¥38.66 42.00

内容提要

本书内容涵盖机器学习基础知识的各个方面。全书分 为10章。 ～3章介绍机器学习的基础知识和数学基础； 第4～8章介绍常用的有监督学习算法；第9章介绍常见的无 监督学习算法，讨论聚类算法和PCA降维算法的相关知识； 0章介绍关联算法，并对Apriori算法、FP－growth算 法的原理进行详细阐述。 本书适合普通高等院校非计算机专业开设人工智能基 础应用相关课程的教师和学生使用，也适合准备成为数据 挖掘工程师的相关人员参考。

目录

第1章 绪论
1.1 机器学习与人工智能概述
1.1.1 人工智能的发展历程
1.1.2 人工智能的四个要素
1.1.3 人工智能与机器学习
1.2 我国人工智能行业发展现状
1.3 机器学习的发展历程
1.4 机器学习的应用
第2章 机器学习基本概念
2.1 机器学习的定义
2.2 机器学习的任务
2.2.1 有监督学习
2.2.2 无监督学习
2.2.3 半监督学习
2.2.4 强化学习
2.3 机器学习中的常用术语
2.4 偏差与方差
2.5 机器学习的工作流程
2.6 Scikit-Learn
2.6.1 Scikit-Learn简介
2.6.2 Scikit-Learn的安装
2.6.3 Scikit-Learn的使用
第3章 机器学习的数学基础
3.1 线性代数
3.1.1 标量、向量、矩阵和张量
3.1.2 矩阵和向量相乘
3.1.3 向量内积
3.1.4 向量外积
3.1.5 行列式和迹
3.2 概率论
3.2.1 离散随机变量
3.2.2 数学期望
3.2.3 二维离散随机变量和统计独立性
3.2.4 二维随机变量函数的数学期望
3.2.5 条件概率
3.2.6 全概率公式和贝叶斯公式
3.2.7 随机向量
3.2.8 期望值、均值向量和协方差矩阵
3.2.9 连续型随机变量
3.3 基尼指数和熵
3.3.1 基尼指数
3.3.2 熵
第4章 线性回归
4.1 线性回归模型
4.1.1 回归问题
4.1.2 线性回归模型实例
4.2 小二乘法
4.2.1 小二乘法的求解过程
4.2.2 线性回归算法的实现
4.2.3 用Scikit-Learn实现线性回归