掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
PYTHON機器學習實戰:基于SCIKIT-LEARN與PYTORCH的神經網絡解決方案 版權信息
- ISBN：9787302642978
- 條形碼：9787302642978 ; 978-7-302-64297-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
PYTHON機器學習實戰:基于SCIKIT-LEARN與PYTORCH的神經網絡解決方案 本書特色
NumPy、Pandas、Matplotlib、Scikit-learn以及Pytorch，一應俱全
涵括常見應用場景，可作為初學者入門指南以及從業者中長期參考手冊
深度闡述機器學習環境搭建、數據加載、數值處理、數據分析和可視化
結合理論和實踐來解釋監督學習、無監督學習、回歸算法以及集成學習
通過一個端到端解決方案來解釋復雜的卷積神經網絡架構、原理和實現
本書分為三個部分。**部分向您介紹使用 Python 的數字運算和數據分析工具，并深入解釋環境配置、數據加載、數值處理、數據分析和可視化。第二部分涵蓋機器學習基礎知識和 Scikit-learn 庫。它還通過理論和實踐課程以簡單的方式解釋了監督學習、無監督學習、回歸算法的實現和分類以及集成學習方法。第三部分解釋了復雜的神經網絡架構，并詳細介紹了卷積神經網絡的內部工作和實現。*后一章包含 Pytorch 中神經網絡的詳細端到端解決方案。本書可以幫助讀者實現機器學習和神經網絡解決方案。
特色主題如下：
復習NumPy和Pandas中的數據結構
展示機器學習技術和算法
了解監督學習和非監督學習
重點討論卷積神經網絡和遞歸神經網絡
全面介紹熟悉scikit-learn和 PyTorch
預測遞歸神經網絡和長短期記憶中的序列
PYTHON機器學習實戰:基于SCIKIT-LEARN與PYTORCH的神經網絡解決方案 內容簡介
《Python機器學習實戰：基于Scikit-learn與PyTorch的神經網絡解決方案》基于作者多年的積累，通過概念及其解釋、Python代碼示例及其解釋和代碼輸出，特別針對零基礎讀者精心設計了這本機器學習進階指南。全書包含3部分16章的內容，在介紹完編程和數據處理基礎之后，探討了監督學習（如線性回歸、邏輯回歸及決策樹、樸素貝葉斯和支持向量機）、集成學習以及無監督學習（如降維和聚類等）。值得一提的是，書的*后講到了神經網絡和深度學習的基本思想，探討了人工神經網絡、卷積神經網絡和遞歸神經網絡。 《Python機器學習實戰：基于Scikit-learn與PyTorch的神經網絡解決方案》適合零基礎且希望了解和掌握機器學習的讀者閱讀與參考。
PYTHON機器學習實戰:基于SCIKIT-LEARN與PYTORCH的神經網絡解決方案 目錄
第Ⅰ部分 PYTHON機器學習
第1章 Python 3和Jupyter Notebook入門 3
1.1 Python概述 4
1.1.1 Python編程語言的歷史 4
1.1.2 Python編程語言的哲學 4
1.1.3 Python的使用范圍 5
1.2 安裝Python 6
1.2.1 在Linux 發行版上安裝 Python 7
1.2.2 在macOS 上安裝Python 7
1.3 Python模式 7
1.3.1 交互模式 7
1.3.2 腳本模式 11
1.4 Pip3工具 13
1.5 科學Python生態系統 14
1.6 Python的實現和發行版 14
1.7 Anaconda發行版 15
1.8 小結 16
第2章 NumPy入門 17
2.1 開始使用NumPy 18
2.2 Ndarray的索引 20
2.3 Ndarray的屬性 22
2.4 NumPy常量 23
2.5 小結 24
第3章 數據可視化入門 25
3.1 用于創建Ndarray的NumPy例程 26
3.2 Matplotlib數據可視化 28
3.3 小結 34
第4章 Pandas入門 35
4.1 Pandas基礎知識 36
4.2 Pandas中的Series 36
4.3 Pandas中的數據框架 38
4.4 在數據框架中實現數據的可視化 40
4.5 小結 46
第Ⅱ部分 機器學習方法
第5章 Scikit-learn機器學習概述 49
5.1 從數據中學習 50
5.1.1 監督式學習 50
5.1.2 無監督學習 51
5.2 機器學習系統的結構 52
5.2.1 問題理解 53
5.2.2 數據收集 53
5.2.3 數據標注和數據準備 53
5.2.4 數據整理 53
5.2.5 模型的開發、訓練和評估 54
5.2.6 模型的部署 54
5.3 Scikit-Learn 55
5.4 安裝Scikit-Learn 55
5.5 了解API 56
