由Sebastian Raschka和Vahid Mirjalili编著,是一本关于使用Python进行机器学习和深度学习的实用指南。该书全面覆盖了机器学习和深度学习的基础知识、算法和实际应用,适合初学者和有一定经验的开发者。
目录
-
绪论
介绍机器学习的基本概念、假设空间、归纳偏好、发展历程和应用现状。 -
模型评估与选择
讨论模型的经验误差与过拟合、评估方法、性能度量、比较检验、偏差与方差。 -
线性模型
介绍线性回归、对数几率回归、线性判别分析、多分类学习和类别不平衡问题。 -
决策树
讨论决策树的基本流程、划分选择、剪枝处理以及多变量决策树。 -
神经网络
介绍神经元模型、感知机、多层网络、误差逆传播算法和深度学习。 -
支持向量机
讨论间隔与支持向量、对偶问题、核函数、软间隔与正则化、支持向量回归。 -
贝叶斯分类器
介绍贝叶斯决策论、极大似然估计、朴素贝叶斯分类器和贝叶斯网络。 -
集成学习
讨论个体与集成、Boosting、Bagging与随机森林、结合策略。 -
聚类
介绍聚类任务、性能度量、距离计算、原型聚类、密度聚类和层次聚类。 -
降维与度量学习
讨论k近邻学习、低维嵌入、主成分分析、流形学习和度量学习。 -
特征选择与稀疏学习
介绍子集搜索与评价、过滤式选择、包裹式选择和嵌入式选择与L1正则化。 -
计算学习理论
讨论PAC学习、有限假设空间、VC维、Rademacher复杂度和稳定性。 -
半监督学习
介绍未标记样本、生成式方法、半监督SVM和图半监督学习。 -
概率图模型
讨论隐马尔可夫模型、马尔可夫随机场和条件随机场。 -
规则学习
介绍规则表示、规则学习算法、规则评估和规则剪枝。 -
强化学习
讨论强化学习基础、K-摇臂赌博机、有模型学习、免模型学习、值函数近似和模仿学习。
书籍特色
适用人群
通过学习本书,读者将能够掌握Python在机器学习和深度学习中的应用,具备解决实际问题的能力。
-
主要内容j简介
- 基础介绍:书籍开篇介绍了机器学习的基本概念和背景知识。
- 数据预处理:详细讲解了数据清洗、特征选择和特征工程的方法。
- 监督学习:包括线性回归、决策树、支持向量机等算法的原理和实现。
- 无监督学习:涵盖聚类、降维技术等内容。
- 深度学习:使用TensorFlow 2和Keras进行深度神经网络的构建和训练。
- 模型评估:提供了模型评估、选择和调优的技巧和方法。
- 实战案例:通过实际案例,展示如何应用机器学习和深度学习解决具体问题。
- 实用性强:内容涵盖广泛,从理论到实践,提供了大量的代码示例。
- 结构清晰:每章内容循序渐进,便于读者系统学习和查阅。
- 最新技术:基于最新的TensorFlow 2,紧跟技术前沿。
- 初学者:适合作为机器学习和深度学习的入门教材。
- 开发者:对于有一定编程经验的开发者,提供了深入理解和应用机器学习的资源。
- 研究人员:书中的理论和算法部分对相关领域的研究人员具有参考价值。