[Подлинное] Питон и машинное обучение фактические деревья -интегрированное обучение, поддержка векторных машин и богов
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Выбор редактора
Оборудование и код принимают во внимание, объединяют теорию и практику
Очень богат:7Пиранопический алгоритм,50Внедрение DUAN,55Элита, общая сумма кода5295ОК, всеобъемлющий и не избыточный
Очень твердое: основное содержание классического и эффективного алгоритма машинного обучения получает довольно подробную производную
Очень применяется: используйте теорию, которая будет использоваться на местахPythonЗаписан код, который может решить определенные задачи
Очень резание: повествованиеTensorFlowрамка,Inception-v3 from Google, Пожилые технологии, такие как обучение в переезде
Краткое содержание
PythonЭто так широко с темой машинного обучения.Что касается машинного обучения, его область включает, но не ограничивается следующим образом: обучение надзору (Supervised Learning), Неконтролируемое обучение (Unsupervised Learning) И полу -супервизионное обучение (Semi-Supervised LearningК.Конкретные проблемы могут быть примерно разделены на две категории: проблемы классификации (Classification) И проблема регрессии (RegressionК.
PythonЕсть много третьих партийных библиотек для машинного обучения, но »PythonСражение с машинным обучением: подробное объяснение деревьев решений, интегрированного обучения, поддержки векторной машины и алгоритма нейронной сети «будет использоваться только в большинстве случаевNumpyЭта базовая библиотека научных расчетов реализована для кода алгоритма.Цель этого состоит в том, чтобы надеяться, что читатели могут лучше понять детали алгоритмов машинного обучения в процессе реализации и понятьNumpyРазличные приложения.Но как дополнение "PythonБудет применяться подробное объяснение деревьев решений, интегрированного обучения, поддержки векторной машины и алгоритма нейронной сети ».scikit-learnМодель в этой зрелой третьей части библиотеки.
"" "" "PythonСразитесь с машинным обучением: подробное объяснение деревьев, принимающих решения, интегрированного обучения, поддержки векторной машины и алгоритма нейронной сети «подходит для студентов и практиков, которые хотят знать о традиционных алгоритмах машинного обучения и хотят знать, как эффективно реализовать программисты, и хочу знать, как алгоритм машинного обучения может быть применен для приложений, менеджеров и т. Д.
Amatalize записывать
Первый1главаPythonНачните с машинным обучением 1
1.1 Контент машинного обучения 1
1.1.1 Что такое машинное обучение 2
1.1.2 Общий термин машинное обучение 3
1.1.3 Важность машинного обучения 6
1.2 Жизнь короткая, я используюPython 7
1.2.1 Почему выбираютPython 7
1.2.2 PythonПреимущества в области машинного обучения 8
1.2.3 AnacondaУстановка и использование 8
1.3 Первый образец машинного обучения 12
1.3.1 Получить и обрабатывать данные 13
1.3.2 Выберите и тренируйте модель 14
1.3.3 Оценка и визуальные результаты 15
1.4 краткое содержание главы 17
Первый2Чжан Байес Классификатор 18
2.1 Байесовская школа 18
2.1.1 Байесовская школа и частотная школа 19
2.1.2 Байесовская теория решений 19
2.2 Оценка параметров 20
2.2.1 Большая оценка вероятности (MLоценивать) 21
2.2.2 Отличная оценка вероятности (тест вероятности (MAPоценивать) 22
2.3 Парк Байес 23
2.3.1 Строительство заявления об алгоритме и базовой архитектуры 23
2.3.2 MultinomialNBРеализация и оценка 31
2.3.3 GaussianNBРеализация и оценка 40
2.3.4 MergedNBРеализация и оценка 43
2.3.5 Векторизация алгоритма 50
2.4 Просто байесовский и байесовский.com 53
2.4.1 Просто Байес 53
2.4.2 Bayez.com 54
2.5 Связанная математическая теория 55
2.5.1 Байесовская формула и вероятность пост -теста 55
2.5.2 Одноразовый простой байесовский алгоритм 56
2.5.3 Парк Байеса и Байесовское решение - 58
2.6 краткое содержание главы 59
Первый3Глава дерево решений 60
3.1 Информация данных 60
3.1.1 Профиль 61
3.1.2 Неопределенность 61
3.1.3 Информационная выгода 65
3.1.4 Генерация дерева решений 68
