機器學習 周誌華著+機器學習實戰 全2冊 人工智能書籍 機器學習入門中文教科書 實戰方法 pdf epub mobi txt 电子书 下载 2025

《機器學習實戰》

部分 分類
第1章 機器學習基礎 
1.1 何謂機器學習 
1.1.1 傳感器和海量數據 
1.1.2 機器學習非常重要 
1.2 關鍵術語 
1.3 機器學習的主要任務 
1.4 如何選擇閤適的算法 
1.5 開發機器學習應用程序的步驟 
1.6 Python語言的優勢 
1.6.1 可執行僞代碼 
1.6.2 Python比較流行 
1.6.3 Python語言的特色 
1.6.4 Python語言的缺點 
1.7 NumPy函數庫基礎 
1.8 本章小結 
第2章 k-近鄰算法 
2.1 k-近鄰算法概述 
2.1.1 準備：使用Python導入數據 
2.1.2 從文本文件中解析數據 
2.1.3 如何測試分類器 
2.2 示例：使用k-近鄰算法改進約會的配對效果 
2.2.1 準備數據：從文本文件中解析數據 
2.2.2 分析數據：使用Matplotlib創建散點圖 
2.2.3 準備數據：歸一化數值 
2.2.4 測試算法：作為完整程序驗證分類器 
2.2.5 使用算法：構建完整可用係統 
2.3 示例：手寫識彆係統 
2.3.1 準備數據：將圖像轉換為測試嚮量 
2.3.2 測試算法：使用k-近鄰算法識彆手寫數字 
2.4 本章小結 
第3章 決策樹 
3.1 決策樹的構造 
3.1.1 信息增益 
3.1.2 劃分數據集 
3.1.3 遞歸構建決策樹 
3.2 在Python中使用Matplotlib注解繪製樹形圖 
3.2.1 Matplotlib注解 
3.2.2 構造注解樹 
3.3 測試和存儲分類器 
3.3.1 測試算法：使用決策樹執行分類 
3.3.2 使用算法：決策樹的存儲 
3.4 示例：使用決策樹預測眼鏡類型 
3.5 本章小結 
第4章 基於概率論的分類方法：樸素貝葉斯 
4.1 基於貝葉斯決策理論的分類方法 
4.2 條件概率 
4.3 使用條件概率來分類 
4.4 使用樸素貝葉斯進行文檔分類 
4.5 使用Python進行文本分類 
4.5.1 準備數據：從文本中構建詞嚮量 
4.5.2 訓練算法：從詞嚮量計算概率 
4. 測試算法：根據現實情況修改分類器 
4.5.4 準備數據：文檔詞袋模型 
4.6 示例：使用樸素貝葉斯過濾垃圾郵件 
4.6.1 準備數據：切分文本 
4.6.2 測試算法：使用樸素貝葉斯進行交叉驗證 
4.7 示例：使用樸素貝葉斯分類器從個人廣告中獲取區域傾嚮 
4.7.1 收集數據：導入RSS源 
4.7.2 分析數據：顯示地域相關的用詞 
4.8 本章小結 
第5章 Logistic迴歸 
5.1 基於Logistic迴歸和Sigmoid函數的分類 
5.2 基於優化方法的迴歸係數確定 
5.2.1 梯度上升法 
5.2.2 訓練算法：使用梯度上升找到參數 
5.2.3 分析數據：畫齣決策邊界 
5.2.4 訓練算法：梯度上升 
示例：從疝氣病癥預測病馬的死亡率 
.1 準備數據：處理數據中的缺失值 
.2 測試算法：用Logistic迴歸進行分類 
5.4 本章小結 
第6章 支持嚮量機 
6.1 基於間隔分隔數據 
6.2 尋找間隔 
6.2.1 分類器求解的優化問題 
6.2.2 SVM應用的一般框架 
6.3 SMO高效優化算法 
6.3.1 Platt的SMO算法 
6.3.2 應用簡化版SMO算法處理小規模數據集 
6.4 利用完整Platt SMO算法加速優化 
6.5 在復雜數據上應用核函數 
6.5.1 利用核函數將數據映射到高維空間 
6.5.2 徑嚮基核函數 
6. 在測試中使用核函數 
6.6 示例：手寫識彆問題迴顧 
6.7 本章小結 
第7章 利用AdaBoost元算法提高分類
性能 
7.1 基於數據集多重抽樣的分類器 
7.1.1 bagging：基於數據重抽樣的分類器構建方法 
7.1.2 boosting 
7.2 訓練算法：基於錯誤提升分類器的性能 
7.3 基於單層決策樹構建弱分類器 
7.4 完整AdaBoost算法的實現 
7.5 測試算法：基於AdaBoost的分類 
7.6 示例：在一個難數據集上應用AdaBoost 
7.7 非均衡分類問題 
7.7.1 其他分類性能度量指標：正確率、召迴率及ROC麯綫 
7.7.2 基於代價函數的分類器決策控製 
7.7.3 處理非均衡問題的數據抽樣方法 
