细说机器学习 从理论到实践 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

暂无相关简介，正在全力查找中！

第1篇 基础知识

第 1 章 机器学习概述3

1.1 机器学习的定义与发展历史3

1.1.1 什么是机器学习3

1.1.2 发展历史4

1.2 应用领域9

1.3 应用前景11

1.4 小结13

第 2 章 基础知识14

2.1 概念与术语14

2.1.1 统计学的基本概念14

2.1.2 拟合、过拟合和欠拟合16

2.2 高等数学基础19

2.3 线性代数基础26

2.3.1 基本概念和符号26

2.3.2 矩阵乘法27

2.3.3 矩阵运算和性质30

2.3.4 矩阵微积分35

2.4 概率论基础41

2.4.1 基本概念和符号41

2.4.2 随机变量42

2.4.3 两个随机变量45

2.4.4 多个随机变量49

2.5 小结52

第 3 章 开发环境和常用模块53

3.1 环境需求53

3.2 NumPy54

3.2.1 NumPy的安装与查看55

3.2.2 NumPy对象56

3.2.3 数组60

3.2.4 数学计算64

3.3 Pandas71

3.3.1 Pandas Series入门72

3.3.2 DataFrame结构82

3.4 Matplotlib97

3.4.1 安装与简介97

3.4.2 图形对象99

3.4.3 绘制图形111

3.5 Scikit-Learn123

3.6 深度学习框架简介124

3.7 小结127

第 4 章 特征工程128

4.1 特征工程概述128

4.2 数据清洗133

4.3 特征选择和提取136

4.3.1 特征选择136

4.3.2 特征提取139

4.4 数据集划分140

4.5 小结142

第 5 章 模型评估143

5.1 常见的评估指标143

5.1.1 回归模型143

5.1.2 分类模型147

5.1.3 排序模型152

5.1.4 偏差与方差153

5.2 超参数调优154

5.3 评估指标的局限性162

5.4 小结163

第 6 章 降维方法164

6.1 降维概述164

6.2 主成分分析166

6.2.1 主成分分析的发展历史166

6.2.2 主成分分析的实现和应用167

6.3 线性判别分析170

6.3.1 线性判别分析的原理170

6.3.2 线性判别分析的实现和应用172

6.4 奇异值分解174

6.4.1 奇异值分解的原理174

6.4.2 奇异值分解的实现和应用176

6.5 小结178

第2篇 算法应用

第 7 章 K-Means聚类181

7.1 K-Means算法的原理181

7.1.1 K-Means算法介绍181

7.1.2 K-Means算法的优缺点185

7.2 K-Means算法的实现和应用187

7.3 小结190

第 8 章 K最近邻191

8.1 K最近邻算法的原理191

8.2 K最近邻算法的应用192

8.3 小结198

第 9 章 回归199

9.1 线性模型199

9.2 线性回归200

9.2.1 线性回归的原理200

9.2.2 线性回归的应用202

9.3 岭回归206

9.3.1 岭回归的原理206

9.3.2 岭回归的应用207

9.4 LASSO回归211

9.4.1 LASSO回归的原理212

9.4.2 LASSO回归的应用212

9.5 小结215

第 10 章 朴素贝叶斯216

10.1 基本概念和原理216

10.1.1 基本概念216

10.1.2 朴素贝叶斯分类原理217

10.2 实现算法219

10.2.1 伯努利朴素贝叶斯219

10.2.2 高斯朴素贝叶斯222

10.2.3 多项式朴素贝叶斯224

10.3 实际应用226

10.3.1 算法简单应用和应用流程227

10.3.2 医学病情数据分析227

10.4 小结229

第 11 章 决策树与随机森林230

11.1 决策树230

11.1.1 决策树分类算法231

11.1.2 选择决策树判别条件232

11.1.3 信息熵234

11.1.4 决策树的画法和剪枝236

11.1.5 主要算法概述237

11.1.6 构建简单决策树239

11.2 随机森林240

11.2.1 随机森林的概念240

11.2.2 随机森林的构建241

11.3 实际应用243

11.3.1 决策树的应用243

11.3.2 随机森林的应用247

11.4 小结250

第 12 章 支持向量机251

12.1 支持向量机的概念251

12.2 核函数256

12.3 改进支持向量机算法263

12.3.1 偏斜数据的改进算法263

12.3.2 多分类支持向量机264

12.3.3 最小二乘支持向量机264

12.3.4 结构化支持向量机265

12.3.5 多核支持向量机265

12.4 支持向量机扩展算法266

12.4.1 支持向量回归266

12.4.2 支持向量聚类267