5.6 **個Scikit-learn實驗 57
5.7 小結 60
第6章 為機器學習準備數據 61
6.1 數據變量的類型 62
6.1.1 名目數據 62
6.1.2 次序數據 62
6.1.3 等距數據 63
6.1.4 等比數據 63
6.2 轉換 63
6.2.1 轉換名目屬性 64
6.2.2 轉換有序屬性 66
6.3 歸一化 67
6.3.1 線性函數歸一化 68
6.3.2 標準縮放 69
6.4 預處理文本 70
6.4.1 準備NLTK 70
6.4.2 NLP流水線的5個步驟 71
6.4.3 詞干提取和詞形還原 72
6.4.4 移除停用詞 73
6.4.5 準備詞向量 73
6.5 預處理圖像 75
6.6 小結 77
第7章 初探監督式學習方法 79
7.1 線性回歸 80
7.2 邏輯回歸 86
7.2.1 表達式概率的線與曲線的比較 87
7.2.1 學習參數 87
7.2.2 可視化決策邊界 90
7.3 決策樹 91
7.3.1 構建決策樹 92
7.3.2 Python中的決策樹 93
7.4 小結 96
第8章 對監督式學習進行調試 97
8.1 訓練和測試過程 98
8.2 性能的衡量標準 98
8.2.1 混淆矩陣 99
8.2.2 精確率 100
8.2.3 準確率 100
8.2.3 F值 100
8.2.4 Python中的性能指標 101
8.3 交叉驗證 103
8.3.1 為什么要進行交叉驗證 104
8.3.2 使用Python進行交叉驗證 105
8.4 ROC曲線 106
8.5 過擬合和正則化 109
8.5.1 偏差和方差 112
8.5.2 正則化 113
8.6 超參數調優 116
8.7 小結 120
第9章 再談監督學習方法 121
9.1 樸素貝葉斯 122
9.1.1 貝葉斯定理 122
9.1.2 條件概率 123
9.1.3 樸素貝葉斯的運作方式 123
9.1.4 多項樸素貝葉斯 124
9.1.5 Python中的樸素貝葉斯 124
9.2 支持向量機 126
9.2.1 SVM的運作方式 127
9.2.2 非線性分類 128
9.2.3 SVM中的核技巧 129
9.2.4 Python中的支持向量機 130
9.3 小結 134
第10章 集成學習方法 135
10.1 Bagging算法和隨機森林 136
10.2 Boosting算法 140
10.3 Stacking集成 146
10.4 小結 150
第11章 無監督學習方法 151
11.1 降維 152
11.1.1 了解維數災難 152
11.1.2 主成分分析 153
11.1.3 Python中的主成分分析 154
11.2 聚類 157
11.2.1 使用k-均值進行聚類 158
11.2.2 Python中的k-均值 158
11.2.3 什么是正確的k 161
11.2.4 聚類之圖像分割 162
11.2.5 使用DBSCAN進行聚類 165
11.3 頻繁模式挖掘 168
11.3.1 購物籃分析 168
11.3.2 Python中的頻繁模式挖掘 169
11.4 小結 172
第Ⅲ部分 神經網絡和深度學習
第12章 神經網絡和PyTorch基礎 175
12.1 安裝PyTorch 177
12.2 PyTorch的基礎知識 177
12.2.1 創建張量 177
12.2.2 張量操作 179
12.3 感知器 181
12.4 人工神經網絡 185
12.5 小結 186
第13章 前饋神經網絡 187
13.1 前饋神經網絡 188
13.1.1 訓練神經網絡 189
13.1.2 損失函數 193
13.2 使用人工神經網絡進行回歸 195
13.3 激活函數 198
13.3.1 ReLU 激活函數 198
13.3.2 Sigmoid 激活函數 199
13.3.3 tanh激活函數 200
13.4 多層人工神經網絡 200
13.4.1 PyTorch中的神經網絡（NN）類 206
13.4.2 過擬合和Dropout 208
13.5 分類手寫數字 209
13.6 小結 214
第14章 卷積神經網絡 215
14.1 卷積運算 216
14.2 CNN的結構 219
14.3 在PyTorch中使用卷積神經網絡 221
14.4 使用CNN進行圖像分類 223
14.5 卷積神經網絡的深度網絡 233
14.5 小結 234
第15章 循環神經網絡 235
15.1 循環單元 236
15.2 RNN的類型 238
15.2.1 一對一 238
15.2.2 一對多 238
15.2.3 多對一 238
15.2.4 多對多 239
15.3 Python中的RNN 239
15.4 長短期記憶 240
15.4.1 LSTM單元 241
15.4.2 時間序列預測 242
15.5 門控循環單元 252
15.6 小結 252