7.8 本章小結 
第二部分 利用迴歸預測數值型數據
第8章 預測數值型數據：迴歸 
8.1 用綫性迴歸找到擬閤直綫 
8.2 局部加權綫性迴歸 
8.3 示例：預測鮑魚的年齡 
8.4 縮係數來“理解”數據 
8.4.1 嶺迴歸 
8.4.2 lasso 
8.4.3 前嚮逐步迴歸 
8.5 權衡偏差與方差 
8.6 示例：預測樂高玩具套裝的價格 
8.6.1 收集數據：使用Google購物的API 
8.6.2 訓練算法：建立模型 
8.7 本章小結 
第9章 樹迴歸 
9.1 復雜數據的局部性建模 
9.2 連續和離散型特徵的樹的構建 
9.3 將CART算法用於迴歸 
9.3.1 構建樹 
9.3.2 運行代碼 
9.4 樹剪枝 
9.4.1 預剪枝 
9.4.2 後剪枝 
9.5 模型樹 
9.6 示例：樹迴歸與標準迴歸的比較 
9.7 使用Python的Tkinter庫創建GUI 
9.7.1 用Tkinter創建GUI 
9.7.2 集成Matplotlib和Tkinter 
9.8 本章小結 
第三部分 無監督學習
第10章 利用K-均值聚類算法對未標注數據分組 
10.1 K-均值聚類算法 
10.2 使用後處理來提高聚類性能 
10.3 二分K-均值算法 
10.4 示例：對地圖上的點進行聚類 
10.4.1 Yahoo！ PlaceFinder API 
10.4.2 對地理坐標進行聚類 
10.5 本章小結 
第11章 使用Apriori算法進行關聯分析 
11.1 關聯分析 
11.2 Apriori原理 
11.3 使用Apriori算法來發現頻繁集 
11.3.1 生成候選項集 
11.3.2 組織完整的Apriori算法 
11.4 從頻繁項集中挖掘關聯規則 
11.5 示例：發現國會投票中的模式 
11.5.1 收集數據：構建美國國會投票記錄的事務數據集 
11.5.2 測試算法：基於美國國會投票記錄挖掘關聯規則 
11.6 示例：發現毒蘑菇的相似特徵 
11.7 本章小結 
第12章 使用FP-growth算法來高效發現頻繁項集 
12.1 FP樹：用於編碼數據集的有效方式 
12.2 構建FP樹 
12.2.1 創建FP樹的數據結構 
12.2.2 構建FP樹 
12.3 從一棵FP樹中挖掘頻繁項集 
12.3.1 抽取條件模式基 
12.3.2 創建條件FP樹 
12.4 示例：在Twitter源中發現一些共現詞 
12.5 示例：從新聞點擊流中挖掘 
12.6 本章小結 
第四部分 其他工具
第13章 利用PCA來簡化數據 
13.1 降維技術 
13.2 PCA 
13.2.1 移動坐標軸 
13.2.2 在NumPy中實現PCA 
13.3 示例：利用PCA對半導體製造數據降維 
13.4 本章小結 
第14章 利用SVD簡化數據 
14.1 SVD的應用 
14.1.1 隱性語義索引 
14.1.2 推薦係統 
14.2 矩陣分解 
14.3 利用Python實現SVD 
14.4 基於協同過濾的推薦引擎 
14.4.1 相似度計算 
14.4.2 基於物品的相似度還是基於用戶的相似度？ 
14.4.3 推薦引擎的評價 
14.5 示例：餐館菜肴推薦引擎 
14.5.1 推薦未嘗過的菜肴 
14.5.2 利用SVD提高推薦的效果 
14. 構建推薦引擎麵臨的挑戰 
14.6 基於SVD的圖像壓縮 
14.7 本章小結 
第15章 大數據與MapReduce 
15.1 MapReduce：分布式計算的框架 
15.2 Hadoop流 
15.2.1 分布式計算均值和方差的mapper 
15.2.2 分布式計算均值和方差的reducer 
1 在Amazon服務上運行Hadoop程序 
1.1 AWS上的可用服務 
1.2 開啓Amazon服務之旅 
1.3 在EMR上運行Hadoop作業 
15.4 MapReduce上的機器學習 
15.5 在Python中使用mrjob來自動化MapReduce 
15.5.1 mrjob與EMR的無縫集成 
15.5.2 mrjob的一個MapReduce腳本剖析 
15.6 示例：分布式SVM的Pegasos算法 
15.6.1 Pegasos算法 
15.6.2 訓練算法：用mrjob實現MapReduce版本的SVM 
15.7 你真的需要MapReduce嗎？ 
15.8 本章小結 
附錄A Python入門 
附錄B 綫性代數 
附錄C 概率論復習 
附錄D 資源 
索引 
版權聲明