12.4.3 半监督支持向量机267

12.5 支持向量机的应用268

12.5.1 sklearn库中的支持向量机算法268

12.5.2 支持向量机分类269

12.5.3 支持向量机回归280

12.6 小结282

第 13 章 神经网络283

13.1 神经网络的发展与应用283

13.1.1 发展历史283

13.1.2 应用领域286

13.2 神经网络模型288

13.2.1 神经元模型288

13.2.2 感知机模型290

13.2.3 多层感知机模型296

13.3 神经网络的原理、算法和工作流程299

13.3.1 工作原理299

13.3.2 反向传播算法301

13.3.3 工作流程总结304

13.4 神经网络的实现和应用305

13.4.1 神经网络的实现305

13.4.2 神经网络的应用309

13.5 小结320

第3篇 拓展应用

第 14 章 集成学习323

14.1 集成学习概述323

14.1.1 集成学习的概念324

14.1.2 集成学习的实现方法326

14.2 集成学习算法的应用328

14.2.1 Bagging算法328

14.2.2 AdaBoost算法331

14.2.3 梯度树提升336

14.2.4 投票分类器338

14.3 小结342

第 15 章 TensorFlow入门343

15.1 TensorFlow简介和安装343

15.1.1 TensorFlow简介343

15.1.2 TensorFlow的安装344

15.2 TensorFlow的数据类型345

15.2.1 常量346

15.2.2 变量352

15.3 TensorFlow的矩阵操作353

15.3.1 索引和切片353

15.3.2 维度变换355

15.3.3 数学运算358

15.4 指定CPU和GPU361

15.5 TensorFlow的数据集364

15.5.1 加载数据集365

15.5.2 加载数据集365

15.5.3 数据集信息366

15.5.4 可视化367

15.6 图像处理368

15.6.1 加载图片368

15.6.2 查看图片370

15.6.3 加载和格式化图片371

15.7 TensorFlow构建神经网络372

15.8 小结373

第 16 章 PyTorch入门374

16.1 PyTorch简介和安装374

16.1.1 PyTorch简介374

16.1.2 PyTorch的安装375

16.2 PyTorch的主要模块377

16.2.1 主要模块377

16.2.2 辅助模块381

16.3 PyTorch的张量382

16.3.1 张量的数据类型382

16.3.2 创建张量384

16.3.3 张量存储389

16.3.4 维度操作391

16.3.5 索引和切片393

16.3.6 张量的运算394

16.4 PyTorch的图像分类404

16.4.1 自动微分404

16.4.2 神经网络407

16.4.3 图像分类器410

16.5 小结415

第 17 章 卷积网络416

17.1 计算机视觉416

17.2 卷积网络的基本运算418

17.2.1 卷积运算418

17.2.2 池化运算422

17.3 卷积网络与深度学习423

17.4 经典卷积网络424

17.4.1 AlexNet424

17.4.2 VGGNet434

17.5 小结438

第 18 章 激活函数439

18.1 激活函数的意义439

18.2 常用的激活函数441

18.2.1 Sigmoid及其改进型441

18.2.2 ReLU及其改进型446

18.2.3 其他常见的激活函数451

18.3 小结453

第 19 章 项目实战454

19.1 迁移学习项目实现454

19.1.1 导入相关的包455

19.1.2 加载数据455

19.1.3 可视化部分图像数据456

19.1.4 训练模型456

19.1.5 可视化模型结果458

19.1.6 微调ConvNet458

19.1.7 训练和模型评估458

19.1.8 结果可视化459

19.2 空间变换网络项目实现459

19.2.1 导入相关的包460

19.2.2 加载数据460

19.2.3 定义空间变换网络461

19.2.4 模型训练462

19.2.5 空间变换网络的可视化结果463

19.3 小结464

参考文献465

凌峰，毕业于中国科学院大学，博士，高级职称，从事机器学习、计算机视觉、图像处理、人工智能研究与开发工作多年，拥有丰富的机器学习算法实现经验，一个低调潜心研究技术的高手。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：细说机器学习 从理论到实践在线阅读

在线听书地址：细说机器学习 从理论到实践在线收听

在线购买地址：细说机器学习 从理论到实践在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！