1.使用Python语言实现代码，清晰简洁地解读机器学习深层概念。 2.读者通过大量的示例详细阐述了机器学习的相关概念，能够快速掌握广泛使用的回归、聚类、神经网络等机器学习算法/技术，并将这些概念应用于日常应用和发。 阅读本书，你将学到： ·通过简单易懂的方法学习数学和机器学习的原理； ·了解广泛使用的机器学习算法和技术，并掌握它们解决实际问题的方法； ·通过流行的编程框架了解先概念； ·为从事机器学习领域的工作做好准备； ·了解知名的强大的工具，并运用这些工具解决机器学习中涉及的计算问题； ·掌握当前机器学习领域的概念，并将这些概念应用于有趣的前沿问题。
售 价：¥
纸质售价：¥29.50购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容提要
译者序
作者简介
审稿人简介
前言
资源与支持
第1章 机器学习和统计科学
1.1 机器学习的发展
1.2 编程语言与库
1.3 基本数学概念
1.4 小结
第2章 学习过程
2.1 理解问题
2.2 数据集定义与检索
2.3 特征工程
2.4 数据预处理
2.5 模型定义
2.6 损失函数定义
2.7 模型拟合和评价
2.8 模型应用与结果分析
2.9 小结
第3章 聚类
3.1 分组—— 一种人类行为
3.2 自动化聚类过程
3.3 寻找一个共同的中心—— K-means
3.4 最近邻（Nearest Neighbors）
3.5 K-NN算法实现示例
3.6 算法扩展
3.7 小结
第4章 线性回归和逻辑回归
4.1 回归分析
4.2 线性回归
4.3 实践中的数据研究和线性回归
4.4 逻辑回归
4.5 小结
第5章 神经网络
5.1 神经模型的历史
5.2 使用单层感知器实现简单的功能
5.3 小结
第6章 卷积神经网络
6.1 卷积神经网络的起源
6.2 深度神经网络
6.3 使用Keras部署一个深度神经网络
6.4 用Quiver开发卷积模型
6.5 小结
第7章 循环神经网络
7.1 按顺序解决问题——RNN
7.2 LSTM
7.3 采用电能消耗数据预测单变量时间序列
7.4 小结
第8章 近期的新模型及其发展
8.1 GAN
8.2 强化学习
8.3 基本强化学习技术：Q学习
8.4 小结
第9章 软件安装与配置
9.1 Linux系统环境安装
9.2 macOS X系统环境安装
9.3 Windows系统环境安装
9.4 小结
参考资料
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
