图书介绍
Python机器学习pdf电子书版本下载
- 赵涓涓，强彦主编 著
- 出版社： 北京：机械工业出版社
- ISBN：9787111630524
- 出版时间：2019
- 标注页数：232页
- 文件大小：105MB
- 文件页数：242页
- 主题词：软件工具－程序设计
PDF下载
下载说明
Python机器学习PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 机器学习基础 1
1.1引论 1
1.2何谓机器学习 2
1.2.1概述 2
1.2.2引例 2
1.3机器学习中的常用算法 4
1.3.1按照学习方式划分 4
1.3.2按照算法相似性划分 7
1.4本章小结 14
1.5本章习题 14
第2章 Python与数据科学 15
2.1 Python概述 15
2.2 Python与数据科学的关系 16
2.3 Python中常用的第三方库 16
2.3.1 NumPy 16
2.3.2 SciPY 17
2.3.3 Pandas 17
2.3.4 Matplotlib 18
2.3.5 Scikit－learn 18
2.4编译环境 18
2.4.1 Anaconda 19
2.4.2 Jupyter Notebook 21
2.5本章小结 23
2.6本章习题 24
第3章 线性回归算法 25
3.1算法概述 25
3.2算法流程 25
3.3算法步骤 26
3.4算法实例 30
3.5算法应用 32
3.6算法的改进与优化 34
3.7本章小结 34
3.8本章习题 34
第4章 逻辑 回归算法 37
4.1算法概述 37
4.2算法流程 38
4.3算法步骤 38
4.4算法实例 40
4.5算法应用 45
4.6算法的改进与优化 49
4.7本章小结 49
4.8本章习题 49
第5章 K最近邻算法 51
5.1算法概述 51
5.2算法流程 52
5.3算法步骤 52
5.4算法实例 53
5.5算法应用 54
5.6算法的改进与优化 57
5.7本章小结 58
5.8本章习题 58
第6章 PCA降维算法 59
6.1算法概述 59
6.2算法流程 60
6.3算法步骤 60
6.3.1内积与投影 60
6.3.2方差 62
6.3.3协方差 62
6.3.4协方差矩阵 63
6.3.5协方差矩阵对角化 63
6.4算法实例 65
6.5算法应用 67
6.6算法的改进与优化 68
6.7本章小结 68
6.8本章习题 69
第7章 k－means算法 70
7.1算法概述 70
7.2算法流程 70
7.3算法步骤 71
7.3.1距离度量 71
7.3.2算法核心思想 72
7.3.3初始聚类中心的选择 73
7.3.4簇类个数k的调整 73
7.3.5算法特点 74
7.4算法实例 75
7.5算法应用 77
7.6算法的改进与优化 81
7.7本章小结 81
7.8本章习题 82
第8章 支持向量机算法 84
8.1算法概述 84
8.2算法流程 85
8.2.1线性可分支持向量机 85
8.2.2非线性支持向量机 85
8.3算法步骤 85
8.3.1线性分类 85
8.3.2函数间隔与几何间隔 87
8.3.3对偶方法求解 88
8.3.4非线性支持向量机与核函数 90
8.4算法实例 93
8.5算法应用 95
8.6算法的改进与优化 100
8.7本章小结 101
8.8本章习题 101
第9章 AdaBoost算法 102
9.1算法概述 102
9.2算法流程 102
9.3算法步骤 103
9.4算法实例 105
9.5算法应用 106
9.6算法的改进与优化 109
9.7本章小结 110
9.8本章习题 110
第10章 决策树算法 112
10.1算法概述 112
10.2算法流程 113
10.3算法步骤 113
10.3.1两个重要概念 113
10.3.2实现步骤 115
10.4算法实例 115
10.5算法应用 118
10.6算法的改进与优化 119
10.7本章小结 120
10.8本章习题 120
第11章 高斯混合模型算法 121
11.1算法概述 121
11.2算法流程 121
11.3算法步骤 122
11.3.1构建高斯混合模型 122
11.3.2 EM算法估计模型参数 123
11.4算法实例 125
11.5算法应用 127
11.6算法的改进与优化 129
11.7本章小结 130
11.8本章习题 130
第12章 随机森林算法 132
12.1算法概述 132
12.2算法流程 133
12.3算法步骤 134
12.3.1构建数据集 134
12.3.2基于数据集构建分类器 134
12.3.3投票组合得到最终结果并分析 135
12.4算法实例 136
12.5算法应用 140
12.6算法的改进与优化 142
12.7本章小结 143
12.8本章习题 143
第13章 朴素贝叶斯算法 145
13.1算法概述 145
13.2算法流程 145
13.3算法步骤 146
13.4算法实例 148
13.5算法应用 149
13.6算法的改进与优化 151
13.7本章小结 152
13.8本章习题 152
第14章 隐马尔可夫模型算法 154
14.1算法概述 154
14.2算法流程 154
14.3算法步骤 155
14.4算法实例 156
14.5算法应用 159
14.6算法的改进与优化 165
14.7本章小结 166
14.8本章习题 166
第15章 BP神经网络算法 167
15.1算法概述 167
15.2算法流程 167
15.3算法步骤 168
15.4算法实例 170
15.5算法应用 174
15.6算法的改进与优化 176
15.7本章小结 177
15.8本章习题 177
第16章 卷积神经网络算法 179
16.1算法概述 179
16.2算法流程 179
16.3算法步骤 180
16.3.1向前传播阶段 181
16.3.2向后传播阶段 183
16.4算法实例 184
16.5算法应用 188
16.6算法的改进与优化 193
16.7本章小结 194
16.8本章习题 194
第17章 递归神经网络算法 196
17.1算法概述 196
17.2算法流程 197
17.3算法步骤 198
17.4算法实例 200
17.5算法应用 204
17.6算法的改进与优化 207
17.7本章小结 208
17.8本章习题 208
课后习题答案 210
参考文献 231