书籍详情
机器学习应用与实战（全彩）
作者：韩少云 等
出版社：电子工业出版社
出版时间：2023-03-01
ISBN：9787121447891
定价：¥109.00
购买这本书可以去
内容简介
本书系统介绍了机器学习常用算法及其应用，在深入分析算法原理的基础上，结合当前热门应用场景，向读者展现了机器学习算法的综合应用，带领读者进入机器学习领域，开启人工智能行业的大门。 全书共 21 章，分为 3 部分。第 1 部分介绍机器学习基础算法，包括线性回归、多项式回归、逻辑回归、k-NN、决策树、k-Means、SVM、随机森林、朴素贝叶斯、PCA 降维等，针对每个算法给出应用案例，让读者既掌握算法原理，又能够使用算法解决问题。第 2 部分是机器学习基础算法综合应用，通过学生分数预测、自闭症患者预测、淘宝用户价值分析、耳机评论情感预测几个案例提升读者对机器学习算法的应用能力。第 3 部分是机器学习进阶算法与应用，介绍逻辑更为复杂的机器学习算法，如改进的聚类算法、HMM算法、Boosting 算法等，并给出相应案例，此外，还展示了多个算法综合应用项目。 本书适合对机器学习、人工智能感兴趣的读者阅读，也可以作为应用型大学和高等职业院校人工智能相关专业的教材。本书可以帮助有一定基础的读者查漏补缺，使其深入理解和掌握相关原理与方法，提高其解决实际问题的能力。
作者简介
达内时代科技集团有限公司是国内知名的互联网-IT教育培训单位，是一站式互联网人才基地，专注IT职业教育人才服务多年，拥有300多家培训中心，帮助学员实现一地学习全国就业。
目录
目 录
第 1 部分 机器学习基础算法
第 1 章 基于线性回归的销售量预测 2
1.1 机器学习概述 2
1.2 线性回归 4
1.2.1 回归的概念 4
1.2.2 线性回归模型 4
1.3 梯度下降算法 7
1.4 线性回归模型的构建 8
1.4.1 线性回归模型构建的一般步骤 8
1.4.2 线性回归模型的评估方法与度量指标 9
1.5 案例实现——基于线性回归的销售量预测 9
本章总结 13
作业与练习 14
第 2 章 非线性数据的多项式回归 15
2.1 多项式回归 16
2.1.1 多项式回归的概念 16
2.1.2 0-1 标准化 16
2.1.3 Z-Score 标准化 18
2.1.4 特征拓展 19
2.2 模型训练问题与解决方法 22
2.2.1 欠拟合与过拟合 22
2.2.2 正则化方法 23
2.3 案例实现——非线性数据的
多项式回归 24
本章总结 31
作业与练习 31
第 3 章 基于逻辑回归算法的 乳腺癌患病预测 33
3.1 逻辑回归算法 33
3.1.1 逻辑回归算法概述 33
3.1.2 概率估算 34
3.1.3 损失函数 35
3.2 分类数据的预处理 36
3.2.1 欠采样与过采样 36
3.2.2 数据的标签化 37
3.2.3 数据的独热编码 38
3.3 模型的性能评估 40
3.3.1 数值型模型评估方法 40
3.3.2 几何型模型评估方法 42
3.4 案例实现——基于逻辑回归算法的乳腺癌患病预测 44
本章总结 48
作业与练习 49
第 4 章 基于 k-NN 算法的分类 50
4.1 k-NN 算法 51
4.1.1 k-NN 算法概述 51
4.1.2 样本距离的度量 51
4.1.3 k-NN 算法的工作原理 51
4.1.4 k-NN 算法的三个要素 53
4.2 k-NN 算法加速思路 54
4.3 案例实现 55
4.3.1 案例 1——基于 k-NN 算法的电影分类 55
4.3.2 案例 2——基于 k-NN 算法的鸢尾花数据集分类 58
本章总结 61
作业与练习 61
第 5 章 基于决策树算法的回归预测与 分类 62
5.1 决策树的介绍 62
5.2 决策树的构建 65
5.2.1 特征选择 65
5.2.2 决策树的构建过程 67
5.2.3 决策树剪枝 69
5.2.4 连续特征的处理方法 70
5.3 决策树可视化 70
5.4 案例实现 71
5.4.1 案例 1——基于决策树算法的商品销售量回归预测 71
5.4.2 案例 2——基于决策树算法的鸢尾花数据集分类 73
本章总结 76