3.1.5 Связанная реализация 77
3.2 Переживание и обрезка 92
3.2.1 ID3,C4.5Разветвленный алгоритм 93
3.2.2 CARTРезать 100
3.3 Оценка и визуализация 103
3.4 Связанная математическая теория 111
3.5 краткое содержание главы 113
Первый4Чжан интегрированное обучение 114
4.1 “интегрированный”подумал о 114
4.1.1 Толпа 115
4.1.2 BaggingСо случайным лесом 115
4.1.3 PACСтруктура иBoosting 119
4.2 Случайный лесной алгоритм 120
4.3 AdaBoostалгоритм 124
4.3.1 AdaBoostАлгоритм заявление 124
4.3.2 Выбор слабых моделей 126
4.3.3 AdaBoostРеализация 127
4.4 Анализ производительности интегрированных моделей 129
4.4.1 Производительность на случайном наборе данных 130
4.4.2 Выражения на разных наборах данных 131
4.4.3 Производительность в спиральном наборе данных 134
4.4.4 Производительность на наборах данных грибов 136
4.5 AdaBoostОбъяснение алгоритмов 138
4.6 Связанная математическая теория 139
4.6.1 Опыт функции распределения 139
4.6.2 AdaBoostСтупень 140
4.7 краткое содержание главы 142
Первый5Глава векторной машины 144
5.1 Модель машины восприятия 145
5.1.1 Стратегия линейного расщепления и восприятия машины 145
5.1.2 Алгоритм машины восприятия 148
5.1.3 Формы пары алгоритмов работы машины 151
5.2 От воспринимающей машины до поддержки векторной машины 153
5.2.1 Максимизировать интервал и линейныйSVM 154
5.2.2 SVMОборудование алгоритма 158
5.2.3 SVMОбучение 161
5.3 От линейности до нектатического 163
5.3.1 Краткое описание 163
5.3.2 Применение ядерных навыков 166
5.4 Многословная векторная регрессия 180
5.4.1 Один -multi -method (One-vs-RestПолем 180
5.4.2 Один -один метод (One-vs-OneПолем 181
5.4.3 Есть бестронный метод диаграммы (Directed Acyclic Graph MethodПолем 181
5.4.4 Поддержка вектора возврата (Support Vector RegressionПолем 182
5.5 Связанная математическая теория 183
5.5.1 Метод падения градиента 183
5.5.2 Лабрангри 185
5.6 краткое содержание главы 187
Первый6Глава нейронная сеть 188
6.1 От воспринимающего машины до мультислойной машины восприятия 189
6.2 Предстоящий 192
6.2.1 Обзор алгоритма 193
6.2.2 Функция активации (Activation FunctionПолем 195
6.2.3 Потерянная функция (Cost FunctionПолем 199
6.3 Алгоритм обратной связи 200
6.3.1 Обзор алгоритма 200
6.3.2 Выбор функции потери 202
6.3.3 Связанная реализация 205
6.4 Специальная структура слоя 211
6.5 Обновление параметров 214
6.5.1 Vanilla Update 217
6.5.2 Momentum Update 217
6.5.3 Nesterov Momentum Update 219
6.5.4 RMSProp 220
6.5.5 Adam 221
6.5.6 Factory 222
6.6 Простая сетевая структура 223
6.7 “Большие данные”Структура сети 227
6.7.1 Партиями (Batch) Мысль 228
6.7.2 Перекрестная проверка 230
6.7.3 индикатор 231
6.7.4 Таймер 233
6.8 Связанная математическая теория 235
6.8.1 BPРазработка алгоритмов 235
6.8.2 Softmax + log-likelihoodкомбинация 238
6.9 краткое содержание главы 240
Первый7Главы сверточной нейронной сети 241
7.1 отNNприезжатьCNN 242
7.1.1 “Зрение”Обмен 242
7.1.2 Предстоящий 243
7.1.3 Полный слой соединения (Fully Connected LayerПолем 250
7.1.4 Бассейнизация (PoolingПолем 251
7.2 воспользоватьсяTensorFlowПереписатьNN 252
7.2.1 Алгоритм обратной связи 252
7.2.2 ПереписатьLayerсостав 253
7.2.3 осознатьSubLayerсостав 255
7.2.4 ПереписатьCostLayerсостав 261
7.2.5 Переписать структуру сети 262
7.3 ВоляNNРасширение наCNN 263
7.3.1 Реализовать сверточный слой 263
7.3.2 Уровень реализации 266
7.3.3 осознатьCNNСпециальная структура слоев в Китае 267
7.3.4 осознатьLayerFactory 268
7.3.5 Расширить структуру сети 270
7.4 CNNПроизводительность 272
7.4.1 описание проблемы 272
7.4.2 СтроитьCNNМодель 273
7.4.3 Модельный анализ 280
7.4.4 приложениеCNNМетоды 283
7.4.5 Inception 286
7.5 краткое содержание главы 289
ПриложениеAPythonначиная 290
ПриложениеBNumpyначиная 303
ПриложениеCTensorFlowначиная 310
раньше слова
