- 电子工业出版社
- 9787121506222
- 1-1
- 568539
- 平塑
- 16开
- 2025-07
- 288
- 180
- 工学
- 计算机类
- 计算机科学与技术
- 本科 高职 研究生及以上
内容简介
机器学习作为人工智能的一个分支，涵盖了利用技术使计算机能够从数据中识别问题并将其应用于人工智能程序的方法。本书是机器学习领域的入门教材，系统、详细地讲述机器学习的主要方法与理论，阐明算法的运行过程，并紧密结合企业实践与应用，根据企业实际需求设计算法案例。本书共 11 章，分别介绍机器学习基本概念、决策树、K 最近邻算法、支持向量机、线性模型、贝叶斯分类器、数据降维、聚类算法、人工神经网络、随机森林和机器学习在生物信息中的应用。本书通过具体的案例让读者学到思考问题的方式，包括决策树算法案例、K 最近邻算法案例、SVM 算法案例、logistic 回归算法案例、贝叶斯分类器案例、数据降维算法案例、聚类算法案例、人工神经网络案例、随机森林案例，帮助读者了解机器学习的各种算法，让读者真正理解算法、学会使用算法。 对计算机科学、人工智能及其相关专业的本科生与研究生而言，本书是入门及进行深入学习的理想选择；同时，对致力于人工智能产品研发的工程技术人员来说，本书极具参考价值。
目录
第 1 章 机器学习基本概念 ............................................................................................................... 1
1.1 机器学习定义 ...................................................................................................................... 1
1.2 算法分类 ............................................................................................................................ 1
1.2.1 有监督学习 .............................................................................................................. 1
1.2.2 无监督学习 .............................................................................................................. 2
1.2.3 分类与回归 .............................................................................................................. 2
1.2.4 判别模型与生成模型 ............................................................................................... 3
1.2.5 强化学习 .................................................................................................................. 4
1.3 模型评价指标 ..................................................................................................................... 4
1.4 模型选择 ............................................................................................................................ 5
1.4.1 训练误差和泛化误差 ............................................................................................... 6
1.4.2 验证数据集 .............................................................................................................. 6
1.4.3 过拟合与欠拟合 ....................................................................................................... 7
1.4.4 偏差-方差分解 ........................................................................................................ 8
第 2 章 决策树 ................................................................................................................................. 9
2.1 基本概念 ............................................................................................................................ 9
2.2 决策树的构建 .................................................................................................................... 11
2.2.1 如何选择最优的划分属性 ...................................................................................... 11
2.2.2 决策树的关键参数 ................................................................................................. 13
2.2.3 决策树的剪枝 ........................................................................................................ 14
2.2.4 连续值与缺失值的处理 ......................................................................................... 14
2.3 训练算法 .......................................................................................................................... 16
2.3.1 递归分裂 ................................................................................................................ 16
2.3.2 寻找最佳分裂 ........................................................................................................ 17
2.3.3 叶节点值的设定 ..................................................................................................... 20
2.3.4 属性缺失 ................................................................................................................ 20
2.3.5 剪枝算法 ................................................................................................................ 20
2.4 决策树算法案例 ................................................................................................................ 21
2.4.1 案例 1：鸟类与非鸟类判定 ......................................................................................... 21
2.4.2 案例 2：隐形眼镜的类型决策 ..................................................................................... 26
第 3 章 K 最近邻算法 ..............................................
1.1 机器学习定义 ...................................................................................................................... 1
1.2 算法分类 ............................................................................................................................ 1
1.2.1 有监督学习 .............................................................................................................. 1
1.2.2 无监督学习 .............................................................................................................. 2
1.2.3 分类与回归 .............................................................................................................. 2
1.2.4 判别模型与生成模型 ............................................................................................... 3
1.2.5 强化学习 .................................................................................................................. 4
1.3 模型评价指标 ..................................................................................................................... 4
1.4 模型选择 ............................................................................................................................ 5
1.4.1 训练误差和泛化误差 ............................................................................................... 6
1.4.2 验证数据集 .............................................................................................................. 6
1.4.3 过拟合与欠拟合 ....................................................................................................... 7
1.4.4 偏差-方差分解 ........................................................................................................ 8
第 2 章 决策树 ................................................................................................................................. 9
2.1 基本概念 ............................................................................................................................ 9
2.2 决策树的构建 .................................................................................................................... 11
2.2.1 如何选择最优的划分属性 ...................................................................................... 11
2.2.2 决策树的关键参数 ................................................................................................. 13
2.2.3 决策树的剪枝 ........................................................................................................ 14
2.2.4 连续值与缺失值的处理 ......................................................................................... 14
2.3 训练算法 .......................................................................................................................... 16
2.3.1 递归分裂 ................................................................................................................ 16
2.3.2 寻找最佳分裂 ........................................................................................................ 17
2.3.3 叶节点值的设定 ..................................................................................................... 20
2.3.4 属性缺失 ................................................................................................................ 20
2.3.5 剪枝算法 ................................................................................................................ 20
2.4 决策树算法案例 ................................................................................................................ 21
2.4.1 案例 1：鸟类与非鸟类判定 ......................................................................................... 21
2.4.2 案例 2：隐形眼镜的类型决策 ..................................................................................... 26
第 3 章 K 最近邻算法 ..............................................
