| 失效鏈接處理 |
|
Python數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí) 方巍 PDF 下載
下載地址：
版權(quán)歸出版社和原作者所有，鏈接已刪除，請購買正版
用戶下載說明：
電子版僅供預(yù)覽，下載后24小時(shí)內(nèi)務(wù)必刪除，支持正版，喜歡的請購買正版書籍：
https://product.dangdang.com/27875848.html
相關(guān)截圖：  資料簡介： 本書作為數(shù)據(jù)挖掘入門讀物，基于真實(shí)數(shù)據(jù)集進(jìn)行案例實(shí)戰(zhàn)，使用Python數(shù)據(jù)科學(xué)庫，從數(shù)據(jù)預(yù)處理開始一步步介紹數(shù)據(jù)建模和數(shù)據(jù)挖掘的過程。主要介紹了數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)、基本工具和實(shí)踐方法，通過循序漸進(jìn)地講解算法，帶領(lǐng)讀者輕松踏上數(shù)據(jù)挖掘之旅。本書采用理論與實(shí)踐相結(jié)合的方式，呈現(xiàn)了如何使用邏輯回歸進(jìn)行環(huán)境數(shù)據(jù)檢測，如何使用HMM進(jìn)行中文分詞，如何利用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別雷達(dá)剖面圖，如何使用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建聊天機(jī)器人，如何使用樸素貝葉斯算法進(jìn)行破產(chǎn)預(yù)測，如何使用DCGAN網(wǎng)絡(luò)進(jìn)行人臉生成等。本書也涉及神經(jīng)網(wǎng)絡(luò)、在線學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)、大數(shù)據(jù)處理等內(nèi)容。 本書適合對傳統(tǒng)數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法開發(fā)感興趣的讀者閱讀，也適合需要系統(tǒng)掌握深度學(xué)習(xí)的開發(fā)人員閱讀。 資料目錄： 前言 第1章 機(jī)器學(xué)習(xí)基礎(chǔ)1 1.1 機(jī)器學(xué)習(xí)概述2 1.2 機(jī)器學(xué)習(xí)的發(fā)展歷程2 1.3 機(jī)器學(xué)習(xí)分類3 1.3.1 監(jiān)督學(xué)習(xí)3 1.3.2 無監(jiān)督學(xué)習(xí)3 1.3.3 強(qiáng)化學(xué)習(xí)4 1.3.4 深度學(xué)習(xí)4 1.4 機(jī)器學(xué)習(xí)的應(yīng)用4 1.5 開發(fā)機(jī)器學(xué)習(xí)的步驟7 1.6 Python語言的優(yōu)勢8 1.6.1 可執(zhí)行偽代碼8 1.6.2 Python語言使用廣泛8 1.6.3 Python語言特色8 1.6.4 Python語言的缺點(diǎn)9 1.7 Python開發(fā)工具介紹9 1.7.1 IDLE簡介10 1.7.2 IPython簡介11 1.7.3 PyCharm簡介11 1.7.4 Jupyter Notebook簡介12 1.7.5 Anaconda和Spyder簡介13 1.8 本章小結(jié)15 第2章 Python語言簡介16 2.1 搭建Python開發(fā)環(huán)境16 2.1.1 安裝Anaconda16 2.1.2 安裝Spyder18 2.1.3 運(yùn)行和保存Python程序19 2.2 Python計(jì)算與變量19 2.2.1 用Python做簡單的計(jì)算20 2.2.2 Python的運(yùn)算符20 2.2.3 Python的變量21 2.3 Python的字符串22 2.4 Python的列表23 2.5 Python的元組25 2.6 Python的字典27 2.7 網(wǎng)絡(luò)爬蟲的發(fā)展歷史和分類28 