精通數據科學+機器學習實戰+python神經網絡編程 深度學習人工智能機器 pdf epub mobi txt 电子书 下载 2025

☆☆☆☆☆

店铺： 汉唐图书专营店

出版社： 人民邮电出版社

ISBN：9787115479105

商品编码：27865240517

內容簡介

《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[]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。

《python神經網絡編程》

本書[]先從簡單的思路著手，詳細介紹瞭理解神經網絡如何工作所必須的基礎知識。*[]分介紹基本的思路，包括神經網絡底層的數學知識，第2[]分是實踐，介紹瞭學習Python編程的流行和輕鬆的方法，從而逐漸使用該語言構建神經網絡，以能夠識彆人類手寫的字母，特彆是讓其像[]所開發的網絡那樣地工作。第3[]分是擴展，介紹如何將神經網絡的性能提升到工業應用的層級，甚至讓其在Raspberry Pi上工作。

《精通數據科學 從綫性迴歸到深度學習》

本書[]講解瞭數據科學的相關知識，從統計分析學到機器學習、深度學習中用到的算法及模型，藉鑒經濟學視角給齣模型的相關解釋，深入探討模型的可用性，並結閤大量的實際案例和代碼幫助讀者學以緻用，將具體的應用場景和現有的模型相結閤，從而更好地發現模型的潛在應用場景。

本書可作為數據科學傢和數據工程師的學習用書，也適閤對數據科學有強烈興趣的初學者使用，同時也可作為高等院校計算機、數學及相關專業的師生用書和培訓學校的教材。

作者簡介

《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[]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。

《python神經網絡編程》

作者簡介 塔裏剋·拉希德 擁有物理學學士學位、機器學習和數據挖掘碩士學位。他常年活躍於倫敦的技術領域，領導並組織倫敦Python聚會小組（近3000名成員）。 譯者簡介 林賜 軟件設計師、網絡工程師，畢業於渥太華大學係統科學碩士專業，已翻譯齣版多本技術圖書。

《精通數據科學》

唐亙，數據科學傢，專注於機器學習和大數據。曾獲得復旦大學的數學和計算機雙學士學位；巴黎綜閤理工的金融碩士學位；法國國立統計與經濟管理學校的數據科學碩士學位。熱愛並積極參與是Apache Spark和Scikit-Learn等開源項目。作為講師和技術顧問，為多傢機構（包括惠普、華為、復旦大學等）提供百餘場技術培訓。此前的工作和研究集中於經濟和量化金融，曾參與經濟閤作與發展組織（OECD）的研究項目並發錶論文，並擔任英國知名在綫齣版社Packt的技術審稿人。

《精通數據科學》

第 1章  數據科學概述 1

1.1 挑戰 2

1.1.1 工程實現的挑戰 2

1.1.2 模型搭建的挑戰 3

1.2 機器學習 5

1.2.1 機器學習與傳統編程 5

1.2.2 監督式學習和非監督式學習 8

1.3 統計模型 8

1.4 關於本書 10

第 2章 Python安裝指南與簡介：告彆空談 12

2.1 Python簡介 13

2.1.1 什麼是Python 15

2.1.2 Python在數據科學中的地位 16

2.1.3 不可能繞過的第三方庫 17

2.2 Python安裝 17

2.2.1 Windows下的安裝 18

2.2.2 Mac下的安裝 21

2.2.3 Linux下的安裝 24

2.3 Python上手實踐 26

2.3.1 Python shell 26

2.3.2 第 一個Python程序：Word Count 28

2.3.3 Python編程基礎 30

2.3.4 Python的工程結構 34

2.4 本章小結 35

第3章 數學基礎：惱人但又不可或缺的知識 36

3.1 矩陣和嚮量空間 37

3.1.1 標量、嚮量與矩陣 37

3.1.2 特殊矩陣 39

3.1.3 矩陣運算 39

3.1.4 代碼實現 42

3.1.5 嚮量空間 44

3.2 概率：量化隨機 46

3.2.1 定義概率：事件和概率空間 47

3.2.2 條件概率：信息的價值 48

3.2.3 隨機變量：兩種不同的隨機 50

3.2.4 正態分布：殊途同歸 52

3.2.5 P-value：自信的猜測 53

3.3 微積分 55

3.3.1 導數和積分：位置、速度 55

3.3.2 極限：變化的終點 57

3.3.3 復閤函數：鏈式法則 58

3.3.4 多元函數：偏導數 59

3.3.5 極值與[]值：[]優選擇 59

3.4 本章小結 61

第4章 綫性迴歸：模型之母 62

4.1 一個簡單的例子 64

4.1.1 從機器學習的角度看這個問題 66

4.1.2 從統計學的角度看這個問題 69

4.2 上手實踐：模型實現 73

4.2.1 機器學習代碼實現 74

4.2.2 統計方法代碼實現 77

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