未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

人工智能数学基础与Python机器学习实战

作者: 刘润森

出版社: 北京大学出版社

出版时间: 2021-11

版次: 1

ISBN: 9787301324820

定价: 79.00

装帧: 其他

开本: 16开

纸张: 胶版纸

页数: 292页

分类: 计算机与互联网

6 张插图图片

7人买过

  通常来说，人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的研究领域包括机器人、语音识别、图像识别、自然语言处理和专家系统等。
  机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。生活中很多机器学习的书籍只注重算法理论方法，并没有注重算法的落地。《人工智能数学基础与Python机器学习实战》是初学者非常期待的入门书，书中有很多的示例可以帮助初学者快速上手。
  《人工智能数学基础与Python机器学习实战》分为3个部分：第1章和第2章是人工智能的数学基础，主要介绍了机器学习的概念、Python开发环境的搭建、机器学习bibei的数学知识，以及线性代数和概率论的相关知识；第3~12章主要介绍了回归模型、分类模型、聚类模型、半监督模型的建立和相关算法的理论，以及如何使用sklearn具体实现相关算法模型的搭建；第13章介绍了Spark机器学习，笔者认为对于机器学习，不能只限于Python中的sklearn的学习，还要紧跟大数据时代的发展。
  《人工智能数学基础与Python机器学习实战》内容通俗易懂，案例丰富，实用性强，特别适合Python语言的入门读者和进阶读者阅读，也适合其他算法程序员和编程爱好者阅读。刘润森，CSDN博客专家，熟悉PyTorch、TensorFlow等深度学习框架，对计算机视觉、机器学习和深度学习有深入研究，目前担任AI算法工程师，从事民航目标识别和检测的工作。第1章走进机器学习的世界 1