2.7.1 網(wǎng)絡(luò)爬蟲的發(fā)展歷史28 2.7.2 網(wǎng)絡(luò)爬蟲的分類30 2.8 網(wǎng)絡(luò)爬蟲的原理30 2.8.1 理論概述30 2.8.2 爬蟲的工作流程31 2.9 爬蟲框架介紹36 2.9.1 Scrapy介紹36 2.9.2 XPath介紹39 2.10 網(wǎng)絡(luò)爬蟲的設(shè)計(jì)與實(shí)現(xiàn)40 2.10.1 網(wǎng)絡(luò)爬蟲的總體設(shè)計(jì)40 2.10.2 具體實(shí)現(xiàn)過程40 2.10.3 爬蟲結(jié)果與分析45 2.11 本章小結(jié)49 第3章 回歸分析50 3.1 回歸分析概述50 3.1.1 基本概念50 3.1.2 可以解決的問題51 3.1.3 回歸分析的步驟51 3.2 線性回歸51 3.2.1 簡單線性回歸分析51 3.2.2 多元線性回歸分析52 3.2.3 非線性回歸數(shù)據(jù)分析52 3.3 用Python實(shí)現(xiàn)一元線性回歸53 3.4 用Python實(shí)現(xiàn)多元線性回歸56 3.4.1 使用pandas讀取數(shù)據(jù)56 3.4.2 分析數(shù)據(jù)57 3.4.3 線性回歸模型58 3.5 基于線性回歸的股票預(yù)測62 3.5.1 數(shù)據(jù)獲取62 3.5.2 數(shù)據(jù)預(yù)處理63 3.5.3 編碼實(shí)現(xiàn)64 3.5.4 結(jié)果分析65 3.6 邏輯回歸66 3.6.1 構(gòu)造預(yù)測函數(shù)67 3.6.2 構(gòu)造損失函數(shù)J68 3.6.3 梯度下降法求解小值69 3.7 基于邏輯回歸的環(huán)境數(shù)據(jù)檢測71 3.7.1 數(shù)據(jù)來源71 3.7.2 數(shù)據(jù)處理72 3.7.3 異常數(shù)據(jù)分析72 3.7.4 數(shù)據(jù)預(yù)測74 3.8 本章小結(jié)76 第4章 決策樹與隨機(jī)森林77 4.1 決策樹77 4.1.1 決策樹的基本原理77 4.1.2 決策樹的分類78 4.1.3 決策樹的優(yōu)缺點(diǎn)81 4.2 使用決策樹對鳶尾花分類82 4.2.1 Iris數(shù)據(jù)集簡介82 4.2.2 讀取數(shù)據(jù)83 4.2.3 鳶尾花類別83 4.2.4 數(shù)據(jù)可視化84 4.2.5 訓(xùn)練和分類85 4.2.6 數(shù)據(jù)集多類分類86 4.2.7 實(shí)驗(yàn)結(jié)果86 4.3 隨機(jī)森林87 4.3.1 隨機(jī)森林的基本原理87 4.3.2 隨機(jī)森林的收斂性88 4.3.3 隨機(jī)森林的OOB估計(jì)89 4.3.4 隨機(jī)森林的隨機(jī)特征選取89 4.3.5 隨機(jī)森林的優(yōu)缺點(diǎn)90 4.4 葡萄酒數(shù)據(jù)集的隨機(jī)森林分類91 4.4.1 數(shù)據(jù)收集91 4.4.2 相關(guān)庫函數(shù)簡介92 4.4.3 數(shù)據(jù)基本分析93 4.4.4 使用隨機(jī)森林構(gòu)建模型97 4.4.5 實(shí)驗(yàn)結(jié)果98 4.5 本章小結(jié)99 第5章 支持向量機(jī)100 5.1 SVM的工作原理及分類100 5.1.1 支持向量機(jī)的原理100 5.1.2 線性可分的支持向量機(jī)101 5.1.3 非線性可分的支持向量機(jī)102 5.2 核函數(shù)103 5.2.1 核函數(shù)簡介103 5.2.2 幾種常見的核函數(shù)104 5.2.3 核函數(shù)如何處理非線性數(shù)據(jù)104 5.2.4 如何選擇合適的核函數(shù)105 5.3 SVR簡介106 5.3.1 SVR原理106 5.3.2 SVR模型106 5.4 時(shí)間序列曲線預(yù)測107 5.4.1 生成訓(xùn)練數(shù)據(jù)集107 5.4.2 運(yùn)用不同的核函數(shù)進(jìn)行支持向量回歸108 5.4.3 