Python机器学习与项目实践
定价：￥59.00
作者： 唐明伟
出版时间：2025-12
出版社：电子工业出版社
- 电子工业出版社
- 9787121487866
- 1-2
- 540856
- 60266926-9
- 平塑
- 16开
- 2025-12
- 331
- 212
- 工学
- 计算机类
- 计算机科学与技术
- 本科 高职
内容简介
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。
目录
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
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
