人工智能數(shù)學(xué)基礎(chǔ)與Python機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥79.00

作　者：	劉潤(rùn)森著
出版社：	北京大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787301324820	出版時(shí)間：	2021-11-01	包裝：
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	292	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　通常來(lái)說(shuō)，人工智能（Artificial Intelligence，AI）是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能的研究領(lǐng)域包括機(jī)器人、語(yǔ)音識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。機(jī)器學(xué)習(xí)就是用算法解析數(shù)據(jù)，不斷學(xué)習(xí)，對(duì)世界中發(fā)生的事做出判斷和預(yù)測(cè)的一項(xiàng)技術(shù)。生活中很多機(jī)器學(xué)習(xí)的書籍只注重算法理論方法，并沒(méi)有注重算法的落地。本書是初學(xué)者非常期待的入門書，書中有很多的示例可以幫助初學(xué)者快速上手。本書分為3個(gè)部分：第1章和第2章是人工智能的數(shù)學(xué)基礎(chǔ)，主要介紹了機(jī)器學(xué)習(xí)的概念、Python開(kāi)發(fā)環(huán)境的搭建、機(jī)器學(xué)習(xí)bibei的數(shù)學(xué)知識(shí)，以及線性代數(shù)和概率論的相關(guān)知識(shí)；第3~12章主要介紹了回歸模型、分類模型、聚類模型、半監(jiān)督模型的建立和相關(guān)算法的理論，以及如何使用sklearn具體實(shí)現(xiàn)相關(guān)算法模型的搭建；第13章介紹了Spark機(jī)器學(xué)習(xí)，筆者認(rèn)為對(duì)于機(jī)器學(xué)習(xí)，不能只限于Python中的sklearn的學(xué)習(xí)，還要緊跟大數(shù)據(jù)時(shí)代的發(fā)展。本書內(nèi)容通俗易懂，案例豐富，實(shí)用性強(qiáng)，特別適合Python語(yǔ)言的入門讀者和進(jìn)階讀者閱讀，也適合其他算法程序員和編程愛(ài)好者閱讀。

作者簡(jiǎn)介

　　劉潤(rùn)森，CSDN博客專家，熟悉PyTorch、TensorFlow等深度學(xué)習(xí)框架，對(duì)計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有深入研究，目前擔(dān)任AI算法工程師，從事民航目標(biāo)識(shí)別和檢測(cè)的工作。

