Python与机器学习实战 决策树、集成学习、支持向量机与神经网络算法详解及编程实现2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

Python与机器学习实战 决策树、集成学习、支持向量机与神经网络算法详解及编程实现PDF格式电子书版下载

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

第1章 Python与机器学习入门1

1.1机器学习绪论1

1.1.1什么是机器学习2

1.1.2机器学习常用术语3

1.1.3机器学习的重要性6

1.2人生苦短，我用Python7

1.2.1为何选择Python7

1.2.2 Python在机器学习领域的优势8

1.2.3 Anaconda的安装与使用8

1.3第一个机器学习样例12

1.3.1获取与处理数据13

1.3.2选择与训练模型14

1.3.3评估与可视化结果15

1.4本章小结17

第2章 贝叶斯分类器18

2.1贝叶斯学派18

2.1.1贝叶斯学派与频率学派19

2.1.2贝叶斯决策论19

2.2参数估计20

2.2.1极大似然估计（ML估计）21

2.2.2极大后验概率估计（MAP估计）22

2.3朴素贝叶斯23

2.3.1算法陈述与基本架构的搭建23

2.3.2 MultinomialNB的实现与评估31

2.3.3 GaussianNB的实现与评估40

2.3.4 MergedNB的实现与评估43

2.3.5算法的向量化50

2.4半朴素贝叶斯与贝叶斯网53

2.4.1半朴素贝叶斯53

2.4.2贝叶斯网54

2.5相关数学理论55

2.5.1贝叶斯公式与后验概率55

2.5.2离散型朴素贝叶斯算法56

2.5.3朴素贝叶斯和贝叶斯决策58

2.6本章小结59

第3章 决策树60

3.1数据的信息60

3.1.1信息论简介61

3.1.2不确定性61

3.1.3信息的增益65

3.1.4决策树的生成68

3.1.5相关的实现77

3.2过拟合与剪枝92

3.2.1 ID3.C4.5的剪枝算法93

3.2.2 CART剪枝100

3.3评估与可视化103

3.4相关数学理论111

3.5本章小结113

第4章 集成学习114

4.1“集成”的思想114

4.1.1众擎易举115

4.1.2 Bagging 与随机森林115

4.1.3 PAC框架与Boosting119

4.2随机森林算法120

4.3 AdaBoost算法124

4.3.1 AdaBoost算法陈述124

4.3.2弱模型的选择126

4.3.3 AdaBoost的实现127

4.4集成模型的性能分析129

4.4.1随机数据集上的表现130

4.4.2异或数据集上的表现131

4.4.3螺旋数据集上的表现134

4.4.4蘑菇数据集上的表现136

4.5 AdaBoost算法的解释138

4.6相关数学理论139

4.6.1经验分布函数139

4.6.2 AdaBoost与前向分步加法模型140

4.7本章小结142

第5章 支持向量机144

5.1感知机模型145

5.1.1线性可分性与感知机策略145

5.1.2感知机算法148

5.1.3感知机算法的对偶形式151

5.2从感知机到支持向量机153

5.2.1间隔最大化与线性SVM154

5.2.2 SVM算法的对偶形式158

5.2.3 SVM的训练161

5.3从线性到非线性163

5.3.1核技巧简述163

5.3.2核技巧的应用166

5.4多分类与支持向量回归180

5.4.1一对多方法（One-vs-Rest）180

5.4.2一对一方法（One-vs-One）181

5.4.3有向无环图方法（Directed Acyclic Graph Method）181

5.4.4支持向量回归（Support Vector Regression）182

5.5相关数学理论183

5.5.1梯度下降法183

5.5.2拉格朗日对偶性185

5.6本章小结187

第6章 神经网络188

6.1从感知机到多层感知机189

6.2前向传导算法192

6.2.1算法概述193

6.2.2激活函数（Activation Function）195

6.2.3损失函数（Cost Function）199

6.3反向传播算法200

6.3.1算法概述200

6.3.2损失函数的选择202

6.3.3相关实现205

6.4特殊的层结构211

6.5参数的更新214

6.5.1 Vanilla Update217

6.5.2 Momentum Update217

6.5.3 Nesterov Momentum Update219

6.5.4 RMSProp220

6.5.5 Adam221

6.5.6 Factory222

6.6朴素的网络结构223

6.7“大数据”下的网络结构227

6.7.1分批（Batch）的思想228

6.7.2交叉验证230

6.7.3进度条231

6.7.4计时器233

6.8相关数学理论235

6.8.1 BP算法的推导235

6.8.2 Softmax+log-likelihood组合238

6.9本章小结240

第7章 卷积神经网络241

7.1从NN到CNN242

7.1.1“视野”的共享242

7.1.2前向传导算法243

7.1.3全连接层（Fully Connected Layer）250

7.1.4池化（Pooling）251

7.2利用TensorFlow重写NN252

7.2.1反向传播算法252

7.2.2重写Layer结构253

7.2.3实现SubLayer结构255

7.2.4重写CostLayer结构261

7.2.5重写网络结构262

7.3将NN扩展为CNN263

7.3.1实现卷积层263

7.3.2实现池化层266

7.3.3实现CNN中的特殊层结构267

7.3.4实现LayerFactory268

7.3.5扩展网络结构270

7.4 CNN的性能272

7.4.1问题描述272

7.4.2搭建CNN模型273

7.4.3模型分析280

7.4.4应用CNN的方法283

7.4.5 Inception286

7.5本章小结289

附录A Python入门290

附录B Numpy入门303

附录C TensorFlow入门310