免费下载书籍地址：PDF下载地址
精美图片
Python机器学习：原理与实践（数据科学与大数据技术丛书）书籍详细信息
- ISBN：9787300287317
- 作者：暂无作者
- 出版社：暂无出版社
- 出版时间：2021-01
- 页数：暂无页数
- 价格：52.20
- 纸张：胶版纸
- 装帧：平装-胶订
- 开本：32开
- 语言：未知
- 丛书：暂无丛书
- TAG：暂无
- 豆瓣评分：暂无豆瓣评分
内容简介：
本书引领读者进入Python机器学习领域。理论上突出机器学习原理讲解的可读性并兼具知识深度和广度，实践上强调机器学习的可操作性并兼具应用广泛性。本书不仅对原理进行了深入透彻的理论讲解，而且通过Python编程给出了原理的直观解释以及可操作实现的应用案例。本书适合作为高等院校相关专业的机器学习教学用书，也可作为Python机器学习研究应用人员的参考用书。
书籍目录：
第1章 机器学习与Python 概述
1.1 机器学习与人工智能1.1.1 符号主义人工智能
1.1.2 基于机器学习的人工智能
1.2 机器学习能做什么
1.2.1 机器学习的学习对象: 数据集
1.2.2 机器学习的任务
1.3 Python 实践课: 初识Python
1.3.1 实践一: Python 和Anaconda
1.3.2 实践二: Python 第三方包的引用
1.3.3 实践三: 学习Python 的NumPy 包
1.3.4 实践四: 学习Python 的Pandas 包
1.3.5 实践五: 学习Python 的Matplotlib 包
1.3.6 实践六: 了解Python 的Scikit-learn 包
附录
第2章数据预测中的相关问题
2.1 数据预测与预测建模
2.1.1 预测模型
2.1.2 预测模型的几何理解
2.1.3 预测模型参数估计的基本策略
2.2 预测模型的评价
2.2.1 模型误差的评价指标
2.2.2 模型的图形化评价工具
2.2.3 泛化误差的估计方法
2.2.4 数据集的划分策略
2.3 预测模型的选择问题
2.3.1 几个重要观点
2.3.2 模型过拟合
2.3.3 预测模型的偏差和方差
2.4 Python 实践课: 加深理论理解，探索应用实践
2.4.1 实践一: 预测模型中的一般线性回归模型和Logistic 回归模型
2.4.2 实践二: 预测模型的评价指标和图形化评价工具
2.4.3 实践三: 不同复杂度模型下的训练误差和测试误差
2.4.4 实践四: 数据集划分以及测试误差估计
2.4.5 实践五: 模型的过拟合以及偏差和方差
附录
第3章 数据预测建模: 贝叶斯分类器
3.1 贝叶斯概率和贝叶斯法则
3.1.1 贝叶斯概率
3.1.2 贝叶斯法则
3.2 贝叶斯和朴素贝叶斯分类器
3.2.1 贝叶斯和朴素贝叶斯分类器的一般内容
3.2.2 贝叶斯分类器的先验分布
3.3 贝叶斯分类器的分类边界
3.4 Python 实践课: 加深理论理解，探索应用实践
3.4.1 实践一: 探索不同参数下的贝塔分布特点
3.4.2 实践二: 绘制贝叶斯分类器的分类边界
3.4.3 实践三: 二分类的空气污染预测
3.4.4 实践四: 多分类的文本分类预测
附录
第4章 数据预测建模: 近邻分析
4.1 近邻分析: K-近邻法
4.1.1 距离: K-近邻法的近邻度量
4.1.2 参数K: 1-近邻法还是K-近邻法
4.2 基于观测相似性的加权K-近邻法
4.2.1 加权K-近邻法的权重
4.2.2 加权K-近邻法的预测
4.2.3 加权K-近邻法的分类边界
4.3 K-近邻法的适用性
4.4 Python 实践课: 加深理论理解，探索应用实践
4.4.1 实践一: K-近邻法不同参数K下的分类边界
4.4.2 实践二: 探讨加权K-近邻法中不同核函数的特点
4.4.3 实践三: 加权K{近邻法不同参数和加权策略下的分类边界
4.4.4 实践三: 空气质量等级预测中的参数K
4.4.5 K-近邻法的回归预测问题
附录
第5章 数据预测建模: 决策树
5.1 决策树的核心问题
5.1.1 什么是决策树
5.1.2 分类树的分类边界
5.1.3 回归树的回归平面
5.1.4 决策树的生长和剪枝
5.2 分类回归树的生长
5.2.1 分类树中的异质性度量
5.2.2 回归树中的异质性度量
5.3 分类回归树的剪枝
5.3.1 代价复杂度和小代价复杂度
5.3.2 分类回归树的剪枝过程
5.4 Python 实践课: 加深理论理解，探索应用实践
5.4.1 实践一: 回归树的回归面
5.4.2 实践二: 不同树深度下分类树的分类边界
5.4.3 实践三: 分类树中的基尼系数和熵
5.4.4 实践四: 空气质量等级的分类预测
5.4.5 实践五: 回归树和过拟合
附录
第6章 数据预测建模: 集成学习
6.1 集成学习的一般问题
6.1.1 集成学习: 解决高方差问题
6.1.2 集成学习: 从弱模型到强模型
6.2 基于重抽样自举法的集成学习
6.
