书籍详情
基于Python的机器学习
作者：姚普选
出版社：电子工业出版社
出版时间：2023-05-01
ISBN：9787121455711
定价：¥59.80
购买这本书可以去
内容简介
本书深入浅出地介绍了机器学习的基本原理与主要方法，以及必要的数学知识与程序设计方法。全书共有7章，分别讲解了机器学习的概念及应用、数学基础（导数与极值、向量与矩阵、概率统计、凸优化）、Python程序设计、线性回归及其程序实现、逻辑回归及多分类、分类与聚类、基于神经网络的机器学习。 本书可作为高等院校机器学习课程的教材，也可作为机器学习爱好者及从事相关工作的工程技术人员的参考书。
作者简介
姚普选，理学硕士，高级工程师。1978年3月参加工作。1995年从西安交通大学理学院调入该校电信学院，从事计算机基础课教学工作。1996年8月退休。主讲过计算机程序设计（C++、Delphi、Visual BASIC、C#、Python等）、软件开发技术基础、大学计算机基础、微机原理及接口技术、数据库（dBASE、Access、SQL Server等）、数据结构等多门计算机课程，其中前4门都是国家级精品课程。
目录
目 录
第1章 机器学习的概念及应用 1
1．1 机器学习的发展与应用 1
1．1．1 机器学习的发展历程 1
1．1．2 机器学习的应用 3
1．2 机器学习的概念 4
1．2．1 机器学习的特点 5
1．2．2 机器学习的要素 6
1．2．3 机器学习系统的结构 8
1．3 机器学习分类 10
1．3．1 映射函数与样本 10
1．3．2 监督学习 11
1．3．3 无监督学习 13
1．3．4 强化学习 15
1．4 深度学习 16
1．4．1 机器学习的困境 16
1．4．2 深度学习机制 17
习题1 20
第2章 数学基础 21
2．1 导数与极值 21
2．1．1 导数及求导法则 21
2．1．2 函数的单调性、凹凸性与极值 22
2．1．3 偏导数与梯度 24
2．1．4 多元函数的极值 25
2．2 向量与矩阵 27
2．2．1 矩阵及其性质 27
2．2．2 矩阵的基本运算 29
2．2．3 向量组与线性相关性 31
2．2．4 正交向量与相似矩阵 34
2．3 概率统计 36
2．3．1 随机事件与概率 36
2．3．2 条件概率与贝叶斯公式 37
2．3．3 随机变量的概率分布 39
2．3．4 随机变量的数字特征 43
2．3．5 中心极限定理 45
2．3．6 极大似然估计 46
2．4 凸优化 48
习题2 52
第3章 Python程序设计 56
3．1 Python程序的编辑与运行 56
3．2 数据与表达式 60
3．2．1 常量 60
3．2．2 变量 62
3．2．3 数据的输入输出 63
3．2．4 常用函数 65
3．2．5 运算符与表达式 67
3．3 序列和字典 69
3．3．1 字符串 69
3．3．2 列表 72
3．3．3 元组 73
3．3．4 字典 74
3．4 程序的控制结构 76
3．4．1 分支语句 76
3．4．2 while语句 77
3．4．3 for语句 78
3．4．4 用户自定义函数 80
3．4．5 模块 81
3．5 类和对象 83
3．5．1 类的定义和使用 83
3．5．2 面向对象程序设计方式 86
3．5．3 类的继承性 87
3．5．4 异常处理 89
习题3 91
第4章 线性回归及其程序实现 96
4．1 线性回归的概念 96
4．1．1 线性回归的源流 96
4．1．2 监督学习与线性回归 97
4．2 线性回归模型 99
4．2．1 一元线性回归模型 99
4．2．2 多元线性回归模型 103
4．2．3 模型的泛化与优劣 106
4．3 数据拟合与可视化操作 108
4．3．1 NumPy多维数组操作 108
4．3．2 Matplotlib数据可视化操作 110
4．3．3 SciPy数据拟合操作 114
4．4 最小二乘法线性回归程序 118
4．4．1 最小二乘法与一元线性回归 118
4．4．2 一元线性回归程序 120
4．5 梯度下降法及其程序 122
习题4 125
第5章 逻辑回归及多分类 127
5．1 逻辑回归的概念与模型 127
5．1．1 Logistic函数 127
5．1．2 线性分类问题 129
5．1．3 逻辑回归模型 131
5．2 逻辑回归计算 134
5．2．1 逻辑回归模型的预测函数 134
5．2．2 逻辑回归模型的极大似然估计 135
5．2．3 逻辑回归模型的参数求解 136
5．3 逻辑回归与朴素贝叶斯分类 139
5．4 多分类策略 143
5．5 Softmax回归 145
5．5．1 广义线性模型 145
5．5．2 Softmax回归模型 148
习题5 150
第6章 分类与聚类 152
6．1 决策树 152
6．1．1 决策树与决策过程 152
6．1．2 信息熵与信息增益 154
6．1．3 决策树的构造 157
6．1．4 寻找最佳分裂 162
6．1．5 决策树训练的主要问题及流程 165
6．2 支持向量机 167
6．2．1 支持向量机基本原理 167
6．2．2 支持向量机实现鸢尾花分类 171
6．3 聚类算法 173
6．3．1 距离计算与聚类评价 173
6．3．2 K-均值聚类算法 175
习题6 177
第7章 基于神经网络的机器学习 179
7．1 神经网络与人工神经网络 179
7．2 感知机 182
7．2．1 人工神经元与感知机 182
7．2．2 感知机训练算法 185
7．2．3 感知机训练实例 187
7．2．4 感知机训练与预测程序 189
7．2．5 线性可分性与多层感知机 190
7．3 BP算法 193