сAlphaGoсуществовать2016Год3После победы над главным мастером человеческого хода, Ли Шиши,“искусственный интеллект”“Глубокое обучение”Этот тип словаря вошел в вид общественности;——“Машинное обучение”Тогда это стало очень горячей темой от научных кругов до промышленности.Многие люди могут захотеть испытать это“Машинное обучение”Можно сказать, что это довольно волшебно, но может быть трудно понять, как начать.Целью составления этой книги является представление вводного метода машинного обучения.Хотя на рынке уже есть много книг по машинному обучению, большинство из них либо слишком теоретические, либо слишком чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезмерно чрезвычайно чрезмерно чрезвычайно чрезмерно чрезвычайно чрезмерно чрезвычайно чрезмерно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезмерно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно слишком чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно чрезвычайно Ly чрезмерно“Тяжелый”Эта книга привержена объединению теории с практикой, и, рассказывая теории,PythonЭтот краткий и мощный язык программирования проводит серию практики и применения.
Конечно, из-за уровня автора некоторые модели, реализованные в этой книге, будут намного медленнее с точки зрения скорости, чем те, которые реализованы в зрелых сторонних библиотеках.С одной стороны, это связано с тем, что базовый язык часто используется для реализации основных алгоритмов, стоящих за лучшими сторонними библиотеками, а с другой стороны, эта книга обычно охватывает процесс предварительной обработки данных в модели.Принимая модель дерева решений в качестве примера,scikit-learnМодель дерева принятия решений будет намного быстрее, чем реализация этой книги, но модель, реализованная в этой книге, может быть использованаscikit-learnУчебный набор, который не обучен модели дерева решений, обучен тренироваться.
В то же время, из -за ограничений пространства, эта книга не может выпустить весь код (на самом деле, это не очень значимо), поэтому мы пропустим некоторые относительно скучные реализации, которые не связаны с основными идеями соответствующего алгоритма.Для этих реализаций мы предоставим соответствующие описания алгоритма.GitHubПроверьте версию собственной версии автора выше (GitHubАдрес будет размещен в соответствующем месте).Весь код, участвующий в этой книгеhttps://github.com/carefree0910/machinelearningЯ также рекомендую загрузить содержимое этой ссылки, прежде чем читать эту книгу в качестве ссылки.В конце концов, даже после окончания этой книги автор все еще будет оптимизировать и обновлять соответствующий алгоритм в приведенных выше ссылках время от времени, и эти обновления не могут быть отражены в этой книге.
Хотя действительно возможно полностью игнорировать теории и использовать машинное обучение для решения многих проблем, надежная теоретическая основа имеет важное значение, если вы хотите понять истину, стоящую за ней, и использовать ее для повышения эффективности решения проблем.Эта книга будет пытаться избежать перечисления скучных математических формул, но основные формулы часто являются незаменимыми.Хотя автор хочет быть легким для того, чтобы понять как можно больше, он все равно требует, чтобы читатели обладали определенными математическими знаниями.Однако для того, чтобы иметь хороший опыт чтения, эта книга обычно ставит более утомительные математические теории и связанные с ним вычеты в предпоследней части каждой главы (последний раздел является кратким) как смысл“Дополнительный контент”ПолемЕсть несколько преимуществ, чтобы сделать это:
Для читателей, которые знакомы с соответствующими теориями, вы больше не можете смотреть на одно и то же неоднократно;
Для читателей, которые хотят знать только все виды идей, алгоритмов и реализации машинного обучения, вы можете избежать принятия ненужных знаний;
Для читателей, которые хотят понять правду и логику машинного обучения, может быть концентрированное место для обучения.
Характеристики этой книги
Сочетание теории и практики, после объяснения теории более подробным и всеобъемлющим объяснением, будет сопровождаться соответствующим кодом, чтобы углубить понимание читателя соответствующего алгоритма.
