图书介绍

Python机器学习算法PDF|Epub|txt|kindle电子书版本下载

刘硕著著
出版社：北京：清华大学出版社
ISBN：9787302536505
出版时间：2019
标注页数：208页
文件大小：76MB
文件页数：218页
主题词：软件工具－程序设计；机器学习

PDF下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢] [在线试读本书] [在线获取解压码]

点击复制MD5值：e36321a8809b08bab8aaaff834170fe3

下载说明

Python机器学习算法PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载详情点击-查看共享计划

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数要大于标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

图书目录

第1章线性回归1

1.1 线性回归模型1

1.2 最小二乘法2

1.3 梯度下降4

1.3.1 梯度下降算法4

1.3.2 随机梯度下降和小批量梯度下降6

1.4 算法实现7

1.4.1 最小二乘法7

1.4.2 梯度下降9

1.5 项目实战12

1.5.1 准备数据12

1.5.2 模型训练与测试13

第2章 Logistic回归与Softmax回归20

2.1 Logistic回归20

2.1.1 线性模型20

2.1.2 logistic函数21

2.1.3 Logistic回归模型23

2.1.4 极大似然法估计参数24

2.1.5 梯度下降更新公式25

2.2 Softmax回归26

2.2.1 Softmax函数26

2.2.2 Softmax回归模型27

2.2.3 梯度下降更新公式27

2.3 编码实现28

2.3.1 Logistic回归28

2.3.2 Softmax回归32

2.4 项目实战36

2.4.1 Logistic回归36

2.4.2 Softmax回归43

第3章决策树——分类树46

3.1 决策树模型46

3.2 生成决策树48

3.3 切分特征的选择49

3.3.1 信息熵49

3.3.2 条件信息熵50

3.3.3 信息增益51

3.3.4 信息增益比53

3.4 算法实现53

3.5 绘制决策树57

3.6 项目实战64

3.6.1 准备数据64

3.6.2 模型训练与测试66

第4章决策树——分类回归树70

4.1 CART算法的改进70

4.2 处理连续值特征71

4.3 CART分类树与回归树72

4.3.1 CART分类树72

4.3.2 CART回归树74

4.4 算法实现75

4.4.1 CART分类树75

4.4.2 CART回归树80

4.5 项目实战85

4.5.1 CART分类树85

4.5.2 CART回归树89

第5章朴素贝叶斯95

5.1 朴素贝叶斯模型95

5.1.1 贝叶斯公式95

5.1.2 贝叶斯分类器97

5.1.3 朴素贝叶斯分类器97

5.2 模型参数估计98

5.2.1 极大似然估计98

5.2.2 贝叶斯估计102

5.3 算法实现103

5.4 项目实战105

5.4.1 准备数据106

5.4.2 模型训练与测试108

第6章支持向量机110

6.1 线性可分支持向量机110

6.1.1 分离超平面110

6.1.2 间隔最大化112

6.1.3 拉格朗日对偶法113

6.1.4 分类决策函数116

6.1.5 线性可分支持向量机算法117

6.2 线性支持向量机118

6.2.1 软间隔最大化118

6.2.2 线性支持向量机算法121

6.3 非线性支持向量机122

6.3.1 空间变换122

6.3.2 核技巧123

6.3.3 非线性支持向量机算法124

6.4 SMO算法125

6.4.1 两个变量最优化问题的求解126

6.4.2 变量选择129

6.4.3 更新b131

6.4.4 更新E缓存132

6.5 算法实现133

6.6 项目实战139

6.6.1 准备数据140

6.6.2 模型训练与测试141

第7章 k近邻学习145

7.1 kNN学习145

7.1.1 kNN学习模型145

7.1.2 距离的度量146

7.1.3 k值的选择149

7.2 kNN的一种实现：k-d树150

7.2.1 构造k-d树150

7.2.2 搜索k-d树153

7.3 算法实现155

7.3.1 线性扫描版本155

7.3.2 k-d树版本157

7.4 项目实战161

7.4.1 准备数据162

7.4.2 模型训练与测试163

第8章 K-Means167

8.1 K-Means167

8.1.1 距离的度量168

8.1.2 聚类算法的性能169

8.1.3 K-Means算法171

8.2 K-Means＋＋172

8.3 算法实现173

8.3.1 K-Means173

8.3.2 K-Means+++176

8.4 项目实战179

8.4.1 准备数据180

8.4.2 模型训练与测试181

第9章人工神经网络184

9.1 神经网络184

9.1.1 人造神经元184

9.1.2 神经网络187

9.2 反向传播算法188

9.2.1 输出节点的权值更新189

9.2.2 隐藏节点的权值更新190

9.3 算法实现192

9.3.1 神经网络分类器192

9.3.2 神经网络回归器196

9.4 项目实战202

9.4.1 准备数据203

9.4.2 模型训练与测试206