7．3．1 多层神经网络的结构 193
7．3．2 多层神经网络的参数调整 194
7．3．3 BP算法及评价 196
7．4 卷积的概念及运算 198
7．4．1 卷积的概念 199
7．4．2 二维互相关运算 201
7．4．3 二维卷积运算程序 204
7．5 卷积神经网络 205
7．5．1 卷积神经网络的特点 206
7．5．2 多通道卷积及常用卷积核 209
7．5．3 卷积神经网络的结构 213
7．6 卷积神经网络实例 215
习题7 218
附录A 机器学习名词中英文对照 220
参考文献 230
第1章 机器学习的概念及应用 1
1．1 机器学习的发展与应用 1
1．1．1 机器学习的发展历程 1
1．1．2 机器学习的应用 3
1．2 机器学习的概念 4
1．2．1 机器学习的特点 5
1．2．2 机器学习的要素 6
1．2．3 机器学习系统的结构 8
1．3 机器学习分类 10
1．3．1 映射函数与样本 10
1．3．2 监督学习 11
1．3．3 无监督学习 13
1．3．4 强化学习 15
1．4 深度学习 16
1．4．1 机器学习的困境 16
1．4．2 深度学习机制 17
习题1 20
第2章 数学基础 21
2．1 导数与极值 21
2．1．1 导数及求导法则 21
2．1．2 函数的单调性、凹凸性与极值 22
2．1．3 偏导数与梯度 24
2．1．4 多元函数的极值 25
2．2 向量与矩阵 27
2．2．1 矩阵及其性质 27
2．2．2 矩阵的基本运算 29
2．2．3 向量组与线性相关性 31
2．2．4 正交向量与相似矩阵 34
2．3 概率统计 36
2．3．1 随机事件与概率 36
2．3．2 条件概率与贝叶斯公式 37
2．3．3 随机变量的概率分布 39
2．3．4 随机变量的数字特征 43
2．3．5 中心极限定理 45
2．3．6 极大似然估计 46
2．4 凸优化 48
习题2 52
第3章 Python程序设计 56
3．1 Python程序的编辑与运行 56
3．2 数据与表达式 60
3．2．1 常量 60
3．2．2 变量 62
3．2．3 数据的输入输出 63
3．2．4 常用函数 65
3．2．5 运算符与表达式 67
3．3 序列和字典 69
3．3．1 字符串 69
3．3．2 列表 72
3．3．3 元组 73
3．3．4 字典 74
3．4 程序的控制结构 76
3．4．1 分支语句 76
3．4．2 while语句 77
3．4．3 for语句 78
3．4．4 用户自定义函数 80
3．4．5 模块 81
3．5 类和对象 83
3．5．1 类的定义和使用 83
3．5．2 面向对象程序设计方式 86
3．5．3 类的继承性 87
3．5．4 异常处理 89
习题3 91
第4章 线性回归及其程序实现 96
4．1 线性回归的概念 96
4．1．1 线性回归的源流 96
4．1．2 监督学习与线性回归 97
4．2 线性回归模型 99
4．2．1 一元线性回归模型 99
4．2．2 多元线性回归模型 103
4．2．3 模型的泛化与优劣 106
4．3 数据拟合与可视化操作 108
4．3．1 NumPy多维数组操作 108
4．3．2 Matplotlib数据可视化操作 110
4．3．3 SciPy数据拟合操作 114
4．4 最小二乘法线性回归程序 118
4．4．1 最小二乘法与一元线性回归 118
4．4．2 一元线性回归程序 120
4．5 梯度下降法及其程序 122
习题4 125
第5章 逻辑回归及多分类 127
5．1 逻辑回归的概念与模型 127
5．1．1 Logistic函数 127
5．1．2 线性分类问题 129
5．1．3 逻辑回归模型 131
5．2 逻辑回归计算 134
5．2．1 逻辑回归模型的预测函数 134
5．2．2 逻辑回归模型的极大似然估计 135
5．2．3 逻辑回归模型的参数求解 136
5．3 逻辑回归与朴素贝叶斯分类 139
5．4 多分类策略 143
5．5 Softmax回归 145
5．5．1 广义线性模型 145
5．5．2 Softmax回归模型 148
习题5 150
第6章 分类与聚类 152
6．1 决策树 152
6．1．1 决策树与决策过程 152
6．1．2 信息熵与信息增益 154
6．1．3 决策树的构造 157
6．1．4 寻找最佳分裂 162
6．1．5 决策树训练的主要问题及流程 165
6．2 支持向量机 167
6．2．1 支持向量机基本原理 167
6．2．2 支持向量机实现鸢尾花分类 171
6．3 聚类算法 173
6．3．1 距离计算与聚类评价 173
6．3．2 K-均值聚类算法 175
习题6 177
第7章 基于神经网络的机器学习 179
7．1 神经网络与人工神经网络 179
7．2 感知机 182
7．2．1 人工神经元与感知机 182
7．2．2 感知机训练算法 185
7．2．3 感知机训练实例 187
7．2．4 感知机训练与预测程序 189
7．2．5 线性可分性与多层感知机 190
7．3 BP算法 193
7．3．1 多层神经网络的结构 193
7．3．2 多层神经网络的参数调整 194
7．3．3 BP算法及评价 196
7．4 卷积的概念及运算 198
7．4．1 卷积的概念 199
7．4．2 二维互相关运算 201
7．4．3 二维卷积运算程序 204
7．5 卷积神经网络 205
7．5．1 卷积神经网络的特点 206
7．5．2 多通道卷积及常用卷积核 209
7．5．3 卷积神经网络的结构 213
7．6 卷积神经网络实例 215
习题7 218
附录A 机器学习名词中英文对照 220
参考文献 230
猜您喜欢
