多种网盘链接检测插件 购买前，请先检测网盘链接是否有效
《Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现》_1 ... ...
《Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现》_2 ... ...
《Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现》_3 ... ...
内容简介：
关于作者
何宇健,毕业于北京大学数学系,有多
Python开发经验,曾用 Python开发过多款
有意思的软件。对机器学习、神经网络
叶斯算法有深入研究
适合读者
神经网络研究人员
人工智能研究人员
机器人程序开发人员
数据分析和数据挖掘人员
对算法感兴趣的人员
Python程序开发人员
Python
与机器学习实战
决策树、集成学习、支持向量机与
神经网络算法详解及编程实现
何宇健编著
電子工業出版
Publishing House of Electronics Industry
内容简介
yuhon与机器学习这一话题是如此的宽广,仅靠一本书自然不可能涵盖到方方面面,甚至即使出一个
系列的书也难能做到这点。单就机器学习而言,其领域就包括但不限于如下:有监督学习( Supervised
Learning),无监督学习( Unsupervised Learning)和半监督学习(semi- Supervised Learning)。而其具体的
问题又大致可以分为两类:分类问题( Classification)和回归问题( Regression)
Python本身带有许多机器学习的第三方库,但本书在绝大多数情况下只会用到 Numpy这个基础的科
学计算库来进行算法代码的实现。这样做的目的是希望读者能够从实现的过程中更好地理解机器学习算法
的细节,以及了解 Numpy的各种应用。不过作为补充,本书会在适当的时候应用 scikit-lear这个成熟的
第三方库中的模型
本书适用于想了解传统机器学习算法的学生和从业者,想知道如何高效实现机器学习算法的程序员
以及想了解机器学习算法能如何进行应用的职员、经理等
未经许可,不得以任何方式复制或抄袭本书之部分或全部内容。
版权所有,侵权必究
图书在版编目(C|P)数据
Python与机器学习实战:决策树、集成学习、支持向量机与神经网络算法详解及编程实现/何宇健
编著,一北京:电子工业出版社,2017.7
ISBN978-7-121-317200
I.①P…Ⅱ.①何…Ⅲ①软件工具一程序设计②机器学习Ⅳ.①TP31561②TP181
中guo版本图书馆CIP数据核字(2017)第121087号
策划编辑:张月萍
责任编辑:徐津平
特约编辑:顾慧芳
印刷:北京京科印刷有限公司
装订:北京京科印刷有限公司
出版发行:电子工业出版社
比京市海淀区万寿路173信箱
部编
开本:787×9801/16
张:20.5
版次:2017年7月第1版
印次:2017年7月第1次印刷
印数:3000册
凡所购买电子工业出版社图书有缺损问题,请向购买书店调换。若书店售缺,请与本社发行部联系
联系及郎购电话 010)88254888,88258888
质量投诉请发邮件至zs@Ephei.com.cn,盗版侵权举报请发邮件至dbqq@phei.com.cm。
本书咨询联系方式:010-51260888-819fag@phei.com.cn
前言
自从 AlphaGo在2016年3月战胜人类围棋顶尖高手Li世石后,“人工智能”“深度学
习”这一类词汇就进入了大众的视野:而作为更加宽泛的一个概念——“机器学习”则多
少顺势成为了从学术界到工业界都相当火热的话题。不少人可能都想尝试和体验一下“机
器学习”这个可以说是相当神奇的东西,不过可能又苦于不知如何下手。编著本书的目的
就是想介绍一种入门机器学习的方法。虽然市面上已经有许多机器学习的书籍,但它们大
多要么过于偏重理论,要么过于偏重应用,要么过于“厚重”;本书致力于将理论与实践相
结合,在讲述理论的同时,利用 Python这一门简明有力的编程语言进行一系列的实践与应
当然,囿于作者水平,本书实现的一些模型从速度上来说会比成熟的第三方库中实现
的模型要慢不少。一方面是因为比较好的第三方库背后往往会用底层语言来实现核心算
另一方面则是本书通常会把数据预处理的过程涵盖在模型中。以决策树模型为例,
saiki- -learn中的决策树模型会比本书的实现要快很多,但本书实现的模型能够用 scikit-eamn
中决策树模型训练不了的训练集来训练。
同时,限于篇幅,本书无法将所有代码都悉数放出(事实上这样做的意义也不是很大)
所以我们会略去一些相对枯燥且和相应算法的核心思想关系不大的实现。对于这些实现
我们会进行相应的算法说
感
兴趣的读者可以尝试自己一步一步地去实现,也可以直接
在 GitHub上面查看笔者自己实现的版本( GitHub地址会在相应的地方贴出)。本书所涉及
的所有代码都可以参见htps:/ github. com/carefree0/ MachineLearning,笔者也建议在阅读
本书之前先把这个链接里面的内容都下载下来作为参照。毕竟即使在本书收官之后,笔者
[III
Python与机器学习实战:决策树、集成学习、支持向量机与神经网络算法详解及编程实现
仍然会不时地在上述链接中优化和更新相应的算法,而这些更新是无法反映在本书中的。
虽说确实可以完全罔顾理论来用机器学习解决许多问题,但是如果想要理解背后的道
理并借此提高解决问题的效率,扎实的理论根基是必不可少的。本书会尽量避免罗列枯燥
勺数学公式,但是基本的公式常常不可或缺。虽然笔者想要尽量做到通俗易懂,但仍然还
是需要读者拥有一定的数学知识。不过为了阅读体验良好,本书通常会将比较烦琐的数学
理论及相关推导放在每一章的倒数第二节(最后一节是总结)作为某种意义上的“附加内
容”。这样做有若干好处
对于已经熟知相关理论的读者,可以不再重复地看同样的东西:
对于只想了解机器学习各种思想、算法和实现的读者,可以避免接受不必要的知识
对于想了解机器学习背后道理和逻辑的读者,可以有一个集中的地方进行学习
本书的特点
·理论与实践结合,在较为详细、全面地讲解理论之后,会配上相应的代码实现以加
深读者对相应算法的理解
每一章都会有丰富的实例,让读者能够将本书所阐述的思想和模型应用到实际任务
·在涵盖了诸多经典的机器学习算法的同时,也涵盖了许多最新的研究成果(比如最
后一章所讲述的卷积神经网络(CNN)可以说就是许多“深度学习”的基础)
·所涉及的模型实现大多仅仅基于线性代数运算库( Numpy)而没有依赖更高级的第
三方库,读者无须了解 Python那浩如烟海的第三方库中的任何一个便能读懂本书
的代码。
本书的内容安排
第1章 Python与机器学习入门
本章介绍了机器学习的概念和一些基础术语,比如泛化能力、过拟合、经验风险(ERM)
和结构风险(SRM)等,还介绍了如何安装并使用 安aconda这一 Python的科学运算环境
同时在最后,我们解决了一个小型的机器学习问题。本章内容虽不算多,却可说是本书所
有内容的根基
#############################################
|
|
