书城首页 › 当代 › 工业 › 机器学习算法原理与代码实现
当代·工业

机器学习算法原理与代码实现

正版保障多仓发货48小时内发货2-3天送达可开发票
¥52.85 定价 ¥99.80 5.3折 立省 ¥46.95
仅剩 2 件 全新
商品参数
书名
机器学习算法原理与代码实现
作者
童永清 著
出版社
人民邮电出版社
出版时间
2026-01-01
ISBN
9787115660008
货号
1204257026
品相
全新
分类
当代·工业
购物车(0)
商品参数
书名
机器学习算法原理与代码实现
作者
童永清 著
出版社
人民邮电出版社
出版时间
2026-01-01
ISBN
9787115660008
货号
1204257026
品相
全新
分类
当代·工业
编辑推荐▼

·六多:实例多、图表多、公式多、算法多、代码多、习题多(40+实例、130+图表、500+公式推导、50+代码源文件、50+笔试/面试题、160+习题)。

·注重通过实例和图表介绍算法,原理讲解透彻,让读者明白“是什么,为什么,怎么实现,怎么应用,怎么改进”。

·详解公式推导过程,扫清从零学习的障碍。公式推导没有跳步,每步都有解释说明。

·一种模型提供多种算法实现,满足不同业务场景。附赠50+源代码文件,下载即可运行

·习题丰富多样,分为数值计算题、理论分析题、编程实践题三大类,满足理论学习和实践应用的需求。

·每个模型都有代码实现,并与scikit-learn官方库的效果进行对比,性能相当甚至更优。

作者简介▼

童永清,硕士毕业于电子科技大学计算机软件与理论专业,研究方向为人工智能、机器学习及其在大数据中的应用。从事人工智能、大数据相关的研究与开发工作,主持省部级科研项目5项,研发智能化系统3套,获省部级奖项3项。