作业与练习 76
第 6 章 基于 k-Means 算法的聚类 78
6.1 k-Means 算法 79
6.1.1 k-Means 算法概述 79
6.1.2 k-Means 算法的工作原理 79
6.1.3 k-Means 算法的流程 80
6.2 最佳 k 值的确定方法 80
6.2.1 手肘法 81
6.2.2 轮廓系数法 81
6.3 k-Means 算法的改进 82
6.3.1 k-Means 算法 83
6.3.2 k-MeansⅡ算法 83
6.3.3 Mini-Batch k-Means算法 83
6.4 案例实现 84
6.4.1 案例 1——基于手肘法使用 k-Means 算法的饮料聚类 84
6.4.2 案例 2——基于轮廓系数法使用 k-Means 算法的饮料聚类 87
本章总结 89
作业与练习 90
第 7 章 基于 SVM 算法的分类与 回归预测 91
7.1 SVM 算法概述 91
7.2 SVM 算法的工作原理 92
7.2.1 硬间隔 SVM 算法 92
7.2.2 软间隔 SVM 算法 95
7.3 核函数 95
7.4 SVM 回归 97
7.5 案例实现 97
7.5.1 案例 1——基于 SVM 算法的鸢尾花数据集分类 97
7.5.2 案例 2——基于 SVM 算法的数据回归分析 100
本章总结 104
作业与练习 104
第 8 章 随机森林揭秘 105
8.1 集成学习概述 105
8.2 集成学习的实现方式 107
8.2.1 Bagging 算法 107
8.2.2 Boosting 算法 107
8.3 集成学习的组合策略 108
8.3.1 平均法 108
8.3.2 投票法 108
8.3.3 学习法 109
8.4 随机森林 109
8.4.1 随机森林概述 109
8.4.2 随机森林特征选择 110
8.4.3 OOB 处理方式 110
8.5 案例实现 111
8.5.1 案例 1——使用随机森林进行森林植被类型的预测 111
8.5.2 案例 2——使用随机森林进行共享单车每小时租用量的预测 113
本章总结 115
作业与练习 115
第 9 章 基于朴素贝叶斯算法的中文预测 116
9.1 贝叶斯算法 117
9.1.1 数学基础回顾 117
9.1.2 贝叶斯公式 118
9.2 朴素贝叶斯算法 119
9.2.1 朴素贝叶斯算法的由来 119
9.2.2 拉普拉斯平滑 120
9.3 朴素贝叶斯算法家族 121
9.3.1 高斯朴素贝叶斯算法 121
9.3.2 多项式朴素贝叶斯算法 122
9.4 中文文本预测 123
9.4.1 词频处理 123
9.4.2 jieba 分词器 125
9.5 案例实现——基于朴素贝叶斯算法的中文预测 126
本章总结 129
作业与练习 129
第 10 章 基于 PCA 降维的图片重构 131
10.1 降维 131
10.1.1 降维的作用 131
10.1.2 降维的理解 132
10.2 SVD 算法解析 133
10.2.1 特征值分解 133
10.2.2 奇异值分解 133
10.2.3 降维可视化效果 134
10.2.4 降维在图片压缩中的应用 136
10.3 PCA 降维 138
10.3.1 PCA 降维的工作原理 138
10.3.2 使用 PCA 底层算法实现图片重构的流程 139
10.4 案例实现——基于 PCA 降维的图片重构 139
本章总结 143
作业与练习 143
第 2 部分 机器学习基础算法综合应用
第 11 章 学生分数预测 146
11.1 数据集分析 146
11.2 案例实现——学生分数预测 147
本章总结 161
作业与练习 161
第 12 章 自闭症患者预测 163
12.1 数据集分析 163
12.2 案例实现——自闭症患者预测164
本章总结 175
作业与练习 175
第 13 章 淘宝用户价值分析 176
13.1 数据集分析 176
13.2 RFM 模型 177
13.3 雷达图 178
13.4 案例实现——淘宝用户价值分析 178
本章总结 191
作业与练习 191
第 14 章 耳机评论情感预测 192
