亚洲美洲欧洲偷拍片区,美女亂子倫高潮在線觀看完整片

《Python機器學習入門：機器學習算法的理論與實踐》全面細致地講解了機器學習的基礎知識及其應用，具體內(nèi)容包括機器學習中必要的環(huán)境搭建和Python的基礎知識、有監(jiān)督學習和無監(jiān)督學習的理論及其實際應用案例、有監(jiān)督學習和無監(jiān)督學習的機器學習模式，并以理論結(jié)合公式的方式講解了Python代碼的編寫方法，以及數(shù)據(jù)的采集、處理和實際操作中機器學習的模式。
本書適合人工智能、機器學習方向的學生和技術人員學習、使用，也適合廣大人工智能愛好者閱讀。

原書前言
人工智能將為商務活動帶來變革這個說法由來已久。商業(yè)界的注目使得更多的人都不斷地加入這個領域中來。生活中關于人工智能的信息，從面向一般人的文章，到面向?qū)I(yè)人士的論文，以及真假難辨的報道，層出不窮。而泛濫的信息使得初學者面臨著較難的取舍選擇，使得從零基礎開始自學變得非常困難。
著筆寫這本書的時候，人工智能大多指的是，諸如本書主要講解的機器學習算法機器學習模型以及為一般用戶提供的系統(tǒng)課題。然而，為了實現(xiàn)人工智能在商務活動中的應用，理解機器學習算法和構(gòu)建系統(tǒng)的順序是很有必要的。
本書將采用機器學習中常使用的Python程序語言，不僅從算法的理解方面，還從實際操作方面，帶領大家零基礎學習機器學習的模型設計。我們期待讀者通過這本書，掌握機器學習在商務活動應用中的技巧。除此之外，也希望讀者能明白人工智能和機器學習關于技術上指的是什么擅長做什么不擅長做什么等問題的關鍵。
讀完這本書，相信您對人工智能、機器學習會有更深入學習的興趣。不論是想要掌握機器學習的技能從而在職場大展身手的IT工程師，還是將來想成為數(shù)據(jù)分析師的學生，如果這本書對您有幫助，我們將深感榮幸。本書的讀者對象及閱讀必要知識
機器學習是在人工智能相關產(chǎn)品、服務的開發(fā)中，基礎的學習領域。
本書是講解機器學習的基礎和實踐的書籍。
本書包括機器學習開發(fā)環(huán)境的準備、實際使用方法、簡單易懂的理論部分，以及數(shù)據(jù)收集、處理和相應的機器學習模式的使用方法。
 Python基礎的程序語言知識
 大學線性代數(shù)和微積分知識
本書的構(gòu)成
本書分為4個章節(jié)。
第1章將介紹機器學習中必要的環(huán)境搭建和Python的基礎知識。
第2章將分別舉例講解有監(jiān)督學習和無監(jiān)督學習。
第3章將介紹有監(jiān)督學習和無監(jiān)督學習的機器學習模式，主要以理論結(jié)合公式的方式講解Python代碼的編寫方法。
第4章將對數(shù)據(jù)的采集、處理和實際操作中機器學習模式的利用進行說明。
本書樣本的運行環(huán)境及樣本程序
本書各章的樣本都是在下表給出的操作環(huán)境中運行的，并且已確認沒有問題。另外，本書是以macOS操作環(huán)境為基礎進行敘述的，并通過pip命令指定庫解析進行安裝，具體參見1.4節(jié)。
運行環(huán)境項目內(nèi)容項目內(nèi)容OSmac OS
Sierra/MohevaPandas0.24.2Python3.6.1/3.6.2/3.7.0Pillow6.0.0graphviz2.40.1scikit-learn0.20.3NumPy1.16.2SciPy1.2.1matplotlib3.0.3seaborn0.9.0mecab0.996swig3.0.12mecab-ipadic2.7.0Homebrew（版本號2.1.1）mecab-python30.996.1開發(fā)環(huán)境
IPython（版本號6.2.1~7.4.0）jupyter（版本號1.0.0）

