定 價：￥79.00
| 作 者： | 譚貞軍 |
| 出版社： | 清華大學(xué)出版社 |
| 叢編項(xiàng)： | |
| 標(biāo) 簽： | 暫缺 |
| ISBN： | 9787302599487 | 出版時間： | 2022-04-01 | 包裝： | |
| 開本： | 16開 | 頁數(shù)： | 字?jǐn)?shù)： |
第1 章 人工智能與Scikit-Learn 簡介 1
\n1.1 人工智能技術(shù)的興起 2
\n1.1.1 人工智能介紹 2
\n1.1.2 人工智能的研究領(lǐng)域 2
\n1.1.3 和人工智能相關(guān)的幾個重要概念 3
\n1.1.4 人工智能的兩個重要發(fā)展階段 4
\n1.2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 4
\n1.2.1 機(jī)器學(xué)習(xí) 5
\n1.2.2 深度學(xué)習(xí) 5
\n1.2.3 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別 6
\n1.3 初步認(rèn)識Scikit-Learn 7
\n1.3.1 Scikit-Learn 介紹 7
\n1.3.2 使用pip 安裝Scikit-Learn 7
\n1.3.3 使用Anaconda 安裝Scikit-Learn 8
\n1.3.4 解決速度過慢的問題 9
\n1.4 準(zhǔn)備開發(fā)工具 10
\n第2 章 加載數(shù)據(jù)集 11
\n2.1 標(biāo)準(zhǔn)數(shù)據(jù)集API 12
\n2.1.1 波士頓房價數(shù)據(jù)集（適用于回歸任務(wù)） 12
\n2.1.2 威斯康星州乳腺癌數(shù)據(jù)集（適用于分類問題） 13
\n2.1.3 糖尿病數(shù)據(jù)集（適用于回歸任務(wù)） 13
\n2.1.4 手寫數(shù)字?jǐn)?shù)據(jù)集（適用于分類任務(wù)） 14
\n2.1.5 Fisher 的鳶尾花數(shù)據(jù)集（適用于分類問題） 15
\n2.1.6 紅酒數(shù)據(jù)集（適用于分類問題） 15
\n2.2 自定義數(shù)據(jù)集 16
\n2.2.1 生成聚類數(shù)據(jù) 16
\n2.2.2 生成同心圓樣本點(diǎn) 17
\n2.2.3 生成模擬分類數(shù)據(jù)集 18
\n2.2.4 生成太極型非凸集樣本點(diǎn) 19
\n第3 章 監(jiān)督學(xué)習(xí) 21
\n3.1 廣義線性模型 22
\n3.1.1 普通最小二乘法 22
\n3.1.2 嶺回歸 24
\n3.1.3 Lasso 回歸 25
\n3.2 線性判別分析和二次判別分析 27
\n3.2.1 使用線性判別分析來降維 28
\n3.2.2 LDA 和QDA 分類器的數(shù)學(xué)公式 30
\n3.2.3 收縮 30
\n3.3 內(nèi)核嶺回歸 32
\n3.4 支持向量機(jī) 33
\n3.4.1 分類 34
\n3.4.2 回歸 36
\n3.4.3 密度估計(jì)和異常檢測 38
\n3.5 隨機(jī)梯度下降 39
\n3.5.1 分類 40
\n3.5.2 回歸 42
\n3.5.3 稀疏數(shù)據(jù)的隨機(jī)梯度下降 42
\n第4 章 無監(jiān)督學(xué)習(xí) 49
\n4.1 高斯混合模型 50
\n4.1.1 高斯混合 50
\n4.1.2 變分貝葉斯高斯混合 53
\n4.2 流形學(xué)習(xí) 55
\n4.3 聚類 57
\n4.3.1 KMeans 算法 57
\n4.3.2 MiniBatchKMeans 算法 60
\n4.4 雙聚類 62
\n4.4.1 譜聚類算法 63
\n4.4.2 光譜聯(lián)合聚類算法 66
\n第5 章 模型選擇和評估 69
\n5.1 交叉驗(yàn)證：評估估算器的表現(xiàn) 70
\n5.1.1 計(jì)算交叉驗(yàn)證的指標(biāo) 71
\n5.1.2 交叉驗(yàn)證迭代器 75
\n5.2 調(diào)整估計(jì)器的超參數(shù) 76
\n5.2.1 網(wǎng)格追蹤法：窮盡的網(wǎng)格搜索 77
\n5.2.2 隨機(jī)參數(shù)優(yōu)化 80
\n5.3 模型評估: 量化預(yù)測的質(zhì)量 82
\n5.3.1 得分參數(shù)scoring ：定義模型評估規(guī)則 83
\n5.3.2 分類指標(biāo) 85
\n第6 章 數(shù)據(jù)集轉(zhuǎn)換 89
\n6.1 Pipeline（管道）和 FeatureUnion（特征聯(lián)合） 90
\n6.1.1 Pipeline ： 鏈?zhǔn)皆u估器 90
