新書推薦：
《
存在与结构：精神分析的法国转向——以拉康与萨特为中心
》
售價：HK$
52.8
《
生成式人工智能：AIGC与多模态技术应用实践指南
》
售價：HK$
108.9
《
石油帝国的兴衰：英国的工业化与去工业化
》
售價：HK$
97.9
《
古典的回響：溪客舊廬藏明清文人繪畫
》
售價：HK$
437.8
《
根源、制度和秩序：从老子到黄老学（王中江著作系列）
》
售價：HK$
121.0
《
索恩丛书·北宋政治与保守主义：司马光的从政与思想（1019~1086）
》
售價：HK$
75.9
《
掌故家的心事
》
售價：HK$
85.8
《
农为邦本——农业历史与传统中国
》
售價：HK$
74.8
|
| 內容簡介： |
|
《统计机器学习及Python实现》主要介绍统计机器学习领域常用的基础模型、算法和代码实现。包括统计机器学习、Python语言基础，常用的线性回归、贝叶斯分类器、逻辑回归、SVM、核方法、集成学习，以及深度学习中的多层感知器、卷积神经网络、循环神经网络、变分自编码器、对抗生成网络和强化学习等模型与优化方法，使用Scikit-Learn、TensorFlow和PyTorch定制模型与训练等。
|
| 目錄：
|
|
目录前言第1章 引言 11.1 问题驱动 11.2 统计机器学习的基本任务 21.3 统计机器学习的总体目标和样本策略 31.3.1 监督学习 41.3.2 无监督学习 81.3.3 基于样本的统计机器学习方法 91.4 Anaconda、TensorFlow 2.0和PyTorch的安装 101.4.1 Anaconda的安装 101.4.2 TensorFlow 2.0的安装 111.4.3 PyTorch的安装 11第2章 线性回归 132.1 一般线性回归模型 132.1.1 基本框架 132.1.2 梯度下降法 142.1.3 性能度量 152.2 多项式回归 152.3 线性回归的正则化方法 182.3.1 线性岭回归 192.3.2 LASSO回归 212.4 线性回归Python实现 24第3章 线性分类器 373.1 概率生成模型 373.2 二分类概率生成模型 383.3 逻辑回归 393.4 Softmax回归 403.5 逻辑回归的限制 413.6 分类任务的Python实现 43第4章 支持向量机 484.1 线性SVM分类器 484.2 线性支持向量回归 514.3 SVM的Python实现 524.3.1 软间隔分类 524.3.2 非线性SVM分类 554.3.3 支持向量回归的实现 58第5章 核方法 615.1 特征映射 615.2 核函数 635.3 核方法的数学基础 645.3.1 希尔伯特空间 655.3.2 Riesz表示定理 675.3.3 再生核希尔伯特空间 675.4 核技巧 705.5 核方法的Python实现 735.5.1 基于核方法的岭回归和支持向量回归 735.5.2 基于核方法的支持向量分类 76第6章 集成学习 786.1 决策树 786.1.1 决策树的基本概念 786.1.2 决策树的训练 806.2 学习器集成 816.3 Bagging和随机森林 816.3.1 Bagging 816.3.2 随机森林 836.4 Boosting 836.4.1 AdaBoost基本算法 846.4.2 AdaBoost算法的解释 876.4.3 多分类AdaBoost 916.4.4 Boosting的一般梯度下降算法 966.5 集成学习的Python实现 986.5.1 决策树的Python实现 986.5.2 Bagging的Python实现 1006.5.3 随机森林的Python实现 1016.5.4 Boosting的Python实现 102第7章 深度学习的基础 1047.1 前馈神经网络 1047.1.1 感知器模型 1047.1.2 多层感知器及其变体 1077.1.3 BP算法 1107.1.4 回归和分类任务中的MLP 1147.2 利用Keras和TensorFlow实施MLP 1157.2.1 使用Sequential API建立分类器 1167.2.2 使用Functional API构建复杂模型 1237.2.3 使用Subclassing API构建动态模型 1237.2.4 保存和恢复模型 124第8章 卷积神经网络 1268.1 简介 1268.2 CNN的网络架构 126第9章 循环神经网络 1329.1 框架 1329.2 循环层 1329.3 长短期记忆网络 1369.4 基于RNN的时间序列预测 139第10章 无监督学习 14810.1 无监督学习的主要任务 14810.2 自编码器 14910.2.1 栈式自编码器 15010.2.2 变分自编码器 15210.3 GAN 16310.3.1 经典GAN的基本思想 16410.3.2 经典GAN的推广 16810.3.3 WGAN 17010.3.4 条件GAN 17510.4 无监督学习的Python实现 18110.4.1 PyTorch实战基础 18110.4.2 图像分类的PyTorch实现 19110.4.3 VAE的PyTorch实现 19610.4.4 GAN的PyTorch实现 201第11章 深度强化学习 20511.1 深度强化学习的主要任务 20511.2 强化学习的基本概念 20511.2.1 强化学习的基本模型 20611.2.2 价值函数 20711.3 基于策略梯度的深度强化学习 20711.4 基于值函数的深度强化学习 21311.4.1 值函数的估计方法 21311.4.2 Q-Learning 21411.5 Actor-Critic方法 21611.5.1 A2C和A3C方法 21611.5.2 路径导数策略梯度方法 21811.6 强化学习的PyTorch实现 22011.6.1 导入必需的包 22011.6.2 回放内存设置 22211.6.3 获取状态输入 22411.6.4 训练 230参考文献 235
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