《機器學習實戰》

機器學習是人工智能研究領域中的一個極其重要的方嚮。在現今大數據時代的背景下，捕獲數據並從中萃取有價值的信息或模式，使得這一過去為分析師與數學傢所專屬的研究領域越來越為人們矚目。
本書通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效可復用的Python代碼闡釋如何處理統計數據，進行數據分析及可視化。讀者可從中學到一些核心的機器學習算法，並將其運用於某些策略性任務中，如分類、預測及推薦等。
本書適閤機器學習相關研究人員及互聯網從業人員學習參考。

《機器學習》

" 機器學習是計算機科學與人工智能的重要分支領域. 本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方麵. 全書共16 章，大緻分為3 個部分：第1 部分（第1～3 章）介紹機器學習的基礎知識；第2 部分（第4～10 章）討論一些而常用的機器學習方法（決策樹、神經網絡、支持嚮量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3 部分（第11～16 章）為進階知識，內容涉及特徵選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等. 每章都附有習題並介紹瞭相關閱讀材料，以便有興趣的讀者進一步鑽研探索。

本書可作為高等院校計算機、自動化及相關專業的本科生或研究生教材，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。"

" 機器學習是計算機科學與人工智能的重要分支領域. 本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方麵. 全書共16 章，大緻分為3 個部分：第1 部分（第1～3 章）介紹機器學習的基礎知識；第2 部分（第4～10 章）討論一些而常用的機器學習方法（決策樹、神經網絡、支持嚮量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3 部分（第11～16 章）為進階知識，內容涉及特徵選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等. 每章都附有習題並介紹瞭相關閱讀材料，以便有興趣的讀者進一步鑽研探索。

本書可作為高等院校計算機、自動化及相關專業的本科生或研究生教材，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。"

《機器學習實戰》

Peter Harrington
擁有電氣工程學士和碩士學位，他曾經在美國加州和中國的英特爾公司工作7年。Peter擁有5項美國專利，在三種學術期刊上發錶過文章。他現在是Zillabyte公司的首席科學傢，在加入該公司之前，他曾擔任2年的機器學習軟件顧問。Peter在業餘時間還參加編程競賽和建造3D打印機。

《機器學習》

周誌華，南京大學計算機係教授，ACM傑齣科學傢，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中國計算機學會會士。國傢傑齣青年科學基金獲得者、長江學者特聘教授。先後擔任多種SCI(E)期刊執行主編、副主編、副編輯、編委等。中國計算機學會人工智能與模式識彆專業委員會主任，中國人工智能學會機器學習專業委員會主任，IEEE計算智能學會數據挖掘技術委員會副主席。