Каждая глава будет иметь множество примеров, позволяющих читателям применять идеи и модели, объясненные в этой книге к практическим задачам.
Охватывая многие алгоритмы классического машинного обучения, он также охватывает множество последних результатов исследований (таких как сверточная нейронная сеть, описанная в последней главе (последняя главаCNN) Можно сказать, что это много“Глубокое обучение”основание).
Большая часть вовлеченной модельной реализации основана только на линейной алгебре (Numpy) Не полагается на более продвинутые библиотеки третьих сторон, читателям не нужно пониматьPythonЛюбой в третьей партийной библиотеке огромного моря может прочитать код этой книги.
Содержание этой книги
Первый1глава PythonНачните с машинным обучением
В этой главе представлены концепция машинного обучения и некоторые основные термины, такие как способность обобщения, перегадка и риск опыта (ERM) Структура риска (SRM) Подождите, я также представил, как его установить и использоватьAnacondaЭтотPythonНаучная операция.В то же время мы решили небольшую проблему машинного обучения.Хотя в этой главе не так много содержания, можно сказать, что оно является основой всего содержимого этой книги.
Первый2глава Байесовский классификатор
Как школа, которая больше знакома с нами, мысли байесовской школы весьма интригуют и достойны исследования и опыта.Эта глава в основном представит простой Байесс Байесия классическому применению байесовского решения.Чтобы преодолеть недостатки простых байесовских предположений, эта глава будет кратко введена.
Первый3глава Древо решений
Дерево решений можно сказать, что является одной из самых интуитивных моделей машинного обучения.Обучающие идеи дерева решений просты, и сама модель можно интерпретировать.
Первый4глава Интегрированное обучение
Действительно называется“Три вонючих кожаных ремесленника, которую играет Жуэх Лян”ПолемДва основных раздела интегрированного обучения“Bootstrap”и“Boosting”Соответствующая основная модель——“Случайный лес (Random ForestПолем”и“AdaBoost”Это лучшее объяснение этого общего высказывания.При представлении соответствующих теорий и реализаций, в этой главе будут анализироваться некоторые свойства обучения ансамблям через значительное количество примеров.
Первый5глава Поддержка векторных машин
Поддержка векторной машины (SVM) Имеет очень блестящую историю, и набор математических теорий, стоящих за ней, довольно глубоко и математический.“Внезапно выступает”Раньше он занимал очень важную позицию.Эта глава будет пытаться прояснить идеи о поддержке векторных машин и связанных с относительно кратких теориями, и в то же время она будет отражать преимущества векторных машин поддержки посредством некоторых сравнений.
Первый6глава Нейронные сети
Можно сказать, что нейронная сеть стала в наше время“Привычный”Слово «Is» сделало много людей, которые впервые слышали о своем названии (включая автора), полные фантазий об этом.Хотя вывод алгоритмов нейронной сети кажется сложным“Пугающий”, но используемые знания не являются глубокими.В этой главе будут представлены два основных алгоритма в нейронных сетях очень подробно—“Предстоящий”и“Алгоритм обратной связи”и также представит много основных“Метод обновления параметров”ПолемКроме того, в этой главе также упоминается, как“Большие данные”Улучшить и оптимизировать нашу модель нейронной сети (этот набор идей может быть обобщен в других моделях машинного обучения).
Первый7глава сверточная нейронная сеть
Свещательные нейронные сети являются инфраструктурой многих глубоких обучения, и это может рассматриваться как расширение нейронных сетей.Мысли о сверточных нейронных сетях имеют хорошую биологию интуитивно понятной и подходящей для обработки структурных данных.В то же время, используя модели зрелых сверточных нейронных сети, мы можем лучше выполнить многие задачи, которые имеют некоторые трудности и довольно интересные;“Классификация изображений”Задача, предложите относительно подробное решение.
Эта книга от мелкой до глубокой теории и практики сосуществует, и в то же время теория также была разумно классифицирована;
Подходит для читателей, которые читают эту книгу
Студенты, учителя, практики и т. Д., Которые хотят понять детали некоторых традиционных алгоритмов машинного обучения.
Хочу знать, что“Начните с нуля”Программисты, которые эффективно реализуют алгоритмы машинного обучения.
Хотите понять, как алгоритм машинного обучения может быть применен к приложению.
Если вы заинтересованы в машинном обучении и хотите начать.
Редактор он юцзиан