第16章 項目實戰 253
16.1 數據科學生命周期 254
16.2 如何提供ML應用 257
16.3 通過實踐學習 258
16.3.1 定義問題 258
16.3.2 數據 259
16.3.3 準備模型 263
16.3.4 序列化模型，以便未來用于預測 268
16.3.5 托管模型 270
16.4 未來可期 271
第1章 Python 3和Jupyter Notebook入門 3
1.1 Python概述 4
1.1.1 Python編程語言的歷史 4
1.1.2 Python編程語言的哲學 4
1.1.3 Python的使用范圍 5
1.2 安裝Python 6
1.2.1 在Linux 發行版上安裝 Python 7
1.2.2 在macOS 上安裝Python 7
1.3 Python模式 7
1.3.1 交互模式 7
1.3.2 腳本模式 11
1.4 Pip3工具 13
1.5 科學Python生態系統 14
1.6 Python的實現和發行版 14
1.7 Anaconda發行版 15
1.8 小結 16
第2章 NumPy入門 17
2.1 開始使用NumPy 18
2.2 Ndarray的索引 20
2.3 Ndarray的屬性 22
2.4 NumPy常量 23
2.5 小結 24
第3章 數據可視化入門 25
3.1 用于創建Ndarray的NumPy例程 26
3.2 Matplotlib數據可視化 28
3.3 小結 34
第4章 Pandas入門 35
4.1 Pandas基礎知識 36
4.2 Pandas中的Series 36
4.3 Pandas中的數據框架 38
4.4 在數據框架中實現數據的可視化 40
4.5 小結 46
第Ⅱ部分 機器學習方法
第5章 Scikit-learn機器學習概述 49
5.1 從數據中學習 50
5.1.1 監督式學習 50
5.1.2 無監督學習 51
5.2 機器學習系統的結構 52
5.2.1 問題理解 53
5.2.2 數據收集 53
5.2.3 數據標注和數據準備 53
5.2.4 數據整理 53
5.2.5 模型的開發、訓練和評估 54
5.2.6 模型的部署 54
5.3 Scikit-Learn 55
5.4 安裝Scikit-Learn 55
5.5 了解API 56
5.6 **個Scikit-learn實驗 57
5.7 小結 60
第6章 為機器學習準備數據 61
6.1 數據變量的類型 62
6.1.1 名目數據 62
6.1.2 次序數據 62
6.1.3 等距數據 63
6.1.4 等比數據 63
6.2 轉換 63
6.2.1 轉換名目屬性 64
6.2.2 轉換有序屬性 66
6.3 歸一化 67
6.3.1 線性函數歸一化 68
6.3.2 標準縮放 69
6.4 預處理文本 70
6.4.1 準備NLTK 70
6.4.2 NLP流水線的5個步驟 71
6.4.3 詞干提取和詞形還原 72
6.4.4 移除停用詞 73
6.4.5 準備詞向量 73
6.5 預處理圖像 75
6.6 小結 77
第7章 初探監督式學習方法 79
7.1 線性回歸 80
7.2 邏輯回歸 86
7.2.1 表達式概率的線與曲線的比較 87
7.2.1 學習參數 87
7.2.2 可視化決策邊界 90
7.3 決策樹 91
7.3.1 構建決策樹 92
7.3.2 Python中的決策樹 93
7.4 小結 96
第8章 對監督式學習進行調試 97
8.1 訓練和測試過程 98
8.2 性能的衡量標準 98
8.2.1 混淆矩陣 99
8.2.2 精確率 100
8.2.3 準確率 100
8.2.3 F值 100
8.2.4 Python中的性能指標 101
8.3 交叉驗證 103
8.3.1 為什么要進行交叉驗證 104
8.3.2 使用Python進行交叉驗證 105
8.4 ROC曲線 106
8.5 過擬合和正則化 109
8.5.1 偏差和方差 112
8.5.2 正則化 113
8.6 超參數調優 116
8.7 小結 120
第9章 再談監督學習方法 121
9.1 樸素貝葉斯 122
9.1.1 貝葉斯定理 122
9.1.2 條件概率 123
9.1.3 樸素貝葉斯的運作方式 123
9.1.4 多項樸素貝葉斯 124
9.1.5 Python中的樸素貝葉斯 124
9.2 支持向量機 126
9.2.1 SVM的運作方式 127
9.2.2 非線性分類 128
9.2.3 SVM中的核技巧 129
9.2.4 Python中的支持向量機 130
9.3 小結 134
第10章 集成學習方法 135
10.1 Bagging算法和隨機森林 136
10.2 Boosting算法 140
10.3 Stacking集成 146
10.4 小結 150
第11章 無監督學習方法 151
11.1 降維 152