圖書目錄

第1章走進(jìn)機(jī)器學(xué)習(xí)的世界 1
1.1　機(jī)器學(xué)習(xí)概述 2
1.1.1　什么是機(jī)器學(xué)習(xí) 2
1.1.2　機(jī)器學(xué)習(xí)的分類 2
1.1.3　常用的機(jī)器學(xué)習(xí)算法 3
1.1.4　機(jī)器學(xué)習(xí)的流程 5
1.2　Python編程語(yǔ)言 6
1.2.1　Python環(huán)境搭建 6
1.2.2　機(jī)器學(xué)習(xí)相關(guān)軟件包介紹 8
1.3　機(jī)器學(xué)習(xí)的數(shù)學(xué)知識(shí) 9
1.3.1　導(dǎo)數(shù) 9
1.3.2　基本函數(shù)的求導(dǎo)公式 9
1.3.3　求導(dǎo)法則 10
1.3.4　Python實(shí)現(xiàn)求導(dǎo) 10
1.3.5　泰勒展開(kāi)式 12
1.3.6　微積分基本定理 14
1.3.7　基本函數(shù)的積分公式 14
1.3.8　Python實(shí)現(xiàn)積分 16
第2章人工智能數(shù)學(xué)基礎(chǔ) 18
2.1　線性代數(shù) 19
2.1.1　向量及其線性運(yùn)算 19
2.1.2　矩陣及其線性運(yùn)算 20
2.2　隨機(jī)變量 26
2.2.1　離散型隨機(jī)變量 26
2.2.2　連續(xù)型隨機(jī)變量 27
2.3　隨機(jī)變量概率分布 28
2.3.1　伯努利分布 28
2.3.2　泊松分布 29
2.3.3　指數(shù)分布 30
2.3.4　二項(xiàng)分布 31
2.3.5　正態(tài)分布 32
2.3.6　伽馬分布 33
2.3.7　貝塔分布 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章數(shù)據(jù)獲取和預(yù)處理 42
3.1　數(shù)據(jù)獲取 43
3.1.1　自帶和下載數(shù)據(jù)集 43
3.1.2　創(chuàng)建數(shù)據(jù)集 45
3.1.3　數(shù)據(jù)集 49
3.2　標(biāo)準(zhǔn)化 50
3.2.1　Z?score標(biāo)準(zhǔn)化 50
3.2.2　Min?Max標(biāo)準(zhǔn)化 51
3.3　二值化 52
3.3.1　特征二值化 52
3.3.2　標(biāo)簽二值化 53
3.4　特征處理 54
3.4.1　獨(dú)熱編碼 54
3.4.2　多項(xiàng)式特征 56
3.4.3　PCA降維 57
3.5　數(shù)據(jù)清洗 59
3.5.1　Pandas數(shù)據(jù)清洗 59
3.5.2　sklearn處理缺失值 62
3.6　文本特征提取 64
3.6.1　字典提取器 64
3.6.2　詞袋模型 65
3.6.3　權(quán)重向量 67
3.7　圖像特征提取 69
3.7.1　提取像素矩陣 69
3.7.2　提取角點(diǎn) 71
3.7.3　提取輪廓 74
3.7.4　提取局部特征點(diǎn) 74
3.8　特征選擇 76
3.8.1　Filter過(guò)濾法 76
3.8.2　Wrapper包裝法 78
3.8.3　Embedded嵌入法 79
第4章線性回歸和邏輯回歸 81
4.1　線性回歸 82
4.1.1　最小二乘法 82
4.1.2　梯度下降法 84
4.1.3　線性回歸實(shí)現(xiàn) 86
4.1.4　Lasso回歸和嶺回歸 90
4.1.5　回歸模型評(píng)估 93
4.1.6　多項(xiàng)式回歸 94
4.2　邏輯回歸 96
4.2.1　邏輯回歸算法 96
4.2.2　邏輯回歸實(shí)現(xiàn) 98
4.2.3　分類模型評(píng)估 100
第5章 KNN和貝葉斯分類算法 107
5.1　KNN算法 108
5.1.1　KNN算法的距離度量 108
5.1.2　KNN算法代碼實(shí)現(xiàn) 112
5.1.3　交叉驗(yàn)證 113
5.1.4　KD樹 115
5.2　貝葉斯分類算法 118
5.2.1　貝葉斯定理 118
5.2.2　高斯樸素貝葉斯 119
5.2.3　多項(xiàng)式樸素貝葉斯 121
5.2.4　伯努利樸素貝葉斯 123
第6章決策樹和隨機(jī)森林 125
6.1　決策樹 126
6.1.1　熵 126
6.1.2　決策樹算法 129
6.1.3　剪枝算法 131
6.2　決策樹代碼實(shí)現(xiàn) 133
6.2.1　可視化決策樹 133
6.2.2　分類樹 136
6.2.3　回歸樹 143
6.3　隨機(jī)森林 144
6.3.1　集成學(xué)習(xí)算法 144
6.3.2　隨機(jī)森林分類 145
6.3.3　隨機(jī)森林回歸 148
第7章支持向量機(jī) 150
7.1　SVM核心概念 151
7.1.1　線性可分 151
7.1.2　核函數(shù) 153
7.2　SVM代碼實(shí)現(xiàn) 154
7.2.1　SVC 154
7.2.2　SVM人臉識(shí)別 158
7.2.3　SVR 161
第8章聚類算法 163
8.1　K?means聚類算法 164
8.1.1　K?means聚類算法原理 164
8.1.2　模型評(píng)估 166
8.1.3　圖像處理 167
8.1.4　K?means聚類算法實(shí)例 169
8.2　層次聚類算法 173
8.2.1　層次聚類算法原理 173
8.2.2　層次聚類算法實(shí)例 174
8.3　密度聚類算法 176
8.3.1　密度聚類算法原理 176
8.3.2　密度聚類算法實(shí)例 177
第9章 EM和HMM聚類算法 179
9.1　EM聚類算法 180
9.1.1　最大似然估計(jì) 180
9.1.2　詹森不等式 181
9.1.3　EM算法原理 182
9.2　EM算法代碼實(shí)現(xiàn) 183
9.3　HMM聚類算法 186
9.3.1　馬爾可夫過(guò)程 186
9.3.2　隱馬爾可夫模型 187
第10章主題模型 190
10.1　LDA主題模型 191
10.1.1　Dirichlet分布 191
10.1.2　LDA貝葉斯模型 192
10.2　自然語(yǔ)言處理常用工具包 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主題模型實(shí)例 207
第11章推薦算法 212
11.1　關(guān)聯(lián)規(guī)則 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　關(guān)聯(lián)規(guī)則代碼實(shí)現(xiàn) 214
11.2　基于用戶行為的推薦算法 217
11.2.1　矩陣分解 217
11.2.2　SVD算法代碼實(shí)現(xiàn) 219
11.3　基于評(píng)分的推薦算法 221
11.3.1　SlopeOne算法 221
11.3.2　SlopeOne算法代碼實(shí)現(xiàn) 222
11.4　協(xié)同過(guò)濾 222
第12章數(shù)據(jù)建模 226
12.1　監(jiān)督學(xué)習(xí) 227
12.1.1　監(jiān)督學(xué)習(xí)回歸 227
12.1.2　監(jiān)督學(xué)習(xí)分類 228
12.2　半監(jiān)督學(xué)習(xí) 235
12.2.1　標(biāo)簽傳播算法 235
12.2.2　半監(jiān)督學(xué)習(xí)分類 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機(jī)器學(xué)習(xí) 244
13.1　Spark分布式集群搭建 245
13.1.1　創(chuàng)建CentOS 7虛擬機(jī) 245
13.1.2　設(shè)置靜態(tài)IP 247
13.1.3　配置SSH服務(wù) 248
13.1.4　安裝Java 248
13.1.5　搭建三臺(tái)CentOS 7主機(jī) 249
13.1.6　修改hosts文件 250
13.1.7　配置SSH免密碼登錄 251
13.1.8　搭建Hadoop集群 252
13.1.9　搭建ZooKeeper集群 255
13.1.10　啟動(dòng)Hadoop和ZooKeeper集群 257
13.1.11　搭建Spark集群 260
13.2　Hadoop和Spark的基礎(chǔ)知識(shí) 262
13.2.1　HDFS 262
13.2.2　Spark Shell 264
13.2.3　RDD編程 268
13.2.4　Spark SQL 273
13.3　Spark MLlib 279
13.3.1　回歸模型 279
13.3.2　分類模型 281