\n6.1.2 FeatureUnion（特征聯(lián)合）：特征層 93
\n6.2 特征提取 95
\n6.2.1 從字典類型加載特征 95
\n6.2.2 特征哈希 96
\n6.2.3 提取文本特征 97
\n6.2.4 提取圖像特征 99
\n6.3 預(yù)處理數(shù)據(jù) 102
\n6.3.1 標(biāo)準(zhǔn)化處理 102
\n6.3.2 非線性轉(zhuǎn)換 103
\n6.4 無監(jiān)督降維 106
\n6.4.1 PCA ：主成分分析 106
\n6.4.2 隨機(jī)投影 110
\n第7 章 實(shí)現(xiàn)大數(shù)據(jù)計(jì)算 117
\n7.1 計(jì)算擴(kuò)展策略 118
\n7.1.1 使用外核學(xué)習(xí)實(shí)例進(jìn)行拓展 118
\n7.1.2 使用外核方法進(jìn)行分類 119
\n7.2 計(jì)算性能 129
\n7.2.1 預(yù)測延遲 129
\n7.2.2 預(yù)測吞吐量 137
\n第8 章 英超聯(lián)賽比分預(yù)測系統(tǒng)（Matplotlib+Scikit-Learn+Flask+Pandas） 143
\n8.1 英超聯(lián)賽介紹 144
\n8.2 系統(tǒng)模塊介紹 144
\n8.3 數(shù)據(jù)集 144
\n8.3.1 獲取api-football 密鑰 145
\n8.3.2 獲取數(shù)據(jù) 145
\n8.3.3 收集最新數(shù)據(jù) 150
\n8.4 特征提取和數(shù)據(jù)可視化 152
\n8.4.1 提取數(shù)據(jù) 153
\n8.4.2 數(shù)據(jù)可視化 154
\n8.5 模型選擇和訓(xùn)練 161
\n8.5.1 機(jī)器學(xué)習(xí)函數(shù) 161
\n8.5.2 數(shù)據(jù)降維 172
\n8.5.3 MLP 神經(jīng)網(wǎng)絡(luò) 175
\n8.6 模型評估 178
\n8.6.1 近鄰模型和混淆矩陣模型 179
\n8.6.2 隨機(jī)森林模型和混淆矩陣模型 186
\n8.6.3 SVM 模型和混淆矩陣模型 190
\n8.7 Web 可視化 197
\n8.7.1 獲取預(yù)測數(shù)據(jù) 197
\n8.7.2 Flask Web 主頁 200
\n第9 章 AI 考勤管理系統(tǒng)（face-recognition+Matplotlib+Django+Scikit-Learn+Dlib） 203
\n9.1 背景介紹 204
\n9.2 系統(tǒng)需求分析 204
\n9.2.1 可行性分析 204
\n9.2.2 系統(tǒng)操作流程分析 204
\n9.2.3 系統(tǒng)模塊設(shè)計(jì) 204
\n9.3 系統(tǒng)配置 205
\n9.3.1 Django 配置文件 205
\n9.3.2 路徑導(dǎo)航文件 206
\n9.4 用戶注冊和登錄驗(yàn)證 207
\n9.4.1 登錄驗(yàn)證 207
\n9.4.2 添加新用戶 208
\n9.4.3 設(shè)計(jì)數(shù)據(jù)模型 210
\n9.5 采集照片和機(jī)器學(xué)習(xí) 210
\n9.5.1 設(shè)置采集對象 210
\n9.5.2 采集照片 212
\n9.5.3 訓(xùn)練照片模型 214
\n9.6 考勤打卡 216
\n9.6.1 上班打卡簽到 216
\n9.6.2 下班打卡 218
\n9.7 可視化考勤數(shù)據(jù) 220
\n9.7.1 統(tǒng)計(jì)最近兩周員工的考勤數(shù)據(jù) 220
\n9.7.2 查看本人在指定時間段內(nèi)的考勤信息 225
\n9.7.3 查看某員工在指定時間段內(nèi)的考勤信息 229
\n第10 章 實(shí)時電影推薦系統(tǒng)（Scikit-Learn+Flask+Pandas） 233
\n10.1 系統(tǒng)介紹 234
\n10.1.1 背景介紹 234
\n10.1.2 推薦系統(tǒng)和搜索引擎 234
\n10.1.3 項(xiàng)目介紹 235
\n10.2 系統(tǒng)模塊 235
\n10.3 數(shù)據(jù)采集和整理 235
\n10.3.1 數(shù)據(jù)整理 236
\n10.3.2 電影詳情數(shù)據(jù) 239
\n10.3.3 提取電影特征 247
\n10.4 情感分析和序列化操作 252
\n10.5 Web 端實(shí)時推薦 253
\n10.5.1 Flask 啟動頁面 253
\n10.5.2 模板文件 256
\n10.5.3 后端處理 263
\n
鄂公網(wǎng)安備 42010302001612號 