电子工业出版社-网上书店

本书以Python为主要编程语言，致力于帮助读者深入了解机器学习的核心概念与理论，并通过实际项目实践加深对概念的理解。首先，本书从机器学习的基础概念开始，介绍了常见的典型线性模型、前馈神经网络、卷积神经网络、循环神经网络和图神经网络等算法。通过清晰的实例和案例，读者可以逐步掌握回归、分类、聚类等机器学习任务的关键原理和技术。随后，本书着重介绍项目实践，通过机器学习模型的应用案例，引导读者将理论知识转化为实际项目，包括数据清理、特征工程、模型选择和调优等内容。本书强调实用性，涵盖各种常见的机器学习库和框架。通过实例演示和代码示范，读者可以迅速入门，并在实际项目中灵活运用。此外，本书关注新的机器学习趋势和发展，包括深度学习、自然语言处理和计算机视觉等热门领域，读者阅读本书能够了解行业内新的技术进展，为学习和职业发展保持敏锐的洞察力。本书既可作为高等学校大学计算机类课程的教材，也可作为机器学习项目实践培训或自学教材，还可作为广大初级、中级计算机用户的自学参考书。

第1章  绪论	1
1.1  引言	1
1.2  概念	4
1.2.1  什么是机器学习	4
1.2.2  机器学习的流程	5
1.2.3  机器学习模型的分类	6
1.2.4  机器学习应用领域介绍	7
1.3  常用术语	9
1.3.1  假设函数和损失函数	9
1.3.2  拟合、过拟合和欠拟合	10
1.4  机器学习环境构建和常用工具	11
1.4.1  Python	11
1.4.2  Anaconda+ Jupyter Notebook	12
1.4.3  NumPy	14
1.4.4  Matplotlib	15
1.4.5  Pandas	16
1.4.6  Scikit-learn	16
1.4.7  PyTorch	17
第2章  机器学习基础概念	22
2.1  相关数学概念	23
2.1.1  线性代数	23
2.1.2  微分	26
2.1.3  概率	28
2.2  数据特征表示	28
2.2.1  数据特征	28
2.2.2  特征工程和特征学习	29
2.3  评价指标	32
2.4  损失函数	37

第3章  典型线性模型	40
3.1  线性回归模型	40
3.1.1  线性回归的概念	40
3.1.2  线性回归模型的代码实现	42
3.2  逻辑回归模型	45
3.2.1  逻辑回归的概念	45
3.2.2  逻辑回归模型的代码实现	46
3.3  朴素贝叶斯模型	49
3.3.1  朴素贝叶斯的概念	49
3.3.2  朴素贝叶斯模型的代码
实现	52
3.4  决策树模型	53
3.4.1  决策树的概念	53
3.4.2  决策树模型的代码实现	56
3.5  支持向量机模型	60
3.5.1  支持向量机的概念	60
3.5.2  支持向量机模型的代码实现	63
3.6  KNN模型	65
3.6.1  KNN的概念	65
3.6.2  KNN模型的代码实现	67
3.7  随机森林模型	70
3.7.1  随机森林的概念	70
3.7.2  随机森林模型的代码实现	71
第4章  前馈神经网络	73
4.1  神经元与感知机	74
4.2  激活函数	76
4.2.1  Sigmoid函数	77
4.2.2  Tanh函数	78

