机器学习及Python应用

本书对机器学习的核心方法进行了深入而详细的介绍，并特别关注各学科最常用的算法。最大特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合主流的Python语言，及时地介绍相应的软件操作与经典案例，为读者提供“一站式”服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。

本书适合普通高等学校理、工、农、医以及经济管理等社会科学类的高年级本科生与研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程或Python语言经验。本书将从零开始，让读者快速体会到Python语言的美妙与威力。

目录
- 前辅文
- 第1章绪论
  - 1.1 什么是机器学习
  - 1.2 机器学习的分类
  - 1.3 机器学习的术语
  - 1.4 机器如何学习
  - 1.5 机器学习与统计学、计量经济学的关系
- 第2章 Python入门
  - 2.1 为何使用Python
  - 2.2 Python与Spyder的安装
  - 2.3 计算器与赋值
  - 2.4 模块
  - 2.5 字符串
  - 2.6 布尔型
  - 2.7 列表
  - 2.8 元组
  - 2.9 字典
  - 2.10 集合
  - 2.11 数组
  - 2.12 数据框
  - 2.13 缺失值
  - 2.14 描述性统计
  - 2.15 使用Matplotlit画图
  - 2.16 使用pandas与seaborn画图
  - 2.17 读写数据
  - 2.18 随机抽样
  - 2.19 条件语句
  - 2.20 循环语句
  - 2.21 函数
  - 2.22 类
  - 2.23 进一步学习Python的资源
  - 习题
- 第3章数学回顾
  - 3.1 微积分
  - 3.2 最优化
  - 3.3 线性代数
  - 3.4 概率统计
  - 习题
- 第4章线性回归
  - 4.1 监督学习的回归问题
  - 4.2 最优预测
  - 4.3 线性回归模型
  - 4.4 最小二乘法
  - 4.5 OLS的正交性与几何解释
  - 4.6 施密特正交化与QR分解
  - 4.7 拟合优度
  - 4.8 过拟合与泛化能力
  - 4.9 偏差与方差的权衡
  - 4.10 模型评估的再抽样方法
  - 4.11 线性回归的Python案例
  - 习题
- 第5章逻辑回归
  - 5.1 逻辑回归
  - 5.2 最大似然估计
  - 5.3 Logit模型的解释
  - 5.4 非线性模型的拟合优度
  - 5.5 Logit模型的预测
  - 5.6 二分类模型的评估
  - 5.7 ROC与AUC
  - 5.8 科恩的kappa
  - 5.9 逻辑回归的Python案例
  - 习题
- 第6章多项逻辑回归
  - 6.1 多项逻辑回归
  - 6.2 最大似然估计
  - 6.3 多项逻辑回归的解释
  - 6.4 多项逻辑回归的Python案例
  - 习题
- 第7章判别分析
  - 7.1 贝叶斯决策理论
  - 7.2 线性判别分析
  - 7.3 二次判别分析
  - 7.4 费雪线性判别分析
  - 7.5 费雪线性判别与基于正态的线性判别之关系
  - 7.6 多分类问题的费雪判别分析
  - 7.7 判别分析的Python案例
  - 附录
    - A7.1 总体中的多分类费雪判别分析
    - A7.2 样本中的多分类费雪判别分析
    - A7.3 线性判元对于组间方差的贡献率
  - 习题
- 第8章朴素贝叶斯
  - 8.1 朴素贝叶斯
  - 8.2 拉普拉斯修正
  - 8.3 朴素贝叶斯的Python案例
  - 习题
- 第9章惩罚回归
  - 9.1 高维回归的挑战
  - 9.2 岭回归
  - 9.3 岭回归的计算
  - 9.4 岭回归的几何解释
  - 9.5 套索估计量
  - 9.6 套索估计量的计算
  - 9.7 调节变量的选择
  - 9.8 弹性网估计量
  - 9.9 惩罚回归的Python案例
  - 附录
    - A9.1 估计量均方误差的分解
    - A9.2 次梯度向量与次微分
    - A9.3 连续凸函数的最小化定理
    - A9.4 标准正交设计下Lasso问题的解析解
  - 习题
- 第10章 K近邻法
  - 10.1 回归问题的K近邻法
  - 10.2 如何选择K
  - 10.3 分类问题的K近邻法
  - 10.4 K近邻法的优缺点
  - 10.5 K近邻法的Python案例
  - 习题
- 第11章决策树
  - 11.1 分类树的启发案例
  - 11.2 二叉树的数学本质
  - 11.3 分类树的分裂准则
  - 11.4 信息理论
  - 11.5 成本复杂性修枝
  - 11.6 回归树
  - 11.7 变量重要性
  - 11.8 C5.0算法
  - 11.9 决策树的优缺点
  - 11.10 回归树的Python案例
  - 11.11 分类树的Python案例
  - 习题
- 第12章随机森林
  - 12.1 集成学习
  - 12.2 装袋法
  - 12.3 装袋法的原理
  - 12.4 袋外误差
  - 12.5 随机森林
  - 12.6 变量重要性
  - 12.7 偏依赖图
  - 12.8 回归问题的随机森林Python案例
  - 12.9 分类问题的随机森林Python案例
  - 习题
- 第13章提升法
  - 13.1 自适应提升法
  - 13.2 AdaBoost的统计解释
  - 13.3 回归问题的提升法
  - 13.4 回归问题的其他损失函数
  - 13.5 梯度提升法
  - 13.6 二分类问题的逻辑损失函数
  - 13.7 多分类问题的交叉熵损失函数
  - 13.8 随机梯度提升
  - 13.9 回归提升树的Python案例
  - 13.10 二分类提升树的Python案例
  - 13.11 多分类提升树的Python案例
  - 13.12 XGBoost算法
  - 附录
    - A13.1 交叉熵损失函数
  - 习题
- 第14章支持向量机
  - 14.1 分离超平面
  - 14.2 最大间隔分类器
  - 14.3 软间隔分类器
  - 14.4 软间隔分类器的统计解释
  - 14.5 支持向量机
  - 14.6 多分类问题的支持向量机
  - 14.7 支持向量回归
  - 14.8 支持向量机的优缺点
  - 14.9 支持向量机的Python案例：模拟数据
  - 14.10 支持向量机的二分类Python案例
  - 14.11 支持向量机的多分类Python案例
  - 14.12 支持向量回归的Python案例
  - 习题
- 第15章人工神经网络
  - 15.1 人工神经网络的思想
  - 15.2 感知机
  - 15.3 神经网络的模型
  - 15.4 神经网络的激活函数
  - 15.5 通用函数近似器
  - 15.6 神经网络的损失函数
  - 15.7 神经网络的算法
  - 15.8 神经网络的小批量训练
  - 15.9 神经网络的正则化
  - 15.10 卷积神经网络
  - 15.11 使用sklearn估计回归问题的神经网络
  - 15.12 使用sklearn估计分类问题的神经网络
  - 15.13 使用Keras估计回归问题的神经网络
  - 15.14 使用Keras估计二分类问题的神经网络
  - 15.15 使用Keras估计多分类问题的神经网络
  - 15.16 使用Keras估计卷积神经网络
  - 习题
- 第16章主成分分析
  - 16.1 总体中的主成分分析
  - 16.2 方差分解
  - 16.3 样本中的主成分分析
  - 16.4 主成分分析的应用
  - 16.5 主成分分析的Python案例
  - 16.6 主成分回归的Python案例
  - 习题
- 第17章聚类分析
  - 17.1 K均值聚类的思想
  - 17.2 K均值聚类的算法
  - 17.3 如何选择K
  - 17.4 分层聚类
  - 17.5 基于相关系数的距离指标
  - 17.6 K均值聚类的Python案例
  - 17.7 分层聚类的Python案例
  - 习题
- 第18章数据科学的Python语言
  - 18.1 何为数据科学
  - 18.2 读写文件
  - 18.3 输入数据
  - 18.4 缺失值
  - 18.5 重复观测值
  - 18.6 合并数据
  - 18.7 Sci-Kit Learn的管线类
  - 18.8 结束语
  - 习题
- 参考文献



