机器学习算法入门与编程实践

 

作者:唐四薪 

出版日期 :2021-10-21

ISBN:978-7-111-69354-3

出版社：机械工业出版社

定价:69.80元

本书对机器学习算法的基本原理和Python程序实现进行了系统的介绍，每种算法都采用Sklearn程序实现并用Matplotlib进行数据可视化。为了帮助读者更加高效、直观地学习，作者为本书录制了13个微课视频，读者可以用手机扫描书中的二维码进行观看，也可以将视频下载后进行观看。
本书共8章，包括机器学习概述、Python机器学习与可视化、关联规则与推荐算法、聚类算法、分类算法、回归与逻辑回归、人工神经网络、支持向量机等内容。
本书可以作为高等院校机器学习和人工智能概论等课程的教材，也可作为机器学习算法入门读者的自学用书，还可以作为人工智能等领域机器学习研究者和应用人员的参考书。

图书特色

以初学者视角介绍机器学习算法基本原理，每种算法都用sklearn实现并用Matplotlib数据可视化，11个微课视频/89个示例/6个综合案例/156个示意图/131道习题/教学PPT


湖南省普通高等学校教学改革研究项目的成果
以面向初学者的视角系统介绍机器学习算法的基本原理
每种算法都采用sklearn程序实现并用Matplotlib进行数据可视化
提供11个微课配套教学视频，读者可以扫码在线观看
11个微课教学视频+89个示例+6个综合案例+156个示意图+131道习题+教学PPT

图书前言

　　随着人工智能技术的兴起，机器学习在各行各业的应用越来越广。工信部印发的《促进新一代人工智能产业发展三年行动计划（2018—2020年）》中指出：当前，新一轮科技革命和产业变革正在萌发，大数据的形成、理论算法的革新、计算能力的提升及网络设施的演进驱动人工智能发展进入新阶段，智能化成为技术和产业发展的重要方向。人工智能具有显著的溢出效应，将进一步带动其他技术的进步，推动战略性新兴产业总体突破，正在成为推进供给侧结构性改革的新动能、振兴实体经济的新机遇、建设制造强国和网络强国的新引擎。
　　对于初学者而言，机器学习是一门难度较大的学科，其难点大致体现在以下三个方面：
　　首先，机器学习的大部分算法复杂难懂，这些算法对于初学者来说结构复杂，概念抽象，特别是一些大型机器学习模型（如人工神经网络），很难将模型的所有细节一一呈现，学习难度较大，学习门槛较高。因此学术界认为，随着模型越来越复杂，机器学习模型的可解释性（Interpretability）也会越来越差。例如，很多深度神经网络模型人类已无法完全理解，需要读者从黑盒的层面进行理解。
　　其次，用机器学习方法解决某个实际应用的过程是烦琐且枯燥的。如收集数据、特征提取、数据标准化和数据降维等，这些数据预处理工作都很烦琐且耗时，初学者如果对机器学习理解得不透彻，就很难坚持下去。
　　再次，模型的选择、训练和评估需要考虑影响实际问题的各种因素，并要调整参数，避免欠拟合和过拟合，这使得整个操作过程非常复杂。如果初学者对涉及的理论和方法掌握不到位，理解不透彻，就很容易出现问题，导致得到的机器学习模型性能太差而无法使用。
　　目前市面上有很多机器学习类图书，这些图书根据侧重点不同大致可以分为两类：第一类以讲解机器学习的算法理论为主，而对机器学习的编程实现讲述较少；第二类以讲解机器学习编程为主，而对机器学习的算法理论讲述较少。由于机器学习模型比较复杂，读者如果不了解编程实现，往往在将理论应用于实践去解决实际问题时会有困难；相应地，读者如果不了解机器学习的理论，那么对编程思想及各种参数的含义就很难理解，从而导致难以独立编写程序去解决实际问题。为了解决这些问题，让机器学习变得更加通俗易懂，笔者编写了本书。本书将机器学习的算法原理与编程实现结合起来讲述，可以帮助读者在理解算法的基础上动手实践，从而降低学习的门槛。
本书特色
* 提供微课视频：笔者为本书的重点内容录制了11段微课配套教学视频，帮助读者高效、直观地学习。读者可以用手机或其他终端设备扫描书中的二维码进行在线观看，也可以直接将视频下载到本地计算机上观看。
* 立体化教学支持：本书各章都设置了大量的习题，涵盖选择题、填空题、问答题和实践题等，并提供源代码、教学PPT、习题参考答案、考试试卷、教学大纲和实验指导等完善的立体化教学资料。
* 注重案例教学：本书第3～8章各提供一个综合案例，帮助读者了解机器学习算法是如何处理各种细节问题的。掌握机器学习的目的是解决实际问题，因此要将相关算法用于实际案例。虽然人们开发了一些机器学习算法库，即便不了解算法的具体细节，也能编写机器学习程序，但是要用这些算法解决实际问题，如果不了解算法细节，则很难编写出有实用价值的程序。
* 内容重点突出：本书以面向初学者的视角详细讲述机器学习算法原理，展现机器学习的难点，注重解决读者学习时容易“掉坑”的问题。
* 降低学习门槛：本书详细介绍如何使用sklearn编写机器学习程序。sklearn是一个封装好的机器学习算法库，简单易学，学习该算法库可以帮助读者加深对机器学习相关概念和模型的理解，为进一步学习TensorFlow深度学习算法打下基础。
* 内容实用性强：本书对所有的sklearn程序均使用Matplotlib库实现数据分析的可视化，这使得本书内容具有较强的实用性。
本书内容
　　本书共8章，包括机器学习概述、Python机器学习与可视化、关联规则与推荐算法、聚类、分类、回归与逻辑回归、人工神经网络、支持向量机。
本书读者对象
　　本书既可作为高等院校相关专业机器学习和人工智能概论等课程的教材，也可作为机器学习算法入门读者的自学读物，还可作为人工智能、机器学习研究者和从业者的参考书。
配套教学资料获取
　　本书涉及的源代码、微课教学视频、教学PPT、习题参考答案、考试试卷、教学大纲和实验指导等配套资料的下载网址为。读者也可以在华章公司的网站上搜索到本书，然后单击“资料下载”按钮，即可在本书页面上找到下载链接进行下载。

本书特色：
1. 提供微课视频：作者为本书重点内容录制了11段微课教学视频，帮助读者高效、直观地学习。
2. 立体化教学支持：各章都提供大量的习题，并提供源代码、教学PPT、习题参考答案、考试试卷、教学大纲和实验指导等完善的立体化教学资料。
3. 注重案例教学：第3~8章各提供一个综合案例，帮助读者了解机器学习算法如何处理各种细节问题。
4. 内容重点突出：以面向初学者的视角详细讲述机器学习算法原理，展现机器学习的难点，注重解决读者学习时容易“掉坑”的问题。
5. 降低学习门槛：详细介绍如何使用sklearn编写机器学习程序，为进一步学习TensorFlow深度学习算法打下基础。
6. 内容实用性强：对所有的sklearn程序均使用Matplotlib库实现数据分析的可视化，实用性较强。

配书资料：11个微课视频、源代码、教学PPT、习题参考答案、考试试卷、教学大纲、实验指导

配书资料获取方式：
本书涉及的源代码、微课视频、教学PPT、习题参考答案、考试试卷、教学大纲和实验指导等配套资料的获取方式见本书前言中的详细介绍。

作者简介

唐四薪 等编著：编辑推荐
每种算法都采用sklearn程序实现并用Matplotlib进行数据可视化
提供11个微课配套教学视频，读者可以扫码在线观看
11个微课教学视频+89个示例+6个综合案例+156个示意图+131个习题