1.1　机器学习概述 2

1.1.1　什么是机器学习 2

1.1.2　机器学习的分类 2

1.1.3　常用的机器学习算法 3

1.1.4　机器学习的流程 5

1.2　Python编程语言 6

1.2.1　Python环境搭建 6

1.2.2　机器学习相关软件包介绍 8

1.3　机器学习的数学知识 9

1.3.1　导数 9

1.3.2　基本函数的求导公式 9

1.3.3　求导法则 10

1.3.4　Python实现求导 10

1.3.5　泰勒展开式 12

1.3.6　微积分基本定理 14

1.3.7　基本函数的积分公式 14

1.3.8　Python实现积分 16

第2章人工智能数学基础 18

2.1　线性代数 19

2.1.1　向量及其线性运算 19

2.1.2　矩阵及其线性运算 20

2.2　随机变量 26

2.2.1　离散型随机变量 26

2.2.2　连续型随机变量 27

2.3　随机变量概率分布 28

2.3.1　伯努利分布 28

2.3.2　泊松分布 29

2.3.3　指数分布 30

2.3.4　二项分布 31

2.3.5　正态分布 32

2.3.6　伽马分布 33

2.3.7　贝塔分布 34

2.3.8　卡方分布 35

2.3.9　t分布 37

2.3.10　F分布 40

第3章数据获取和预处理 42

3.1　数据获取 43

3.1.1　自带和下载数据集 43

3.1.2　创建数据集 45

3.1.3　数据集 49

3.2　标准化 50

3.2.1　Z?score标准化 50

3.2.2　Min?Max标准化 51

3.3　二值化 52

3.3.1　特征二值化 52

3.3.2　标签二值化 53

3.4　特征处理 54

3.4.1　独热编码 54

3.4.2　多项式特征 56

3.4.3　PCA降维 57

3.5　数据清洗 59

3.5.1　Pandas数据清洗 59

3.5.2　sklearn处理缺失值 62

3.6　文本特征提取 64

3.6.1　字典提取器 64

3.6.2　词袋模型 65

3.6.3　权重向量 67

3.7　图像特征提取 69

3.7.1　提取像素矩阵 69

3.7.2　提取角点 71

3.7.3　提取轮廓 74

3.7.4　提取局部特征点 74

3.8　特征选择 76

3.8.1　Filter过滤法 76

3.8.2　Wrapper包装法 78

3.8.3　Embedded嵌入法 79

第4章线性回归和逻辑回归 81

4.1　线性回归 82

4.1.1　小二乘法 82

4.1.2　梯度下降法 84

4.1.3　线性回归实现 86

4.1.4　Lasso回归和岭回归 90

4.1.5　回归模型评估 93

4.1.6　多项式回归 94

4.2　逻辑回归 96

4.2.1　逻辑回归算法 96

4.2.2　逻辑回归实现 98

4.2.3　分类模型评估 100

第5章 KNN和贝叶斯分类算法 107

5.1　KNN算法 108

5.1.1　KNN算法的距离度量 108

5.1.2　KNN算法代码实现 112

5.1.3　交叉验证 113

5.1.4　KD树 115

5.2　贝叶斯分类算法 118

5.2.1　贝叶斯定理 118

5.2.2　高斯朴素贝叶斯 119

5.2.3　多项式朴素贝叶斯 121

5.2.4　伯努利朴素贝叶斯 123

第6章决策树和随机森林 125

6.1　决策树 126

6.1.1　熵 126

6.1.2　决策树算法 129

6.1.3　剪枝算法 131

6.2　决策树代码实现 133

6.2.1　可视化决策树 133

6.2.2　分类树 136

6.2.3　回归树 143

6.3　随机森林 144

6.3.1　集成学习算法 144

6.3.2　随机森林分类 145

6.3.3　随机森林回归 148

第7章支持向量机 150

7.1　SVM核心概念 151

7.1.1　线性可分 151

7.1.2　核函数 153

7.2　SVM代码实现 154

7.2.1　SVC 154

7.2.2　SVM人脸识别 158

7.2.3　SVR 161

第8章聚类算法 163

8.1　K?means聚类算法 164

8.1.1　K?means聚类算法原理 164

8.1.2　模型评估 166

8.1.3　图像处理 167

8.1.4　K?means聚类算法实例 169

8.2　层次聚类算法 173

8.2.1　层次聚类算法原理 173

8.2.2　层次聚类算法实例 174

8.3　密度聚类算法 176

8.3.1　密度聚类算法原理 176

