推荐编程书籍：Python机器学习，由机械工业出版社2019-07-01月出版发行，本书编译以及作者信息 为：赵涓涓，强彦 著，此次为第1次发行， 国际标准书号为：9787111630524，品牌为机工出版, 这本书采用平装开本为16开，纸张采为胶版纸，全书共有230页字数万字，是本Python 编程相关非常不错的书。

此书内容摘要

本书以案例驱动的方式讲解机器学习算法的知识点，并以Python语言作为基础开发语言实现算法，包括目前机器学习主流算法的原理、算法流程图、算法的详细设计步骤、算法实例、算法应用、算法的改进与优化等环节。
全书共分 17 章，前两章介绍机器学习与 Python 语言的相关基础知识，后面各章以案例的方式分别介绍线性回归算法、逻辑回归算法、K *近邻算法、PCA 降维算法、k-means算法、支持向量机算法、AdaBoost算法、决策树算法、高斯混合模型算法、随机森林算法、朴素贝叶斯算法、隐马尔可夫模型算法、BP 神经网络算法、卷积神经网络算法、递归神经网络算法。
本书适合作为高等院校人工智能、大数据、计算机科学、软件工程等相关专业本科生和研究生有关课程的教材，也适用于各种计算机编程、人工智能学习认证体系，还可供广大人工智能领域技术人员参考。

关于此书作者

暂无.

编辑们的推荐

暂无.

Python机器学习图书的目录

前言
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
2.1Python概述 15
2.2Python与数据科学的关系 16
2.3Python中常用的第三方库 16
2.3.1NumPy 16
2.3.2SciPy 17
2.3.3Pandas 17
2.3.4Matplotlib 18
2.3.5Scikit-learn 18
2.4编译环境 18
2.4.1Anaconda 19
2.4.2Jupyter 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
11.3.2EM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

部分内容试读

前言
2018年12月，DeepMind设计的基于Transformer神经网络和深度学习的人工智能程序 AlphaStar，在《星际争霸2》游戏中以5﹕0的成绩分别战胜两位职业选手，这是继AlphaGo 打败世界围棋冠军李世石以来，机器学习领域又一次震惊世界的壮举，为机器学习的发展历程又增添了一抹浓厚的色彩。
机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，或者重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
Python语言凭借语法简单、优雅、面向对象、可扩展性等优点，一经面世就受到广大开发者的追捧，这使得 Python 语言不仅提供了丰富的数据结构，还具有诸如 NumPy、SciPy、Matplotlib 等丰富的数据科学计算库，为机器学习的开发带来了极大的便利。因此，本书用 Python语言来编写机器学习算法。
书中对每一种机器学习算法都按照下列几个方面进行总结和描述。第一，简要介绍算法的原理，通过通俗易懂的语言描述和示例使读者对算法有一个大致的了解；第二，给出标准的算法流程图；第三，具体介绍算法的详细设计步骤，使读者对算法的理解更为深入；第四，为了加深读者对算法的熟练程度，针对每个算法举出示例；第五，将每个算法回归到日常生活的应用中，以提高读者对算法的灵活掌握程度；第六，结合当前的最新研究成果，对经典的机器学习算法提出改进与优化建议，为读者进一步研究算法提供新思路；第七，每一章的最后都对全章的内容进行总结，帮读者梳理整章知识；第八，课后习题的设置旨在帮助读者巩固算法的学习。
全书共分17章，第1和2章介绍机器学习与 Python 语言的相关概念与基础知识，第3～17章分别介绍了线性回归算法、逻辑回归算法、K最近邻算法、PCA 降维算法、k-means算法、支持向量机算法、AdaBoost算法、决策树算法、高斯混合模型算法、随机森林算法、朴素贝叶斯算法、隐马尔可夫模型算法、BP 神经网络算法、卷积神经网络算法、递归神经网络算法。
本书由多人合作完成，其中第1～4章由太原理工大学赵涓涓编写，第5～7章由太原理工大学强彦编写，第8和9章由太原理工大学王华编写，第10和11章由太原科技大学蔡星娟编写，第12和13章由太原理工大学降爱莲编写，第14和15章由太原理工大学田玉玲编写，第16和17章由太原理工大学马建芬编写。全书由赵涓涓审阅。
在本书撰写过程中，车征、王磐、王佳文、史国华、魏淳武、周凯、王梦南、王艳飞、吴俊霞、武仪佳、张振庆等项目组成员做了大量的资料准备、文档整理和代码调试工作，在此一并表示衷心的感谢！
由于作者水平有限，不当之处在所难免，恳请读者及同仁赐教指正。

编者
2019年5月

关于此书评价

暂无.

书摘内容

暂无.

Python机器学习最新最全的试读、书评、目录、简介信息由个人博客整理提供。

本文地址：https://my.lmcjl.com/book/290

版权声明：个人博客原创文章，转载请注明出处和网址。

，欢迎加入。

本文链接：https://my.lmcjl.com/post/5146.html