55342 机器学习及Python应用陈强

所在地区	请选择 
详细地址
收货人
联系电话
设为默认	设为默认收货地址

机器学习及Python应用

相关图书

统计学（第二版）（配学习卡，送教学课件）

袁卫

统计学（第二版）（配学习卡，送教学课件）

袁卫等

应用时间序列分析

史代敏谢小燕

统计学实验—SPSS和R软件应用与实例

费宇

应用多元统计分析

傅德印

计量经济学及Stata应用

陈强

统计学实验——SPSS和R软件应用与实例（第二版）

费宇

应用时间序列分析（第二版）

史代敏谢小燕

机器学习及R应用

陈强

统计学——Python实现

贾俊平

统计学实验——SPSS和R软件应用与实例（第三版）

费宇

时间序列分析——方法、数据与R的应用

刘超

多元统计分析及Python建模

王斌会王术

数据挖掘与机器学习——基于R语言编程

方匡南兰伟

Python经济大数据分析

姚加权、洪永淼

机器学习及Python应用

相关图书

袁卫

袁卫等

史代敏 谢小燕

费宇

傅德印

陈强

费宇

史代敏 谢小燕

陈强

贾俊平

费宇

刘超

王斌会 王术

方匡南 兰伟

姚加权、洪永淼

史代敏谢小燕

史代敏谢小燕

王斌会王术

方匡南兰伟