4.2.3  ReLU函数	78
4.2.4  Swish函数	81
4.2.5  Maxout函数	82
4.2.6  Softplus函数	83
4.2.7  Softmax函数	83
4.3  前馈神经网络结构	84
4.3.1  通用近似定理	85
4.3.2  应用到机器学习	86
4.3.3  参数学习	87
4.4  反向传播算法	88
4.5  梯度计算	91
4.5.1  数值微分	91
4.5.2  符号微分	92
4.5.3  自动微分	92
4.6  网络优化	95
4.6.1  优化问题	95
4.6.2  优化算法	97
4.7  前馈神经网络应用实例	98
第5章  卷积神经网络	102
5.1  卷积运算	103
5.1.1  一维卷积	103
5.1.2  二维卷积	104
5.1.3  卷积的变种	105
5.2  卷积神经网络结构	107
5.2.1  输入层	107
5.2.2  卷积层	108
5.2.3  池化层	110
5.3  参数学习	112
5.4  几种典型的卷积神经网络	112
5.4.1  LeNet-5	112
5.4.2  AlexNet	113
5.4.3  VGG网络	115
5.4.4  ResNet	115
5.4.5  Inception网络	116
5.5  应用实例：基于卷积神经网络
的人脸识别	117
5.5.1  人脸数据采集	118
5.5.2  图像预处理	119
5.5.3  加载图像	120
5.5.4  模型搭建	120
5.5.5  识别与验证	126
第6章  循环神经网络	128
6.1  循环神经网络概念	129
6.2  循环神经网络结构	130
6.3  长距离依赖与参数学习	132
6.3.1  长距离依赖	132
6.3.2  参数学习	133
6.4  基于门控的循环神经网络	137
6.4.1  LSTM网络	137
6.4.2  LSTM网络的变体	139
6.4.3  GRU网络	140
6.5  深度循环神经网络	141
6.6  应用实例：基于循环神经网络
的语言模型	142
6.6.1  定义模型	142
6.6.2  训练模型	144
第7章  图神经网络	146
7.1  图的定义与术语	146
7.2  图神经网络结构	149
7.3  图神经网络常用模型	152
7.3.1  GCN模型	152
7.3.2  GGNN模型	154
7.3.3  GAT模型	156
7.4  图神经网络应用实例	158
7.4.1  数据集及预处理	158
7.4.2  图卷积层定义	162
7.4.3  模型定义	164
7.4.4  模型训练	164
第8章  机器学习模型的应用	168
8.1  Transformer应用	168
8.1.1  自注意力机制	169
8.1.2  位置编码模块	170
8.1.3  模型框架	170
8.1.4  模型代码	173
8.2  REPVGG应用	181
8.2.1  模型框架	181
8.2.2  结构重参化	183
8.2.3  模型代码	185
8.3  基于前馈神经网络的方面级
情感三元组提取	192

8.3.1  模型框架	193
8.3.2  模型训练	199
8.3.3  数据集	202
8.3.4  结果测试	203
8.4  国内机器学习开源平台	205

尊敬的读者，很高兴你能看到这本机器学习教材！机器学习是一门迅速发展的科学，它已经在各个行业产生了深远的影响，从医疗保健到金融、交通、娱乐等。通过机器学习，我们可以让计算机从数据中学习和发现模型，从而提供有关未来的预测和决策。
本书的目标是为读者提供一种全面的介绍，从基本概念到高级技术，帮助读者理解和应用机器学习。无论是学生、研究人员，还是工业界的专业人士，我们相信本书都会为你提供丰富的知识和实践经验。
我们假设读者已经具备一定的数学和编程基础，尽管如此，我们仍会尽力使用简单的语言和直观的示例来解释复杂的概念，以确保尽可能多的读者都能从本书中受益。
机器学习的核心思想是让计算机通过学习数据来改进性能。本书介绍了各种机器学习算法和技术，如监督学习、无监督学习、强化学习等；介绍了常用的机器学习模型，如线性回归、决策树、支持向量机、神经网络等，并讨论了它们的原理、优缺点及适用场景。此外，本书还介绍了机器学习的关键概念，如特征工程、模型评估与选择、过拟合与欠拟合等。本书讨论了数据预处理和特征选择的技术，以及交叉验证和调参的方法，还讨论了如何处理不平衡数据、处理缺失值和异常值，以及处理文本、图像和时间序列数据的特殊技术。除理论知识外，本书还提供大量实际案例和实验，帮助读者将所学应用到实际问题中。本书使用流行的机器学习库和工具，如Python的Scikit-learn和PyTorch，来演示实现机器学习模型的实际步骤。
最后，要强调的是，机器学习是一个不断发展的领域，新的算法和技术不断涌现，本书仅能帮助读者入门，我们鼓励读者继续深入学习和探索机器学习的前沿技术。希望本书能够为读者打下坚实的基础，激发读者对机器学习的兴趣，并成为读者在探索和实践中的指南。
本书包含配套教学资源，读者可登录华信教育资源网注册后免费下载。
本书难免存在一些不足之处，敬请读者多提宝贵意见和建议。

作  者

本书配套资源下载

对不起，暂无音视频资源！

Python机器学习与项目实践