出现在书名中的结果
共 0 条
机器学习与Python实践
机器学习是计算机科学与人工智能的重要分支领域.本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
机器学习原理与Python实践
全书共分为3个部分：第一部分对机器学习进行入门级别的介绍。第一章通过对机器学习基本概念的讲解，帮助读者从概念原理上补充知识性的认识。第二章结合简单具体的案例，采用线性回归模型带领读者认识机器学习的整体过程，从而帮助读者在实践层面有大纲性认知。第三章对机器学习的实践工具进行介绍，包括Python的使用和相关软件的安装。第四章通过介绍机器学习云平台，使得读者在现有认识的基础上扩充视野。 第二部分将机器学习解决具体问题的步骤拆分成一个个具体章节进行介绍，其中第五章主要介绍了模型训练的数学算法原理。第六、七章介绍了数据预处理方法。第八章至第十一章分别采用原理介绍、项目实践的方式，介绍常见的机器学习模型：贝叶斯模型、广义线性回归、支持向量机、决策树。第十二章、第十三章，采用同样的教学方式，介绍了常用的神经网络模型如多层感知器、卷积神经网络等和集成学习模型。第十四章介绍了机器学习模型的正则化原理。第十五章在现有内容的基础上，更加详细和全面地介绍了机器学习模型的评价指标。第十六章则介绍了无监督学习的常见算法，如Kmeans聚类、高斯混合模型、谱聚类、DBSCAN等。 第三部分则通过实用的科研项目，加深读者的知识沉淀和应用技能。书中考虑采用实际问题的“行人检测项目”、“餐厨垃圾处理的指标预测”作为教学项目。 本书对标国外计算机黑皮书系列教材，其定位是结合原理和实践的科研教学书籍，旨在讲解机器学习知识以及深度学习基础知识。书中每章结尾均安排辅助训练题，同时给出答案和解题代码，以便读者加深课程知识。
机器学习算法入门与编程实践（基于Python·微课视频版）
本书对机器学习算法的基本原理和Python程序实现进行了系统的介绍，每种算法都采用Sklearn程序实现并用Matplotlib进行数据可视化。为了帮助读者更加高效、直观地学习，作者为本书录制了13个微课视频，读者可以用手机扫描书中的二维码进行观看，也可以将视频下载后进行观看。 本书共8章，包括机器学习概述、Python机器学习与可视化、关联规则与推荐算法、聚类算法、分类算法、回归与逻辑回归、人工神经网络、支持向量机等内容。 本书可以作为高等院校机器学习和人工智能概论等课程的教材，也可作为机器学习算法入门读者的自学用书，还可以作为人工智能等领域机器学习研究者和应用人员的参考书。