14.1 数据集分析 192
14.2 案例实现——耳机评论情感预测 193
本章总结 200
作业与练习 200
第 3 部分 机器学习进阶算法与应用
第 15 章 聚类算法综合 202
15.1 DBSCAN 算法 203
15.1.1 k-Means 算法的缺陷 203
15.1.2 DBSCAN 算法分析 203
15.1.3 案例实现——验证 k-Means 算法和 DBSCAN
算法的特点和区别 205
15.2 层次聚类算法 208
15.2.1 算法分析 208
15.2.2 案例实现——基于凝聚的层次聚类算法的数据
聚类 210
15.3 GMM 算法 213
15.3.1 算法分析 213
15.3.2 案例实现——基于 GMM算法的性别预测 214
本章总结 218
作业与练习 218
第 16 章 基于 HMM 算法的股票 行情预测 220
16.1 HMM 算法的工作原理 220
16.2 案例实现——基于 HMM 算法的股票行情预测 222
本章总结 226
作业与练习 226
第 17 章 Boosting 算法综合 228
17.1 Boosting 算法的工作原理简介 228
17.2 AdaBoost 算法 229
17.2.1 算法概述 229
17.2.2 分类算法分析 230
17.2.3 回归算法分析 231
17.2.4 案例实现——基于 AdaBoost 算法的病马治愈预测 232
17.3 GBDT 算法 235
17.3.1 算法概述 235
17.3.2 衰减 235
17.3.3 算法分析 236
17.3.4 案例实现——基于 GBDT算法的数字手写体识别 237
17.4 XGBoost 算法 239
17.4.1 算法概述 239
17.4.2 XGBoost 算法库的安装 240
17.4.3 案例实现——基于 XGBoost 算法的数字手写体识别 241
本章总结 244
作业与练习 244
第 18 章 饭店销售量预测 245
18.1 数据集分析 245
18.2 异常值处理 246
18.3 多字段分析的含义与作用 247
18.4 案例实现——饭店销售量预测 248
本章总结 259
作业与练习 260
第 19 章 信贷违约预测 261
19.1 数据集分析 261
19.2 案例实现——信贷违约预测 262
本章总结 270
作业与练习 270
第 20 章 胎儿健康分类预测 271
20.1 数据集分析 271
20.2 案例实现——胎儿健康分类预测 272
本章总结 286
作业与练习 287
第 21 章 淘宝用户画像处理 288
21.1 数据集分析 288
21.2 用户画像 289
21.2.1 用户画像概述 289
21.2.2 用户画像所需数据 290
21.3 案例实现——淘宝用户画像处理 290
本章总结 305
作业与练习 306
第 1 部分 机器学习基础算法
第 1 章 基于线性回归的销售量预测 2
1.1 机器学习概述 2
1.2 线性回归 4
1.2.1 回归的概念 4
1.2.2 线性回归模型 4
1.3 梯度下降算法 7
1.4 线性回归模型的构建 8
1.4.1 线性回归模型构建的一般步骤 8
1.4.2 线性回归模型的评估方法与度量指标 9
1.5 案例实现——基于线性回归的销售量预测 9
本章总结 13
作业与练习 14
第 2 章 非线性数据的多项式回归 15
2.1 多项式回归 16
2.1.1 多项式回归的概念 16
2.1.2 0-1 标准化 16
2.1.3 Z-Score 标准化 18
2.1.4 特征拓展 19
2.2 模型训练问题与解决方法 22
2.2.1 欠拟合与过拟合 22
2.2.2 正则化方法 23
2.3 案例实现——非线性数据的
多项式回归 24
本章总结 31
作业与练习 31
第 3 章 基于逻辑回归算法的 乳腺癌患病预测 33
3.1 逻辑回归算法 33
3.1.1 逻辑回归算法概述 33
3.1.2 概率估算 34
3.1.3 损失函数 35
3.2 分类数据的预处理 36
3.2.1 欠采样与过采样 36
3.2.2 数据的标签化 37
3.2.3 数据的独热编码 38
