封面
版权信息
内容简介
作者简介
前言
第1篇 基础知识
第1章 机器学习概述
1.1 机器学习的定义与发展历史
1.2 应用领域
1.3 应用前景
1.4 小结
第2章 基础知识
2.1 概念与术语
2.2 高等数学基础
2.3 线性代数基础
2.4 概率论基础
2.5 小结
第3章 开发环境和常用模块
3.1 环境需求
3.2 NumPy
3.3 Pandas
3.4 Matplotlib
3.5 Scikit-Learn
3.6 深度学习框架简介
3.7 小结
第4章 特征工程
4.1 特征工程概述
4.2 数据清洗
4.3 特征选择和提取
4.4 数据集划分
4.5 小结
第5章 模型评估
5.1 常见的评估指标
5.2 超参数调优
5.3 评估指标的局限性
5.4 小结
第6章 降维方法
6.1 降维概述
6.2 主成分分析
6.3 线性判别分析
6.4 奇异值分解
6.5 小结
第2篇 算法应用
第7章 K-Means聚类
7.1 K-Means算法的原理
7.2 K-Means算法的实现和应用
7.3 小结
第8章 K最近邻
8.1 K最近邻算法的原理
8.2 K最近邻算法的应用
8.3 小结
第9章 回归
9.1 线性模型
9.2 线性回归
9.3 岭回归
9.4 LASSO回归
9.5 小结
第10章 朴素贝叶斯
10.1 基本概念和原理
10.2 实现算法
10.3 实际应用
10.4 小结
第11章 决策树与随机森林
11.1 决策树
11.2 随机森林
11.3 实际应用
11.4 小结
第12章 支持向量机
12.1 支持向量机的概念
12.2 核函数
12.3 改进支持向量机算法
12.4 支持向量机扩展算法
12.5 支持向量机的应用
12.6 小结
第13章 神经网络
13.1 神经网络的发展与应用
13.2 神经网络模型
13.3 神经网络的原理、算法和工作流程
13.4 神经网络的实现和应用
13.5 小结
第3篇 拓展应用
第14章 集成学习
14.1 集成学习概述
14.2 集成学习算法的应用
14.3 小结
第15章 TensorFlow入门
15.1 TensorFlow简介和安装
15.2 TensorFlow的数据类型
15.3 TensorFlow的矩阵操作
15.4 指定CPU和GPU
15.5 TensorFlow的数据集
15.6 图像处理
15.7 TensorFlow构建神经网络
15.8 小结
第16章 PyTorch入门
16.1 PyTorch简介和安装
16.2 PyTorch的主要模块
16.3 PyTorch的张量
16.4 PyTorch的图像分类
16.5 小结
第17章 卷积网络
17.1 计算机视觉
17.2 卷积网络的基本运算
17.3 卷积网络与深度学习
17.4 经典卷积网络
17.5 小结
第18章 激活函数
18.1 激活函数的意义
18.2 常用的激活函数
18.3 小结
第19章 项目实战
19.1 迁移学习项目实现
19.2 空间变换网络项目实现
19.3 小结
参考文献
更新时间：2024-12-27 23:14:24
完结共115章
倒序