作者：孙成立，赵敏，李持主编
页数：303页
出版社：北京邮电大学出版社
出版日期：2022
ISBN：9787563566549
电子书格式：pdf/epub/txt
内容简介
本教材的主要内容如下所述。绪论：介绍人工智能的概念、特征、发展历史及人工智能、机器学习、深度学习的关系。Python基础：介绍开发环境，包括元组、列表、字典、集合，模块和函数，科学计算库NumPy，数据分析工具Pandas，数据可视化，面向对象编程、Python的GUI程序设计及Python的数据库编程。有监督学习算法：K近邻算法、逻辑回归、决策树、支持向量机等。无监督学习算法：K均值算法、基于密度的扫描聚类、高斯聚类模型、主成分分析。集成学习算法：非强依赖的Bagging和随机森林算法及强依赖的Boosting算法(着重讲解XGBoost算法)。神经网络和深度学习：神经网络基本概念和深度学习基础。
作者简介
孙成立，男，1975 年3 月出生。教授，博士，硕士生导师，南昌航空大学电子信息工程专业负责人，中国电子学会华中地区EDA技术研究会常务理事。北京邮电大学信号与信息处理专业博士，哈尔滨工业大学深圳研究生院博士后，英国谢菲尔德大学访问学者。主要研究方向包括基于深度学习的语音识别、语音增强、声学场景分析方法理论与应用。
目录
绪论
第1章 Python 基础
1.1 开发环境、Python基础知识
1.1.1 开发环境
1.1.2 Python基础知识
1.2 列表、元组、字典、集合
1.3 模块和函数
1.4 科学计算库NumPy
1.5 数据分析工具Pandas
1.6 数据可视化
1.7 面向对象编程、Python的GUI程序设计及Python的数据库编程
第2章 模型评估与选择
2.1 模型的评估方法
2.2 性能度量的方法
2.3 模型的选择与常见模型的优缺点
第3章 K近邻算法
3.1 K近邻算法简介
3.2 K近邻算法API初步使用
3.3 距离度量
3.4 K值的选择
3.5 KNN算法的特点及优势与劣势
3.6 案例
第4章 线性回归
4.1 线性回归简介及数学求导
4.2 线性回归API初步使用
4.3 线性回归的损失和优化
4.4 梯度下降法介绍
4.5 欠拟合与过拟合
4.6 案例
第5章 逻辑回归
5.1 逻辑回归算法简介
5.2 逻辑回归API的初步使用
5.3 案例及分类评估方法
5.4 ROC曲线绘制
第6章 决策树
6.1 决策树算法简介
6.2 决策树分类原理
6.3 CART剪枝
6.4 特征工程及特征提取
6.5 决策树算法API的初步使用
6.6 案例
第7章 支持向量机
7.1 SVM算法简介及SVM算法API的初步使用
7.1.1 基本概念
7.1.2 SVM算法API的初步使用
7.2 SVM算法原理
7.3 SVM算法的损失函数
7.4 SVM算法的核函数
7.5 SVM回归
7.6 案例
第8章 朴素贝叶斯分类器
8.1 朴素贝叶斯算法简介
8.2 概率知识
8.3 拉普拉斯估计法
8.4 案例
第9章 集成学习
9.1 不存在强依赖，可同时生成的并行方法
9.2 个体学习器有强依赖，串行生成序列方法
9.2.1 XGBoost集成学习算法的工作原理
9.2.2 停止分裂条件判断
9.2.3 XGBoost解决过拟合的问题
9.3 XGBoost集成学习算法API初步实验
9.4 案例
0章 降维算法
10.1 理解降维的目的和常见的方法
10.2 线性判别分析法
10.3 主成分分析法
10.4 案例
1章 聚类
11.1 无监督学习、监督学习、半监督学习
11.2 聚类算法简介及聚类算法API函数的初步使用
11.3 聚类算法实现流程
11.4 案例
2章 神经网络和深度学习
12.1 神经网络概念
12.2 神经网络结构、激活函数
12.3 神经网络求解遇到的问题
12.4 深度学习基础
参考文献
附录 Python安装指南
第1章 Python 基础
1.1 开发环境、Python基础知识
1.1.1 开发环境
1.1.2 Python基础知识
1.2 列表、元组、字典、集合
1.3 模块和函数
1.4 科学计算库NumPy
1.5 数据分析工具Pandas
1.6 数据可视化
1.7 面向对象编程、Python的GUI程序设计及Python的数据库编程
第2章 模型评估与选择
2.1 模型的评估方法
2.2 性能度量的方法
2.3 模型的选择与常见模型的优缺点
第3章 K近邻算法
3.1 K近邻算法简介
3.2 K近邻算法API初步使用
3.3 距离度量
3.4 K值的选择
3.5 KNN算法的特点及优势与劣势
3.6 案例
第4章 线性回归
4.1 线性回归简介及数学求导
4.2 线性回归API初步使用
4.3 线性回归的损失和优化
4.4 梯度下降法介绍
4.5 欠拟合与过拟合
4.6 案例
第5章 逻辑回归
5.1 逻辑回归算法简介
5.2 逻辑回归API的初步使用
5.3 案例及分类评估方法
5.4 ROC曲线绘制
第6章 决策树
6.1 决策树算法简介
6.2 决策树分类原理
6.3 CART剪枝
6.4 特征工程及特征提取
6.5 决策树算法API的初步使用
6.6 案例
第7章 支持向量机
7.1 SVM算法简介及SVM算法API的初步使用
7.1.1 基本概念
7.1.2 SVM算法API的初步使用
7.2 SVM算法原理
7.3 SVM算法的损失函数
7.4 SVM算法的核函数
7.5 SVM回归
7.6 案例
第8章 朴素贝叶斯分类器
8.1 朴素贝叶斯算法简介
8.2 概率知识
8.3 拉普拉斯估计法
8.4 案例
第9章 集成学习
9.1 不存在强依赖，可同时生成的并行方法
9.2 个体学习器有强依赖，串行生成序列方法
9.2.1 XGBoost集成学习算法的工作原理
9.2.2 停止分裂条件判断
9.2.3 XGBoost解决过拟合的问题
9.3 XGBoost集成学习算法API初步实验
9.4 案例
0章 降维算法
10.1 理解降维的目的和常见的方法
10.2 线性判别分析法
10.3 主成分分析法
10.4 案例
1章 聚类
11.1 无监督学习、监督学习、半监督学习
11.2 聚类算法简介及聚类算法API函数的初步使用
11.3 聚类算法实现流程
11.4 案例
2章 神经网络和深度学习
12.1 神经网络概念
12.2 神经网络结构、激活函数
12.3 神经网络求解遇到的问题
12.4 深度学习基础
参考文献
附录 Python安装指南