11.1.1 了解維數災難 152
11.1.2 主成分分析 153
11.1.3 Python中的主成分分析 154
11.2 聚類 157
11.2.1 使用k-均值進行聚類 158
11.2.2 Python中的k-均值 158
11.2.3 什么是正確的k 161
11.2.4 聚類之圖像分割 162
11.2.5 使用DBSCAN進行聚類 165
11.3 頻繁模式挖掘 168
11.3.1 購物籃分析 168
11.3.2 Python中的頻繁模式挖掘 169
11.4 小結 172
第Ⅲ部分 神經網絡和深度學習
第12章 神經網絡和PyTorch基礎 175
12.1 安裝PyTorch 177
12.2 PyTorch的基礎知識 177
12.2.1 創建張量 177
12.2.2 張量操作 179
12.3 感知器 181
12.4 人工神經網絡 185
12.5 小結 186
第13章 前饋神經網絡 187
13.1 前饋神經網絡 188
13.1.1 訓練神經網絡 189
13.1.2 損失函數 193
13.2 使用人工神經網絡進行回歸 195
13.3 激活函數 198
13.3.1 ReLU 激活函數 198
13.3.2 Sigmoid 激活函數 199
13.3.3 tanh激活函數 200
13.4 多層人工神經網絡 200
13.4.1 PyTorch中的神經網絡（NN）類 206
13.4.2 過擬合和Dropout 208
13.5 分類手寫數字 209
13.6 小結 214
第14章 卷積神經網絡 215
14.1 卷積運算 216
14.2 CNN的結構 219
14.3 在PyTorch中使用卷積神經網絡 221
14.4 使用CNN進行圖像分類 223
14.5 卷積神經網絡的深度網絡 233
14.5 小結 234
第15章 循環神經網絡 235
15.1 循環單元 236
15.2 RNN的類型 238
15.2.1 一對一 238
15.2.2 一對多 238
15.2.3 多對一 238
15.2.4 多對多 239
15.3 Python中的RNN 239
15.4 長短期記憶 240
15.4.1 LSTM單元 241
15.4.2 時間序列預測 242
15.5 門控循環單元 252
15.6 小結 252
第16章 項目實戰 253
16.1 數據科學生命周期 254
16.2 如何提供ML應用 257
16.3 通過實踐學習 258
16.3.1 定義問題 258
16.3.2 數據 259
16.3.3 準備模型 263
16.3.4 序列化模型，以便未來用于預測 268
16.3.5 托管模型 270
16.4 未來可期 271
展開全部
PYTHON機器學習實戰:基于SCIKIT-LEARN與PYTORCH的神經網絡解決方案 作者簡介
阿什溫·帕揚卡（AshwinPajankar）是一名技術類作家、講師、內容創作者和YouTuber主播。他在南德的SGGSIE&T獲得了工程學士學位，在印度理工學院海德拉巴校區獲得了計算機科學與工程碩士學位。他在7歲的時候接觸到電子技術和計算機編程。BASIC 是他學會的第一種編程語言。他還用過其他很多編程語言，比如匯編語言、C、C 、VisualBasic、Java、ShellScripting、Python、SQL和 JavaScript。他還非常喜歡使用單板計算機和微控制器，比如樹莓派、BananaPro、Arduino、BBC Microbit 和 ESP32。
他目前正專注于發展 YouTube 頻道，內容涉及計算機編程、電子技術和微控制器。
阿迪亞·喬希（AdityaJoshi）是一名機器學習工程師，他曾經在早中期創業公司的數據科學和機器學習團隊工作。他在浦那大學獲得了工程學士學位，在印度理工學院海德拉巴校區獲得了計算機科學與工程碩士學位。他在碩士學習期間對機器學習產生了興趣，并與印度理工學院海德拉巴校區的搜索和信息提取實驗室有了聯系。他喜歡教學，經常參加培訓研討會、聚會和短期課程。
歐拉在校期間多次入選“優等生名單”，奉行深思篤行的做事原則，擅長于問題引導和拆解，曾經運用數據模型和R語言幫助某企業在半年內實現了十倍的增長。美食愛好者。有多部譯著，翻譯風格活潑而準確，有志于通過文字、技術和思維來探尋商業價值與人文精神的平衡。目前感興趣的方向有機器學習和人工智能。
書友推薦
- >
莉莉和章魚
- >
月亮與六便士
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
李白與唐代文化
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
煙與鏡
- >
名家帶你讀魯迅:朝花夕拾
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