8.3.2　密度聚类算法实例 177

第9章 EM和HMM聚类算法 179

9.1　EM聚类算法 180

9.1.1　似然估计 180

9.1.2　詹森不等式 181

9.1.3　EM算法原理 182

9.2　EM算法代码实现 183

9.3　HMM聚类算法 186

9.3.1　马尔可夫过程 186

9.3.2　隐马尔可夫模型 187

第10章主题模型 190

10.1　LDA主题模型 191

10.1.1　Dirichlet分布 191

10.1.2　LDA贝叶斯模型 192

10.2　自然语言处理常用工具包 193

10.2.1　NLTK 193

10.2.2　spaCy 196

10.2.3　Gensim 197

10.2.4　jieba 201

10.2.5　Stanford NLP 202

10.2.6　FuzzyWuzzy 203

10.2.7　HanLP 204

10.3　LDA主题模型实例 207

第11章推荐算法 212

11.1　关联规则 213

11.1.1　置信度 213

11.1.2　支持度 213

11.1.3　提升度 214

11.1.4　关联规则代码实现 214

11.2　基于用户行为的推荐算法 217

11.2.1　矩阵分解 217

11.2.2　SVD算法代码实现 219

11.3　基于评分的推荐算法 221

11.3.1　SlopeOne算法 221

11.3.2　SlopeOne算法代码实现 222

11.4　协同过滤 222

第12章数据建模 226

12.1　监督学习 227

12.1.1　监督学习回归 227

12.1.2　监督学习分类 228

12.2　半监督学习 235

12.2.1　标签传播算法 235

12.2.2　半监督学习分类 236

12.3　保存模型 239

12.3.1　pickle 239

12.3.2　joblib 240

12.3.3　sklearn2pmml 240

第13章 Spark机器学习 244

13.1　Spark分布式集群搭建 245

13.1.1　创建CentOS 7虚拟机 245

13.1.2　设置静态IP 247

13.1.3　配置SSH服务 248

13.1.4　安装Java 248

13.1.5　搭建三台CentOS 7主机 249

13.1.6　修改hosts文件 250

13.1.7　配置SSH免密码登录 251

13.1.8　搭建Hadoop集群 252

13.1.9　搭建ZooKeeper集群 255

13.1.10　启动Hadoop和ZooKeeper集群 257

13.1.11　搭建Spark集群 260

13.2　Hadoop和Spark的基础知识 262

13.2.1　HDFS 262

13.2.2　Spark Shell 264

13.2.3　RDD编程 268

13.2.4　Spark SQL 273

13.3　Spark MLlib 279

13.3.1　回归模型 279

13.3.2　分类模型 281
内容简介:
  通常来说，人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能的研究领域包括机器人、语音识别、图像识别、自然语言处理和专家系统等。
  机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。生活中很多机器学习的书籍只注重算法理论方法，并没有注重算法的落地。《人工智能数学基础与Python机器学习实战》是初学者非常期待的入门书，书中有很多的示例可以帮助初学者快速上手。
  《人工智能数学基础与Python机器学习实战》分为3个部分：第1章和第2章是人工智能的数学基础，主要介绍了机器学习的概念、Python开发环境的搭建、机器学习bibei的数学知识，以及线性代数和概率论的相关知识；第3~12章主要介绍了回归模型、分类模型、聚类模型、半监督模型的建立和相关算法的理论，以及如何使用sklearn具体实现相关算法模型的搭建；第13章介绍了Spark机器学习，笔者认为对于机器学习，不能只限于Python中的sklearn的学习，还要紧跟大数据时代的发展。
  《人工智能数学基础与Python机器学习实战》内容通俗易懂，案例丰富，实用性强，特别适合Python语言的入门读者和进阶读者阅读，也适合其他算法程序员和编程爱好者阅读。
作者简介:
刘润森，CSDN博客专家，熟悉PyTorch、TensorFlow等深度学习框架，对计算机视觉、机器学习和深度学习有深入研究，目前担任AI算法工程师，从事民航目标识别和检测的工作。
目录:
第1章走进机器学习的世界 1

