机器学习初学者--学习使用Python构建机器学习系统
你好！我是陪你一起进阶人生的普大帝！愿你成才！祝你成长！本书使用本书是为计算机科学专业的本科生和研究生以及打算转向迷人的机器学习世界的专业人士设计的。这本书需要基本的编程知识，尤其是 Python。
电子书下载
本站每日签到送体力，记得来签到哦！本站有超百万页面资源，不懂如何获取体力，以及比赛咨询请联系数学中国-南方QQ3242420264
本书涵盖了机器学习中的重要概念和主题。它从数据清理开始，并概述了特征选择。然后讨论训练和测试、交叉验证和特征选择。这本书涵盖了最常见的特征选择技术的算法和实现。然后，本书重点介绍线性回归和梯度下降。本书涵盖了一些重要的分类技术，例如 K-最近邻、逻辑回归、朴素贝叶斯和线性判别分析。然后，它概述了神经网络，并解释了生物学背景、感知器的局限性和反向传播模型。支持向量机和核方法也包含在本书中。然后展示了如何实现决策树和随机森林。最后，本书简要概述了无监督学习。涵盖了各种特征提取技术，例如傅里叶变换、STFT 和局部二分类模式。本书还讨论了主成分分析及其实现。你会学到什么
[*]了解如何为机器学习准备数据。
[*]了解如何从头开始实施学习算法。
[*]使用 scikit-learn 实现算法。
[*]使用各种特征选择和特征提取方法。
[*]了解如何开发人脸识别系统。
本书主要内容本书涵盖了机器学习的主要议题。它从数据清理开始，并简要介绍了可视化的情况。本书的第一章讲述了机器学习的介绍、训练和测试、交叉验证和特征选择。第二章介绍了最常见的特征选择技术的算法和实现，如Fisher Discriminant ratio和互信息。第三章向读者介绍了线性回归和梯度下降。后者将被许多算法所使用，这些算法将在本书后面讨论。一些重要的分类技术，如K-近邻、逻辑回归、朴素贝叶斯和线性判别分析，已经在下一章中讨论和实现。接下来的两章集中讨论了神经网络和它们的实现。这两章系统地解释了生物学背景、感知器的局限性和反向传播模型。下一章讨论了支持向量机和核方法。随后是决策树和随机森林的简要概述和实施。最后一章讨论了无监督学习方法的概念，如K-means和光谱聚类。书中给出了用Python实现的方法，因此附录中包括了NumPy、Pandas和Matplotlib的小抄。本书主要特点
[*]了解机器学习的类型。
[*]熟悉不同的特征提取方法。
[*]大致了解神经网络算法的工作原理。
[*]了解如何实施决策树和随机森林模型。
[*]这本书不仅解释了分类算法，还讨论了偏差/数学建模。
很好，不差书了，有书可以 看了
页:
[1]