数 140
624 sigmoid、softmax和tanh的相似之处 141
625 sigmoid、softmax和hardmax的区
猜您喜欢