1.1　机器学习概述 2

1.1.1　什么是机器学习 2

1.1.2　机器学习的分类 2

1.1.3　常用的机器学习算法 3

1.1.4　机器学习的流程 5

1.2　Python编程语言 6

1.2.1　Python环境搭建 6

1.2.2　机器学习相关软件包介绍 8

1.3　机器学习的数学知识 9

1.3.1　导数 9

1.3.2　基本函数的求导公式 9

1.3.3　求导法则 10

1.3.4　Python实现求导 10

1.3.5　泰勒展开式 12

1.3.6　微积分基本定理 14

1.3.7　基本函数的积分公式 14

1.3.8　Python实现积分 16

第2章人工智能数学基础 18

2.1　线性代数 19

2.1.1　向量及其线性运算 19

2.1.2　矩阵及其线性运算 20

2.2　随机变量 26

2.2.1　离散型随机变量 26

2.2.2　连续型随机变量 27

2.3　随机变量概率分布 28

2.3.1　伯努利分布 28

2.3.2　泊松分布 29

2.3.3　指数分布 30

2.3.4　二项分布 31

2.3.5　正态分布 32

2.3.6　伽马分布 33

2.3.7　贝塔分布 34

2.3.8　卡方分布 35

2.3.9　t分布 37

2.3.10　F分布 40

第3章数据获取和预处理 42

3.1　数据获取 43

3.1.1　自带和下载数据集 43

3.1.2　创建数据集 45

3.1.3　数据集 49

3.2　标准化 50

3.2.1　Z?score标准化 50

3.2.2　Min?Max标准化 51

3.3　二值化 52

3.3.1　特征二值化 52

3.3.2　标签二值化 53

3.4　特征处理 54

3.4.1　独热编码 54

3.4.2　多项式特征 56

3.4.3　PCA降维 57

3.5　数据清洗 59

3.5.1　Pandas数据清洗 59

3.5.2　sklearn处理缺失值 62

3.6　文本特征提取 64

3.6.1　字典提取器 64

3.6.2　词袋模型 65

3.6.3　权重向量 67

3.7　图像特征提取 69

3.7.1　提取像素矩阵 69

3.7.2　提取角点 71

3.7.3　提取轮廓 74

3.7.4　提取局部特征点 74

3.8　特征选择 76

3.8.1　Filter过滤法 76

3.8.2　Wrapper包装法 78

3.8.3　Embedded嵌入法 79

第4章线性回归和逻辑回归 81

4.1　线性回归 82

4.1.1　小二乘法 82

4.1.2　梯度下降法 84

4.1.3　线性回归实现 86

4.1.4　Lasso回归和岭回归 90

4.1.5　回归模型评估 93

4.1.6　多项式回归 94

4.2　逻辑回归 96

4.2.1　逻辑回归算法 96

4.2.2　逻辑回归实现 98

4.2.3　分类模型评估 100

第5章 KNN和贝叶斯分类算法 107

5.1　KNN算法 108

5.1.1　KNN算法的距离度量 108

5.1.2　KNN算法代码实现 112

5.1.3　交叉验证 113

5.1.4　KD树 115

5.2　贝叶斯分类算法 118

5.2.1　贝叶斯定理 118

5.2.2　高斯朴素贝叶斯 119

5.2.3　多项式朴素贝叶斯 121

5.2.4　伯努利朴素贝叶斯 123

第6章决策树和随机森林 125

6.1　决策树 126

6.1.1　熵 126

6.1.2　决策树算法 129

6.1.3　剪枝算法 131

6.2　决策树代码实现 133

6.2.1　可视化决策树 133

6.2.2　分类树 136

6.2.3　回归树 143

6.3　随机森林 144

6.3.1　集成学习算法 144

6.3.2　随机森林分类 145

6.3.3　随机森林回归 148

第7章支持向量机 150

7.1　SVM核心概念 151

7.1.1　线性可分 151

7.1.2　核函数 153

7.2　SVM代码实现 154

7.2.1　SVC 154

7.2.2　SVM人脸识别 158

7.2.3　SVR 161

第8章聚类算法 163

8.1　K?means聚类算法 164

8.1.1　K?means聚类算法原理 164

8.1.2　模型评估 166

8.1.3　图像处理 167

8.1.4　K?means聚类算法实例 169

8.2　层次聚类算法 173

8.2.1　层次聚类算法原理 173

8.2.2　层次聚类算法实例 174

8.3　密度聚类算法 176

8.3.1　密度聚类算法原理 176

8.3.2　密度聚类算法实例 177

第9章 EM和HMM聚类算法 179

9.1　EM聚类算法 180

9.1.1　似然估计 180

9.1.2　詹森不等式 181

9.1.3　EM算法原理 182

9.2　EM算法代码实现 183

9.3　HMM聚类算法 186

9.3.1　马尔可夫过程 186

9.3.2　隐马尔可夫模型 187

第10章主题模型 190

10.1　LDA主题模型 191

10.1.1　Dirichlet分布 191

10.1.2　LDA贝叶斯模型 192

10.2　自然语言处理常用工具包 193

10.2.1　NLTK 193

10.2.2　spaCy 196

10.2.3　Gensim 197

10.2.4　jieba 201

10.2.5　Stanford NLP 202

10.2.6　FuzzyWuzzy 203

10.2.7　HanLP 204

10.3　LDA主题模型实例 207

第11章推荐算法 212

11.1　关联规则 213

11.1.1　置信度 213

11.1.2　支持度 213

11.1.3　提升度 214

11.1.4　关联规则代码实现 214

11.2　基于用户行为的推荐算法 217

11.2.1　矩阵分解 217

11.2.2　SVD算法代码实现 219

11.3　基于评分的推荐算法 221

11.3.1　SlopeOne算法 221

11.3.2　SlopeOne算法代码实现 222

11.4　协同过滤 222

第12章数据建模 226

12.1　监督学习 227

12.1.1　监督学习回归 227

12.1.2　监督学习分类 228

12.2　半监督学习 235

12.2.1　标签传播算法 235

12.2.2　半监督学习分类 236

12.3　保存模型 239

12.3.1　pickle 239

12.3.2　joblib 240

12.3.3　sklearn2pmml 240

第13章 Spark机器学习 244

13.1　Spark分布式集群搭建 245

13.1.1　创建CentOS 7虚拟机 245

13.1.2　设置静态IP 247

13.1.3　配置SSH服务 248

13.1.4　安装Java 248

13.1.5　搭建三台CentOS 7主机 249

13.1.6　修改hosts文件 250

13.1.7　配置SSH免密码登录 251

13.1.8　搭建Hadoop集群 252

13.1.9　搭建ZooKeeper集群 255

13.1.10　启动Hadoop和ZooKeeper集群 257

13.1.11　搭建Spark集群 260

13.2　Hadoop和Spark的基础知识 262

13.2.1　HDFS 262

13.2.2　Spark Shell 264

13.2.3　RDD编程 268

13.2.4　Spark SQL 273

13.3　Spark MLlib 279

13.3.1　回归模型 279

13.3.2　分类模型 281

查看详情

进店看看

人工智能数学基础与Python机器学习实战

内容简介:

作者简介:

目录: