Python机器学习 预测分析核心算法 - Couverture souple

Couverture souple

ISBN 10 : 7115433739 ISBN 13 : 9787115433732

Synopsis

在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知所措。本书从算法和Python语言实现的角度，帮助读者认识机器学习。本书专注于两类核心的"算法族"，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。全书共分为7章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。本书主要针对想提高机器学习技能的Python开发人员，帮助他们解决某一特定的项目或是提升相关的技能。机器学习关注于预测，其核心是一种基于数学和算法的技术，要掌握该技术，需要对数学及统计概念有深入理解，能够熟练使用R语言或者其他编程语言。本书通过集中介绍两类可以进行有效预测的机器学习算法，展示了如何使用Python编程语言完成机器学习任务，从而降低机器学习难度，使机器学习能够被更广泛的人群掌握。作者利用多年的机器学习经验带领读者设计、构建并实现自己的机器学习方案。本书尽可能地用简单的术语来介绍算法，避免复杂的数学推导，同时提供了示例代码帮助读者迅速上手。读者会很快深入了解模型构建背后的原理，不论简单问题还是复杂问题，读者都可以学会如何找到问题的解决算法。书中详细的示例，给出了具体的可修改的代码，展示了机器学习机理，涵盖了线性回归和集成方法，帮助理解使用机器学习方法的基本流程。本书为不具备数学或统计背景的读者量身打造，详细介绍了如何：●针对任务选择合适算法；●对不同目的应用训练好的模型；●学习数据处理机制，准备数据；●评估模型性能以保证应用效果；●掌握Python机器学习核心算法包；●使用示例代码设计和构建你自己的模型；●构建实用的多功能预测模型。第1章关于预测的两类核心算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．11．1为什么这两类算法如此有用．．．．．．．11．2什么是惩罚回归方法．．．．．．．．．．．．．．．．．．．．．61．3什么是集成方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．81．4算法的选择．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．91．5构建预测模型的流程．．．．．．．．．．．．．．．．．．．111．5．1构造一个机器学习问题．．．．．．121．5．2特征提取和特征工程．．．．．．．．．．141．5．3确定训练后的模型的性能．．．．．151．6各章内容及其依赖关系．．．．．．．．．．．．．．151．7小结．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．171．8参考文献．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．17第2章通过理解数据来了解问题．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．192．1"解剖"一个新问题．．．．．．．．．．．．．．．．．．．．．192．1．1属性和标签的不同类型决定模型的选择．．．．．．．．．．．．．．．．．．212．1．2新数据集的注意事项．．．．．．．．．．222．2分类问题：用声纳发现未爆炸

Détails de l'édition

• Date d'édition: 2016
• ISBN 10: 7115433739
• ISBN 13: 9787115433732
• Reliure: Paperback
• Langue: chinois
• Coordonnées du fabricant: non disponible