目錄
譯者的話
原書前言
第1章閱讀本書前的準備
1.1Python的安裝
1.1.1何為Python
1.1.2Homebrew的安裝
1.1.3Python3的安裝
1.1.4虛擬環(huán)境的創(chuàng)建
1.1.5為何使用venv（為何不用pyenv、anaconda）
1.2Python的使用方法
1.2.1輸出Hello World！
1.2.2IPython的使用
1.2.3四則運算
1.2.4字符串的使用
1.2.5列表類型的使用
1.2.6字典類型的使用
1.2.7其他數(shù)據(jù)類型
1.2.8條件分支
1.2.9循環(huán)
1.2.10函數(shù)的使用
1.2.11類的使用
1.2.12標準庫的使用
1.3Jupyter Notebook的安裝和使用
1.3.1Jupyter Notebook的安裝和啟動
1.3.2Jupyter Notebook的使用
1.4NumPy、scikit-learn、matplotlib、Pandas的使用
1.4.1NumPy的安裝和使用
1.4.2scikit-learn的安裝和使用
1.4.3matplotlib的安裝和使用
1.4.4Pandas的安裝和使用

第2章機器學習在實際中的使用
2.1在工作中運用機器學習
2.1.1關于機器學習
2.1.2輸入輸出的格式化
2.1.3分析任務的本質(zhì)
2.1.4實際問題的分析案例
2.2用樣本數(shù)據(jù)嘗試有監(jiān)督學習
2.2.1嘗試分類的案例
2.2.2運用決策樹分類
2.2.3嘗試解決實際問題
2.2.4解決實際問題的注意要點
2.3用樣本數(shù)據(jù)嘗試無監(jiān)督學習
2.3.1無監(jiān)督學習
2.3.2使用樣本嘗試scikit-learn
2.4小結(jié)

第3章機器學習基礎理論
3.1數(shù)學知識的準備
3.1.1本節(jié)的學習流程
3.1.2為什么數(shù)學是必要的
3.1.3集合和函數(shù)基礎
3.1.4線性代數(shù)基礎
3.1.5微分基礎
3.1.6概率統(tǒng)計基礎
3.2機器學習的基礎
3.2.1機器學習的目的
3.2.2技術性的假設和用語
3.2.3有監(jiān)督學習概述
3.2.4從泛化誤差看有監(jiān)督學習
3.2.5無監(jiān)督學習概述
3.3有監(jiān)督學習
3.3.1分類模型的精度評價
3.3.2邏輯回歸
3.3.3神經(jīng)網(wǎng)絡
3.3.4梯度提升決策樹
3.4無監(jiān)督學習
3.4.1混合高斯模型
3.4.2k-均值
3.4.3層次聚類
3.4.4核密度估計
3.4.5t-SNE

第4章數(shù)據(jù)的整合與處理
4.1機器學習中數(shù)據(jù)的使用流程
4.2數(shù)據(jù)的獲取和整合
4.2.1數(shù)據(jù)結(jié)構(gòu)的理解
4.2.2從結(jié)構(gòu)化數(shù)據(jù)中讀取數(shù)據(jù)
4.2.3讀取數(shù)據(jù)
4.2.4分組聚合
4.2.5時間格式的操作方法
4.2.6合并
4.3數(shù)據(jù)的格式化
4.3.1數(shù)據(jù)種類的理解
4.3.2標準化
4.3.3缺省值
4.4非結(jié)構(gòu)化數(shù)據(jù)的處理
4.4.1文本數(shù)據(jù)的預處理
4.4.2終端中MeCab的應用
4.4.3Python中MeCab的應用
4.4.4圖片數(shù)據(jù)的處理
4.5不平衡數(shù)據(jù)的處理
4.5.1分類問題中的不平衡數(shù)據(jù)
4.5.2數(shù)據(jù)不平衡問題
4.5.3一般的處理方法
4.5.4樣本權(quán)重的調(diào)整
4.5.5降采樣法

你還可能感興趣

我要評論