目录▼

第 1章 绪论1

11 历史背景、现实状况和未来展望 1

12 人工智能、机器学习和深度学习的关系 2

13 机器学习基本概念 3

131 机器学习基本术语 3

132 机器学习主要类型 5

133 机器学习基本元素 8

14 机器学习发展历程 13

15 机器学习主要应用 13

16 机器学习相关背景 13

161 数学基础 14

162 Python 14

163 scikit-learn库 14

17 数据集操作实例 15

小结 17

笔试、面试题目选讲 17

习题 18

参考文献 18

第 2章 线性回归 19

21 线性回归问题提出 19

22 线性回归模型设计 22

23 模型求解之最小二乘法 25

24 模型求解之梯度下降法 28

241 一个数值实例 29

242 梯度 31

243 凸函数判定与黑塞矩阵 32

244 批量梯度下降法 35

245 随机梯度下降法 37

246 小批量梯度下降法 37

247 随机平均梯度下降法 38

248 动量梯度下降法 38

25 线性回归概率解释 39

26 数据预处理 42

27 线性回归模型评价 43

28 线性回归算法实现 44

29 线性回归算法应用 46

210 多项式回归 50

211 局部加权线性回归 51

小结 57

笔试、面试题目选讲 57

习题 58

参考文献 59

第3章 感知机60

31 感知机问题提出 60

32 感知机模型设计 63

33 感知机模型求解 65

331 模型求解之原始形式 65

332 模型求解之对偶形式 67

333 模型求解之误差形式 69

34 感知机模型证明 70

35 感知机算法实现 72

36 感知机模型应用 75

37 非线性可分感知机 76

371 口袋感知机 77

372 多项式感知机 77

小结 78

笔试、面试题目选讲 79

习题 79

参考文献 80

第4章 逻辑斯谛回归与Softmax回归81

41 逻辑斯谛回归问题提出 81

42 逻辑斯谛回归模型设计 82

43 逻辑斯谛回归模型求解 85

44 逻辑斯谛回归算法实现 90

45 逻辑斯谛回归模型应用 91

46 Softmax回归模型设计 92

47 Softmax回归模型求解 96

48 Softmax回归算法实现 97

49 Softmax回归模型应用 99

410 多分类学习策略 100

411 数据不平衡问题 101

小结 102

笔试、面试题目选讲 102

习题 103

参考文献 104

第5章 正则化 105

51 欠拟合与过拟合问题的提出 105

52 范数 106

53 正则化框架 108

54 L2正则化 110

541 岭回归模型求解 110

542 岭回归算法实现 112

543 岭回归模型应用 113

55 L1正则化 115

551 次导数和次梯度 115

552 坐标下降法 116

553 Lasso回归模型求解 118

554 Lasso回归算法实现 121

555 Lasso回归模型应用 122

56 线性回归、岭回归、Lasso回归模型对比 124

57 弹性网络 127

58 正则化的概率解释 127

小结 130

笔试、面试题目选讲 130

习题 130

参考文献 131

第6章 线性判别分析 132

61 向量内积与向量投影 132

62 线性判别分析问题提出 133

63 线性判别分析模型 136

631 二分类线性判别分析 136

632 多分类线性判别分析 138

64 线性判别分析算法实现 142

65 线性判别分析模型应用 145

小结 147

笔试、面试题目选讲 148

习题 149

参考文献 150

第7章 k近邻 151

71 k近邻问题提出 151

72 k近邻模型设计 151

721 相似性度量 152

722 k值的选择 154

723 预测规则 155

73 属性与样例预处理 156

731 属性预处理 156

732 样例预处理 157

74 k近邻模型求解 158

741 暴力搜索 158

742 k维树构建与搜索 158

743 球树构建与搜索 164

75 k 近邻算法实现 165

76 k 近邻模型应用 169

小结 171

笔试、面试题目选讲 171

习题 172

参考文献 173

第8章 朴素贝叶斯 174

81 朴素贝叶斯问题提出 174

82 朴素贝叶斯模型设计 179

821 概率与统计知识回顾 179

822 朴素贝叶斯模型 182

83 朴素贝叶斯模型求解 183

831 伯努利朴素贝叶斯参数估计 183

832 类别朴素贝叶斯参数估计 187

833 多项式朴素贝叶斯参数估计 192

834 高斯朴素贝叶斯参数估计 195

84 最大后验估计 198

85 朴素贝叶斯算法实现 201

86 朴素贝叶斯模型应用 203

小结 206

笔试、面试题目选讲 207

习题 207

参考文献 208

第9章 决策树209

91 决策树模型提出 209

92 决策树模型设计 211

921 信息论基础 211

922 决策树构建 215

923 决策树剪枝 217

93 CART 219

931 CART构建 219

932 CART剪枝 223

94 决策树模型扩展 228

95 决策树算法实现 229

951 ID3算法实现 230

952 决策树可视化 233

953 CART生成算法实现 234

954 CART剪枝算法实现 237

96 决策树模型应用 239

小结 242

笔试、面试题目选讲242

习题 243

参考文献 245

第 10章 支持向量机 246

101 支持向量机问题提出 246

102 硬间隔与线性可分支持向量机247

1021 线性可分支持向量机的目标函数 247

1022 线性可分支持向量机的对偶形式 249

1023 线性可分支持向量机对偶形式初步求解 253

1024 KKT条件 255

103 软间隔与线性支持向量机 256

104 核函数与非线性支持向量机 261

1041 线性不可分与空间变换 261

1042 核技巧和核函数 262

1043 非线性支持向量机 263

105 支持向量机求解与SMO算法 264

106 支持向量机扩展 272

1061 多分类支持向量机 272

1062 支持向量回归 272

107 SMO算法实现 273

108 SMO算法应用 277

小结 279

笔试、面试题目选讲 280

习题 281

参考文献 282

第 11章 人工神经网络 283

111 人工神经网络的提出和发展 283

112 人工神经网络的基本结构 285

1121 神经元 285

1122 激活函数 286

1123 神经网络 290

1124 正向传播算法 291

1125 通用近似定理 295

113 人工神经网络的训练方法 295

1131 神经网络的学习法则 296

1132 神经网络的训练数据 296

1133 神经网络的损失函数 297

1134 误差反向传播算法的一个示例 298

1135 误差反向传播算法的一般形式 305

1136 神经网络的优化算法 309

114 神经网络的常见问题和解决方法 311

1141 初始化、梯度消失与激活函数 311

1142 局部最优解与训练方法 312

1143 过拟合与正则化 312

1144 学习时间长与加速方法 313

115 人工神经网络算法实现 313

116 人工神经网络模型应用 316

小结 320

笔试、面试题目选讲 320

习题 321

参考文献 321

第 12章 特征工程 322

121 特征工程的提出 322

1211 特征工程的必要性 322

1212 数据集与相关 Python 包 323

122 数据探索 323

1221 基本情况分析 324

1222 缺失值检测 325

1223 异常值检测 326

1224 单变量分析 328

1225 多变量分析 330

123 数据预处理 333

1231 缺失值处理 333

1232 异常值处理 335

1233 类别不平衡处理 336

124 特征变换 338

1241 特征编码 338

1242 特征标准化和归一化 339

1243 特征构造 342

125 特征选择 343

小结 348

笔试、面试题目选讲 348

习题 349

参考文献 350

第 13章 模型评估与选择351

131 模型评估与选择的提出 351

132 损失函数与误差分析 351

1321 模型的表示方式和损失函数 352

1322 训练误差、测试误差与泛化误差 353

1323 偏差、方差与误差分析 356

133 数据集划分与模型选择358

1331 简单划分法 359

1332 交叉验证法 359

1333 自助划分法 360

1334 数据集划分实践操作 360

134 性能指标与性能度量 362

1341 查准率、查全率与 P-R曲线 363

1342 ROC 曲线 368

1343 性能指标与性能度量实践操作 371

135 模型调参 372

1351 模型调参的主要方法 372

1352 验证曲线和学习曲线 373

1353 模型调参的实践操作 376

小结 378

笔试、面试题目选讲379

习题 379

参考文献 380

文摘▼

本书系统地介绍机器学习基础模型的算法原理与代码实现,是一本理论与实践并重的图书。本书第1章介绍机器学习的基本概念、发展历程和主要应用等;第2章~第11章介绍监督学习,包括线性回归、感知机、逻辑斯谛回归与Softmax回归、正则化、线性判别分析、k近邻、朴素贝叶斯、决策树、支持向量机、人工神经网络;第12章和第13章,介绍特征工程、模型评估与选择等。

本书的读者对象为人工智能、计算机、大数据、自动化等专业的本科生,以及从事机器学习研究与开发工作的专业人员。本书可作为机器学习的教材或参考书,也可供人工智能相关技术人员参考。

¥52.85
🛒购物车