作者：张平，李晓宇编著
页数：276页
出版社：人民邮电出版社
出版日期：2024
ISBN：9787115650153
电子书格式：pdf/epub/txt
网盘下载地址：下载机器学习基础与案例实战:Python+Sklearn+TensorFlow:慕课版
内容简介
机器学习作为人工智能的重要分支，已在不同行业得到了广泛应用。本书以锤炼读者机器学习相关技术的实战能力为导向，将案例与项目贯穿全文，全面系统地介绍了代表性机器学习算法及其应用。本书共12?章，分为?4?篇，即入门篇、监督学习篇、无监督学习篇、进阶篇。入门篇概述机器学习，监督学习篇主要介绍K近邻、决策树、线性模型、支持向量机和贝叶斯模型，无监督学习篇主要介绍聚类、主成分分析和奇异值分解，进阶篇主要介绍集成学习、特征工程和深度学习。
本书可作为高校工科专业机器学习相关课程的教材，也可供相关领域的培训机构教学使用，还可作为人工智能爱好者和相关方向技术人员的参考书。
作者简介
张平：湖南工商大学计算机与信息工程学院”双师型”教师，博士，副教授，硕士生导师；主持教育部青年项目、湖南省教改项目等科研/教研项目多项，在CCF推荐的权威期刊上发表SCI论文若干篇；主编《Python程序设计基础与案例实战(慕课版)》《Linux操作系统案例教程(CentOS Stream 9/RHEL 9)(微课版)》《Ubuntu Linux操作系统案例教程》等多本畅销教材，理论功底扎实，实践经验颇丰。
本书特色
【全程案例教学，锤炼实战能力】本书以应用为导向，全程采用案例式教学，多层次、全方位地演示机器学习实战技巧，实践性强，理论与实践紧密结合。
【注重素质教育，强调立德树人】本书强调立德树人，注重对读者综合能力的培养，着力打造“素质+技能”协同育人新格局。本书积极将社会主义核心价值观等素质教育元素融入教材之中，并在课程的慕课平台中提供了更多的素质教育元素供教师选择。
【经典前沿并重，助力技能提升】本书既包含精心挑选的经典机器学习算法，又紧跟科技前沿发展趋势，引入集成学习、特征工程、深度学习等前沿内容及应用案例，可以地帮助读者拓展科技认知边界，提升机器学习综合实战技能。
【高内聚低耦合，方便教学剪裁】本书的内容安排注重高内聚和低耦合，篇章之间相对独立，又保持一定的递进关系，方便教师根据课时和专业特点对内容进行剪裁。
【内容层次丰富，从入门到精通】本书在章节安排上，既包括经典的机器学习算法，又包括进阶知识内容；在案例实现上，既包括偏向原理细节的 Python 版本，又包括偏向工程实践的 Sklearn 版本，可以满足不同读者群体在不同学习阶段的需求。
【零基础低门槛，受众群体多样】本书学习门槛低，方便初学者快速入门；内容深入浅出、层次递进丰富，可以满足不同知识背景读者的学习需求，既适用于高职高专学生，也适用于本科生、研究生，还适用于对机器学习感兴趣的从业人员。
【配套资源丰富，服务院校教学】为了更好地服务院校教师教学，助力我国人工智能领域实战型人才培养，编者特意在学银在线等慕课平台为本书配套建设慕课课程，同时提供多种教辅资源，如教学视频、在线考试系统、素质教育元素、课件 PPT、教案、教学大纲、习题答案、案例源代码、书中涉及的各类软件的下载地址和安装方法等，选用本书的教师可以到人邮教育社区(www.ryjiaoyu.com)下载相关资源。此外，为了实时服务院校教师教学，更加便利地交流教学心得，分享教学方法，获取教学素材，编者连同人民邮电出版社建立了与本书配套的教师服务与交流群，欢迎人工智能相关课程的教师入群交流。
目录
### 第 1篇 入门篇 ###
第 1章 机器学习概述
### 第 2篇 监督学习篇 ###
第 2章 K近邻
第3章 决策树
第4章 线性模型
第5章 支持向量机
第6章 贝叶斯模型
### 第3篇 无监督学习篇 ###
第7章 聚类
第8章 主成分分析
第9章 奇异值分解
### 第4篇 进阶篇 ###
第 10章 集成学习
第 11章 特征工程
第 12章 深度学习
【详细目录】
### 第 1篇 入门篇 ###
第 1章 机器学习概述
1.1 机器学习基础 2
1.1.1 机器学习的定义 2
1.1.2 机器学习基本概念 3
1.1.3 机器学习分类 3
1.1.4 机器学习开发步骤：以股价预测为例 5
1.2 机器学习发展简史 7
1.3 机器学习相近概念简介 8
1.3.1 机器学习、深度学习和人工智能 8
1.3.2 机器学习与数据挖掘 8
1.3.3 机器学习与模式识别 8
1.3.4 机器学习与数学建模 9
1.4 机器学习典型应用领域 9
1.4.1 医疗保健领域 9
1.4.2 金融领域 9
1.4.3 电子商务与新零售领域 10
1.4.4 自然语言处理与语音识别领域 10
1.4.5 物联网领域 10
1.5 综合案例：机器学习开发环境配置和使用 10
1.5.1 案例概述 10
1.5.2 Windows版Anaconda安装和卸载 12
1.5.3 代表性的开发模式实践 13
1.5.4 Linux版Anaconda安装和使用 20
习题1 24
实训1 24
### 第 2篇 监督学习篇 ###
第 2章 K近邻
2.1 K近邻概述 26
2.1.1 原理及图解 26
2.1.2 距离度量 28
2.1.3 形式化描述 30
2.1.4 优势和不足 30
2.2 监督学习模型评价指标 31
2.2.1 分类模型评价指标 31
2.2.2 回归模型评价指标 36
2.3 综合案例：使用K近邻分类器预测鸢尾花类型 38
2.3.1 案例概述 38
2.3.2 案例实现：Python版 41
2.3.3 案例实现：Sklearn版 42
2.4 综合案例：使用K近邻回归器预测房价 43
2.4.1 案例概述 43
2.4.2 案