生成測試數(shù)據(jù)集109 5.4.4 預(yù)測并生成圖表110 5.4.5 獲取預(yù)測誤差111 5.4.6 創(chuàng)建數(shù)據(jù)集112 5.4.7 選取參數(shù)112 5.4.8 預(yù)測并生成圖表112 5.4.9 獲取預(yù)測誤差113 5.5 本章小結(jié)114 第6章 隱馬爾可夫模型115 6.1 隱馬爾可夫模型簡介115 6.1.1 隱馬爾可夫模型的概念115 6.1.2 詳例描述116 6.1.3 HMM流程117 6.2 Viterbi算法117 6.3 HMM模型用于中文分詞119 6.3.1 UI界面119 6.3.2 數(shù)據(jù)及其編碼119 6.3.3 HMM模型121 6.3.4 實(shí)驗(yàn)結(jié)果122 6.4 本章小結(jié)124 第7章 BP神經(jīng)網(wǎng)絡(luò)模型125 7.1 背景介紹125 7.2 結(jié)構(gòu)特點(diǎn)126 7.3 網(wǎng)絡(luò)模型126 7.4 人工神經(jīng)網(wǎng)絡(luò)簡介127 7.4.1 神經(jīng)元127 7.4.2 單層神經(jīng)網(wǎng)絡(luò)128 7.4.3 雙層神經(jīng)網(wǎng)絡(luò)129 7.4.4 多層神經(jīng)網(wǎng)絡(luò)130 7.5 BP神經(jīng)網(wǎng)絡(luò)131 7.6 通過TensorFlow實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)132 7.7 本章小結(jié)134 第8章 卷積神經(jīng)網(wǎng)絡(luò)135 8.1 傳統(tǒng)圖像識(shí)別技術(shù)135 8.1.1 圖像預(yù)處理135 8.1.2 圖像特征提取136 8.1.3 圖像分類方法136 8.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡介137 8.2.1 卷積神經(jīng)網(wǎng)絡(luò)發(fā)展歷程137 8.2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡介137 8.3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理139 8.3.1 卷積層139 8.3.2 池化層140 8.3.3 激活函數(shù)142 8.3.4 全連接層144 8.3.5 反饋運(yùn)算144 8.4 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)146 8.5 雷達(dá)剖面圖識(shí)別模型148 8.5.1 數(shù)據(jù)準(zhǔn)備148 8.5.2 構(gòu)建模型150 8.6 模型測試分析157 8.6.1 部署基本模塊157 8.6.2 創(chuàng)建項(xiàng)目結(jié)構(gòu)157 8.6.3 訓(xùn)練網(wǎng)絡(luò)158 8.6.4 自動(dòng)化測試158 8.7 本章小結(jié)160 第9章 循環(huán)神經(jīng)網(wǎng)絡(luò)161 9.1 自然語言處理161 9.1.1 自然語言處理概述161 9.1.2 自然語言處理應(yīng)用162 9.2 對話系統(tǒng)163 9.2.1 對話系統(tǒng)分類163 9.2.2 聊天機(jī)器人分類164 9.3 基于LSTM結(jié)構(gòu)的循環(huán)神經(jīng)網(wǎng)絡(luò)165 9.