3.3 模型的性能评估 40
3.3.1 数值型模型评估方法 40
3.3.2 几何型模型评估方法 42
3.4 案例实现——基于逻辑回归算法的乳腺癌患病预测 44
本章总结 48
作业与练习 49
第 4 章 基于 k-NN 算法的分类 50
4.1 k-NN 算法 51
4.1.1 k-NN 算法概述 51
4.1.2 样本距离的度量 51
4.1.3 k-NN 算法的工作原理 51
4.1.4 k-NN 算法的三个要素 53
4.2 k-NN 算法加速思路 54
4.3 案例实现 55
4.3.1 案例 1——基于 k-NN 算法的电影分类 55
4.3.2 案例 2——基于 k-NN 算法的鸢尾花数据集分类 58
本章总结 61
作业与练习 61
第 5 章 基于决策树算法的回归预测与 分类 62
5.1 决策树的介绍 62
5.2 决策树的构建 65
5.2.1 特征选择 65
5.2.2 决策树的构建过程 67
5.2.3 决策树剪枝 69
5.2.4 连续特征的处理方法 70
5.3 决策树可视化 70
5.4 案例实现 71
5.4.1 案例 1——基于决策树算法的商品销售量回归预测 71
5.4.2 案例 2——基于决策树算法的鸢尾花数据集分类 73
本章总结 76
作业与练习 76
第 6 章 基于 k-Means 算法的聚类 78
6.1 k-Means 算法 79
6.1.1 k-Means 算法概述 79
6.1.2 k-Means 算法的工作原理 79
6.1.3 k-Means 算法的流程 80
6.2 最佳 k 值的确定方法 80
6.2.1 手肘法 81
6.2.2 轮廓系数法 81
6.3 k-Means 算法的改进 82
6.3.1 k-Means 算法 83
6.3.2 k-MeansⅡ算法 83
6.3.3 Mini-Batch k-Means算法 83
6.4 案例实现 84
6.4.1 案例 1——基于手肘法使用 k-Means 算法的饮料聚类 84
6.4.2 案例 2——基于轮廓系数法使用 k-Means 算法的饮料聚类 87
本章总结 89
作业与练习 90
第 7 章 基于 SVM 算法的分类与 回归预测 91
7.1 SVM 算法概述 91
7.2 SVM 算法的工作原理 92
7.2.1 硬间隔 SVM 算法 92
7.2.2 软间隔 SVM 算法 95
7.3 核函数 95
7.4 SVM 回归 97
7.5 案例实现 97
7.5.1 案例 1——基于 SVM 算法的鸢尾花数据集分类 97
7.5.2 案例 2——基于 SVM 算法的数据回归分析 100
本章总结 104
作业与练习 104
第 8 章 随机森林揭秘 105
8.1 集成学习概述 105
8.2 集成学习的实现方式 107
8.2.1 Bagging 算法 107
8.2.2 Boosting 算法 107
8.3 集成学习的组合策略 108
8.3.1 平均法 108
8.3.2 投票法 108
8.3.3 学习法 109
8.4 随机森林 109
8.4.1 随机森林概述 109
8.4.2 随机森林特征选择 110
8.4.3 OOB 处理方式 110
8.5 案例实现 111
8.5.1 案例 1——使用随机森林进行森林植被类型的预测 111
8.5.2 案例 2——使用随机森林进行共享单车每小时租用量的预测 113
本章总结 115
作业与练习 115
第 9 章 基于朴素贝叶斯算法的中文预测 116
9.1 贝叶斯算法 117
9.1.1 数学基础回顾 117
9.1.2 贝叶斯公式 118
9.2 朴素贝叶斯算法 119
9.2.1 朴素贝叶斯算法的由来 119
9.2.2 拉普拉斯平滑 120
9.3 朴素贝叶斯算法家族 121
9.3.1 高斯朴素贝叶斯算法 121
9.3.2 多项式朴素贝叶斯算法 122
9.4 中文文本预测 123
9.4.1 词频处理 123
9.4.2 jieba 分词器 125
9.5 案例实现——基于朴素贝叶斯算法的中文预测 126
本章总结 129
作业与练习 129
第 10 章 基于 PCA 降维的图片重构 131
10.1 降维 131
10.1.1 降维的作用 131
10.1.2 降维的理解 132
10.2 SVD 算法解析 133
10.2.1 特征值分解 133
10.2.2 奇异值分解 133
10.2.3 降维可视化效果 134
10.2.4 降维在图片压缩中的应用 136
10.3 PCA 降维 138
10.3.1 PCA 降维的工作原理 138
10.3.2 使用 PCA 底层算法实现图片重构的流程 139
10.4 案例实现——基于 PCA 降维的图片重构 139
本章总结 143
作业与练习 143
第 2 部分 机器学习基础算法综合应用
第 11 章 学生分数预测 146
11.1 数据集分析 146
11.2 案例实现——学生分数预测 147
本章总结 161
作业与练习 161
第 12 章 自闭症患者预测 163
12.1 数据集分析 163
12.2 案例实现——自闭症患者预测164
本章总结 175
作业与练习 175
第 13 章 淘宝用户价值分析 176
13.1 数据集分析 176
13.2 RFM 模型 177
13.3 雷达图 178
13.4 案例实现——淘宝用户价值分析 178
本章总结 191
作业与练习 191
第 14 章 耳机评论情感预测 192
14.1 数据集分析 192
14.2 案例实现——耳机评论情感预测 193
本章总结 200
作业与练习 200
第 3 部分 机器学习进阶算法与应用
第 15 章 聚类算法综合 202
15.1 DBSCAN 算法 203
15.1.1 k-Means 算法的缺陷 203
15.1.2 DBSCAN 算法分析 203
15.1.3 案例实现——验证 k-Means 算法和 DBSCAN
算法的特点和区别 205
15.2 层次聚类算法 208
15.2.1 算法分析 208
15.2.2 案例实现——基于凝聚的层次聚类算法的数据
聚类 210
15.3 GMM 算法 213
15.3.1 算法分析 213
15.3.2 案例实现——基于 GMM算法的性别预测 214
本章总结 218
作业与练习 218
第 16 章 基于 HMM 算法的股票 行情预测 220
16.1 HMM 算法的工作原理 220
16.2 案例实现——基于 HMM 算法的股票行情预测 222
本章总结 226
作业与练习 226
第 17 章 Boosting 算法综合 228
17.1 Boosting 算法的工作原理简介 228
17.2 AdaBoost 算法 229
17.2.1 算法概述 229
17.2.2 分类算法分析 230
17.2.3 回归算法分析 231
17.2.4 案例实现——基于 AdaBoost 算法的病马治愈预测 232
17.3 GBDT 算法 235
17.3.1 算法概述 235
17.3.2 衰减 235
17.3.3 算法分析 236
17.3.4 案例实现——基于 GBDT算法的数字手写体识别 237
17.4 XGBoost 算法 239
17.4.1 算法概述 239
17.4.2 XGBoost 算法库的安装 240
17.4.3 案例实现——基于 XGBoost 算法的数字手写体识别 241
本章总结 244
作业与练习 244
第 18 章 饭店销售量预测 245
18.1 数据集分析 245
18.2 异常值处理 246
18.3 多字段分析的含义与作用 247
18.4 案例实现——饭店销售量预测 248
本章总结 259
作业与练习 260
第 19 章 信贷违约预测 261
19.1 数据集分析 261
19.2 案例实现——信贷违约预测 262
本章总结 270
作业与练习 270
第 20 章 胎儿健康分类预测 271
20.1 数据集分析 271
20.2 案例实现——胎儿健康分类预测 272
本章总结 286
作业与练习 287
第 21 章 淘宝用户画像处理 288
21.1 数据集分析 288
21.2 用户画像 289
21.2.1 用户画像概述 289
21.2.2 用户画像所需数据 290
21.3 案例实现——淘宝用户画像处理 290
本章总结 305
作业与练习 306
猜您喜欢