图书目录

前言
第1章 机器学习概述 1
1.1 机器学习的概念和步骤 1
1.1.1 机器学习的一般过程 2
1.1.2 机器学习的定义 4
1.1.3 机器学习的过程举例 4
1.1.4 评估机器学习模型的效果 7
1.2 机器学习的预处理环节 9
1.2.1 收集相关样本 10
1.2.2 数据预处理 10
1.2.3 数据标准化 12
1.2.4 数据降维 14
1.3 机器学习的类型 15
1.3.1 按完成的任务分类 15
1.3.2 按学习的过程分类 16
1.4 机器学习的发展历史和应用领域 17
1.4.1 机器学习的发展历史 17
1.4.2 机器学习的应用领域 20
1.5 习题 22
第2章 Python机器学习与可视化 24
2.1 Python程序入门 24
2.1.1 一些简单的Python程序 24
2.1.2 序列数据结构 26
2.1.3 序列处理函数 28
2.1.4 函数和类 29
2.2 Python数据分析工具 32
2.2.1 Anaconda的使用 32
2.2.2 Spyder集成开发环境 33
2.2.3 NumPy库 34
2.3 数据可视化——基于Matplotlib库 37
2.3.1 绘制曲线图 38
2.3.2 绘制散点图等其他图形 43
2.4 SciPy库 47
2.5 sklearn库 49
2.5.1 样本及样本的划分 49
2.5.2 导入或创建数据集 53
2.5.3 数据预处理 56
2.5.4 数据的降维 59
2.5.5 调用机器学习模型 61
2.6 习题 63
第3章 关联规则与推荐算法 65
3.1 关联规则挖掘 65
3.1.1 基本概念 65
3.1.2 Apriori算法 68
3.1.3 Apriori算法的程序实现 72
3.1.4 FP-Growth算法 73
3.2 推荐系统及算法 77
3.2.1 协同过滤推荐算法 78
3.2.2 协同过滤推荐算法应用实例 81
3.3 利用协同过滤推荐算法实现电影节目推荐 85
3.4 习题 87
第4章 聚类 89
4.1 聚类的原理与实现 89
4.1.1 聚类的概念和类型 89
4.1.2 如何度量距离 89
4.1.3 聚类的基本步骤 93
4.2 层次聚类算法 97
4.2.1 层次聚类法举例 98
4.2.2 层次聚类法的sklearn实现 99
4.3 K-means聚类算法 103
4.3.1 K-means聚类算法的原理和实例 104
4.3.2 K-means聚类算法的k值的确定 110
4.3.3 K-means聚类算法的sklearn实现 111
4.4 K-medoids聚类算法 112
4.4.1 K-medoids聚类算法的原理和实例 112
4.4.2 K-medoids聚类算法的sklearn实现 118
4.5 DBSCAN聚类算法 119
4.5.1 DBSCAN聚类算法的原理和实例 119
4.5.2 DBSCAN聚类算法的sklearn实现 124
4.6 利用聚类算法实现车牌识别 126
4.7 习题 129　
第5章 分类 130
5.1 分类的基本原理 130
5.1.1 分类与聚类的区别 131
5.1.2 分类的步骤 132
5.1.3 分类模型预测结果评估 134
5.1.4 sklearn库的常用分类算法 135
5.2 K-近邻算法 136
5.2.1 K-近邻算法的原理和实例 136
5.2.2 sklearn中分类模型的编程步骤 140
5.2.3 K-近邻算法的sklearn实现 142
5.2.4 绘制分类边界图 144
5.2.5 确定最优的k值 146
5.3 朴素贝叶斯分类算法 147
5.3.1 朴素贝叶斯的原理与实例 148
5.3.2 朴素贝叶斯分类的常见问题 152
5.3.3 朴素贝叶斯分类算法的sklearn实现 154
5.4 决策树分类算法 156
5.4.1 信息论基础 157
5.4.2 ID3算法 162
5.4.3 C4.5算法 167
5.4.4 CART算法 171
5.4.5 决策树分类算法的sklearn实现 173
5.5 随机森林分类算法 175
5.5.1 集成学习理论 175
5.5.2 随机森林分类算法的理论与实例 177
5.5.3 随机森林分类算法的sklearn实现 183
5.6 利用运动手环数据预测身体姿态 186
5.7 习题 191
第6章 回归与逻辑回归 193
6.1 线性回归 193
6.1.1 相关与回归 193
6.1.2 线性回归分析 194
6.1.3 线性回归方程参数的求法 196
6.1.4 线性回归模型的sklearn实现 201
6.2 逻辑回归 206
6.2.1 线性分类模型的原理 206
6.2.2 逻辑回归模型及实例 209
6.3 逻辑回归模型的sklearn实现 212
6.3.1 sklearn中的逻辑回归模型 212
6.3.2 利用逻辑回归模型预测是否录取学生 214
6.4 利用逻辑回归模型预测贷款违约行为 218
6.5 习题 222
第7章 人工神经网络 223
7.1 神经元与感知机 223
7.1.1 人工神经元与逻辑回归模型 224
7.1.2 感知机模型 225
7.1.3 感知机模型的Python实现 227
7.1.4 多层感知机模型 228
7.2 人工神经网络的核心要素 231
7.2.1 神经元的激活函数 231
7.2.2 损失函数 233
7.2.3 网络结构 235
7.2.4 反向传播 236
7.3 人工神经网络的sklearn实现 239
7.3.1 sklearn人工神经网络模块 239
7.3.2 利用人工神经网络预测二手房销售数据 240
7.4 深度学习与深度神经网络 242
7.4.1 深度学习的概念和原理 243
7.4.2 TensorFlow概述 244
7.4.3 卷积神经网络 245
7.5 利用神经网络进行手写数字识别 248
7.6 习题 252
第8章 支持向量机 254
8.1 支持向量机的理论基础 254
8.1.1 支持向量的超平面 255
8.1.2 SVM间隔及损失函数 256
8.1.3 非线性SVM与核函数 262
8.1.4 支持向量机分类的步骤 264
8.2 支持向量机的sklearn实现 264
8.2.1 绘制决策边界 265
8.2.2 绘制SVM的分类界面 267
8.2.3 支持向量机参数对性能的影响 268
8.3 利用支持向量机实现人脸识别 273
8.4 习题 276
参考文献 278