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)165 9.3.2 通過時(shí)間反向傳播166 9.3.3 長短期記憶網(wǎng)絡(luò)（LSTM）169 9.4 Seq2Seq模型172 9.4.1 Encoder-Decoder框架173 9.4.2 Attention機(jī)制174 9.5 聊天機(jī)器人的程序?qū)崿F(xiàn)176 9.5.1 準(zhǔn)備數(shù)據(jù)176 9.5.2 創(chuàng)建模型178 9.5.3 訓(xùn)練模型179 9.5.4 測試模型180 9.6 本章小結(jié)181 第10章 聚類與集成算法182 10.1 聚類方法簡介182 10.1.1 聚類定義183 10.1.2 聚類要求183 10.2 聚類算法184 10.2.1 劃分方法184 10.2.2 層次方法184 10.2.3 基于密度的方法184 10.2.4 基于網(wǎng)格的方法185 10.2.5 基于模型的方法185 10.3 K-Means算法185 10.3.1 K-Means算法概述185 10.3.2 K-Means算法流程185 10.3.3 K-Means算法實(shí)現(xiàn)186 10.3.4 實(shí)驗(yàn)結(jié)果及分析188 10.3.5 K-Means算法存在的問題188 10.4 K-Means 算法189 10.4.1 K-Means 的基本思想189 10.4.2 K-Means 的數(shù)學(xué)描述190 10.4.3 K-Means 算法流程190 10.5 K-Means 的實(shí)現(xiàn)191 10.5.1 數(shù)據(jù)集191 10.5.2 代碼實(shí)現(xiàn)192 10.5.3 K-Means 實(shí)驗(yàn)結(jié)果193 10.6 Adaboost集成算法的原理194 10.6.1 Boosting算法的基本原理194 10.6.2 Adaboost算法介紹195 10.6.3 Adaboost分類問題的損失函數(shù)優(yōu)化197 10.6.4 Adaboost二元分類問題的算法流程198 10.6.5 Adaboost回歸問題的算法流程199 10.6.6 Adaboost算法的正則化200 10.6.7 Adaboost的優(yōu)缺點(diǎn)200 10.7 Adaboost算法實(shí)現(xiàn)201 10.7.1 數(shù)據(jù)集處理201 10.7.2 實(shí)現(xiàn)過程201 10.7.3 實(shí)驗(yàn)結(jié)果分析206 10.8 本章小結(jié)208 第11章 其他機(jī)器學(xué)習(xí)算法209 11.1 貝葉斯分類器210 11.1.1 概率基礎(chǔ)知識(shí)210 11.1.2 貝葉斯決策準(zhǔn)則211 11.1.3 極大似然估計(jì)212 11.2 貝葉斯分類模型213 11.2.1 樸素貝葉斯分類模型213 11.2.2 半樸素貝葉斯分類模型216 11.2.3 貝葉斯網(wǎng)絡(luò)分類模型217 11.3 樸素貝葉斯分類器在破產(chǎn)預(yù)測中的應(yīng)用219 11.3.1 數(shù)據(jù)集219 11.3.2 訓(xùn)練多項(xiàng)式樸素貝葉斯模型220 11.4 在線學(xué)習(xí)222 11.4.1 線性模型的在線學(xué)習(xí)222 11.4.2 非線性模型的在線學(xué)習(xí)224 11.5 Bandit在線學(xué)習(xí)算法225 11.5.1 Bandit算法與推薦系統(tǒng)226 11.5.2 常用Bandit算法226 11.6 Bandit算法原理及實(shí)現(xiàn)228 11.7 GAN網(wǎng)絡(luò)229 11.7.1 GAN產(chǎn)生的背景230 11.7.2 模型結(jié)構(gòu)230 11.7.3 GAN的實(shí)現(xiàn)原理232 11.8 DCGAN網(wǎng)絡(luò)236 11.8.1 模型結(jié)構(gòu)236 11.8.2 反卷積237 11.9 DCGAN人臉生成240 11.9.1 實(shí)驗(yàn)準(zhǔn)備240 11.9.2 關(guān)鍵模塊的實(shí)現(xiàn)240 11.9.3 實(shí)驗(yàn)結(jié)果展示243 11.10 本章小結(jié)245 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
蘇公網(wǎng)安備 32061202001004號(hào)