作者介绍：
薛薇，中国人民大学统计学院副教授，中国人民大学应用统计科学研究中心研究员。所撰写著作曾获“十二五”普通高等教育本科规划教材、北京市高等教育精品教材。主要开设课程包括机器学习，统计分析软件等。研究方向为机器学习与深度学习算法及应用研究。
出版社信息：
暂无出版社相关信息，正在全力查找中！
书籍摘录：
本书在每章均设置了Python实践课环节。一方面，通过Python程序代码和可再现的各种图形，帮助学习者理解抽象理论背后的直观含义和方法精髓。另一方面，通过Python代码，帮助学习者掌握和拓展机器学习的算法实现和应用实践。同时，对程序中的关键点进行适度说明，并结合方法原理对程序运行结果进行解读，对相关算法及其特点进行比较评述。全书所有模型和算法都有相应的Python程序，并提供全部代码下载。
在线阅读/听书/购买/PDF下载地址：
在线阅读地址：Python机器学习：原理与实践（数据科学与大数据技术丛书）在线阅读
在线听书地址：Python机器学习：原理与实践（数据科学与大数据技术丛书）在线收听
在线购买地址：Python机器学习：原理与实践（数据科学与大数据技术丛书）在线购买
原文赏析：
暂无原文赏析，正在全力查找中！
其它内容：
书籍介绍
本书引领读者进入Python机器学习领域。理论上突出机器学习原理讲解的可读性并兼具知识深度和广度，实践上强调机器学习的可操作性并兼具应用广泛性。本书不仅对原理进行了深入透彻的理论讲解，而且通过Python编程给出了原理的直观解释以及可操作实现的应用案例。本书适合作为高等院校相关专业的机器学习教学用书，也可作为Python机器学习研究应用人员的参考用书。
书籍真实打分
故事情节：4分
人物塑造：8分
主题深度：9分
文字风格：3分
语言运用：4分
文笔流畅：3分
思想传递：9分
知识深度：9分
知识广度：8分
实用性：3分
章节划分：4分
结构布局：9分
新颖与独特：7分
情感共鸣：4分
引人入胜：9分
现实相关：3分
沉浸感：9分
事实准确性：4分
文化贡献：8分
网站评分
书籍多样性：3分
书籍信息完全性：7分
网站更新速度：6分
使用便利性：9分
书籍清晰度：9分
书籍格式兼容性：4分
是否包含广告：9分
加载速度：8分
安全性：8分
稳定性：7分
搜索功能：8分
下载便捷性：3分
下载点评
- mobi(362+)
- 三星好评(629+)
- 简单(179+)
- 无颠倒(622+)
- 购买多(484+)
- 博大精深(468+)
下载评价
网友 汪***豪：太棒了，我想要azw3的都有呀！！！
网友 冉***兮：如果满分一百分，我愿意给你99分，剩下一分怕你骄傲
网友 曾***文：五星好评哦
网友 芮***枫：有点意思的网站，赞一个真心好好好 哈哈
网友 龚***湄：差评，居然要收费！！！
网友 相***儿：你要的这里都能找到哦！！！
网友 康***溪：强烈推荐！！！
网友 隗***杉：挺好的，还好看！支持！快下载吧！
网友 谭***然：如果不要钱就好了
网友 利***巧：差评。这个是收费的
网友 仰***兰：喜欢！很棒！！超级推荐！
网友 常***翠：哈哈哈哈哈哈
网友 方***旋：真的很好，里面很多小说都能搜到，但就是收费的太多了