Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现

Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现

 (作者)  

• 书 号：978-7-121-31720-0
• 出版日期：2017-06-30
• 页 数：328
• 开 本：16(185*235)
• 定价69.00
• Python与机器学习这一话题是如此的宽广，仅靠一本书自然不可能涵盖到方方面面，甚至即使出一个系列也难能做到这点。单就机器学习而言，其领域就包括但不限于如下：有监督学习（Supervised Learning），无监督学习（Unsupervised Learning）和半监督学习（Semi-Supervised Learning）。而具体的问题又大致可以分两类：分类问题（Classification）和回归问题（Regression）。
  Python本身带有许多机器学习的第三方库，但本书在绝大多数情况下只会用到Numpy这个基础的科学计算库来进行算法代码的实现。这样做的目的是希望读者能够从实现的过程中更好地理解机器学习算法的细节，以及了解Numpy的各种应用。不过作为补充，本书会在适当的时候应用scikit-learn这个成熟的第三方库中的模型。
  本书适用于想了解传统机器学习算法的学生和从业者，想知道如何高效实现机器的算法的程序员，以及想了解机器学习的算法能如何进行应用的职员、经理等。目录
  第1章 Python与机器学习入门 1
  1.1 机器学习绪论 1
  1.1.1 什么是机器学习 2
  1.1.2 机器学习常用术语 3
  1.1.3 机器学习的重要性 6
  1.2 人生苦短，我用Python 7
  1.2.1 为何选择Python 7
  1.2.2 Python 在机器学习领域的优势 8
  1.2.3 Anaconda的安装与使用 8
  1.3 ，个机器学习样例 12
  1.3.1 获取与处理数据 13
  1.3.2 选择与训练模型 14
  1.3.3 评估与可视化结果 15
  1.4 本章小结 17
  第2章 贝叶斯分类器 18
  2.1 贝叶斯学派 18
  2.1.1 贝叶斯学派与频率学派 19
  2.1.2 贝叶斯决策论 19
  2.2 参数估计 20
  2.2.1 极大似然估计（ML估计） 21
  2.2.2 极大后验概率估计（MAP估计） 22
  2.3 朴素贝叶斯 23
  2.3.1 算法陈述与基本架构的搭建 23
  2.3.2 MultinomialNB的实现与评估 31
  2.3.3 GaussianNB的实现与评估 40
  2.3.4 MergedNB的实现与评估 43
  2.3.5 算法的向量化 50
  2.4 半朴素贝叶斯与贝叶斯网 53
  2.4.1 半朴素贝叶斯 53
  2.4.2 贝叶斯网 54
  2.5 相关数学理论 55
  2.5.1 贝叶斯公式与后验概率 55
  2.5.2 离散型朴素贝叶斯算法 56
  2.5.3 朴素贝叶斯和贝叶斯决策 58
  2.6 本章小结 59
  第3章 决策树 60
  Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现 电子书 下载 mobi epub pdf txt