机器学习基础与实践

图书信息

作者：李晓峰,胥文婷,李云波主编编

出版社：中国水利水电出版社

定价：49.80

ISBN：9787522637020

出版时间：2025-10-01

分类：图书,行业职业,计算机,工具书

商品介绍

目录

前言

第1章机器学习基础

1.1机器学习简介

1.1.1机器学习的概念

1.1.2机器学习的应用领域

1.1.3机器学习的分类

1.1.4机器学习的常见术语

1.1.5机器学习的三要素（数据、模型和算法）

1.1.6人工智能、机器学习和深度学习

1.2机器学习开发环境构建

1.3Python机器学习工具库

1.3.1机器学习的常用库

1.3.2扩展库导入与使用

1.3.3数据可视化工具库

本章小结

习题1

第2章机器学习工程实践

2.1模型评估指标

2.1.1回归模型评估指标

2.1.2分类模型评估指标

2.1.3聚类模型评估指标

2.2模型复杂度度量

2.2.1偏差与方差

2.2.2拟合与正则化

2.3模型的获取与改进

2.3.1获取模型的过程

2.3.2训练集、验证集和测试集

2.3.3训练过程

2.4机器学习通用流程

2.4.1目标分析

2.4.2数据准备

2.4.3特征工程

2.4.4模型训练

2.4.5性能度量与模型调优

本章小结

习题2

第3章回归算法与应用

3.1回归算法概述

3.1.1回归算法的含义

3.1.2回归算法中的常用方法

3.2线性回归

3.2.1线性回归的原理

3.2.2案例3-1：基于线性回归的糖尿病预测

3.3逻辑回归

3.3.1逻辑回归的原理

3.3.2案例3-2：基于逻辑回归的乳腺癌预测

本章小结

习题3

第4章分类算法与应用

4.1分类算法概述

4.1.1分类算法的含义

4.1.2分类算法中的常用方法

4.2支持向量机

4.2.1支持向量机的原理

4.2.2案例4-1：基于支持向量机的葡萄酒分类

4.3决策树

4.3.1决策树的原理

4.3.2案例4-2：基于决策树的葡萄酒分类

4.4KNN

4.4.1KNN的原理

4.4.2案例4-3：基于KNN的鸢尾花分类

4.5朴素贝叶斯

4.5.1朴素贝叶斯的原理

4.5.2案例4-4：基于朴素贝叶斯的鸢尾花分类

本章小结

习题4

第5章聚类算法与应用

5.1聚类算法概述

5.1.1聚类算法的含义

5.1.2聚类算法中的常用方法

5.2k均值聚类

5.2.1k均值聚类的原理

5.2.2案例5-1：基于k均值聚类的鸢尾花聚类

5.3密度聚类

5.3.1密度聚类的原理

5.3.2案例5-2：基于DBSCAN的鸢尾花聚类

5.4层次聚类

5.4.1层次聚类的原理

5.4.2案例5-3：基于AGNES的鸢尾花聚类

本章小结

习题5

第6章神经网络与深度学习

6.1神经网络

6.1.1神经网络的含义

6.1.2神经网络的类型

6.1.3前馈神经网络

6.1.4损失函数和梯度下降

6.1.5反向传播网络

6.1.6神经网络的特点

6.2深度学习

6.2.1深度学习的含义

6.2.2卷积神经网络

6.2.3循环神经网络

6.2.4深度学习进阶

6.2.5深度学习的特点

6.3神经网络的应用

6.3.1图像视觉

6.3.2数据挖掘与预测

6.3.3自然语言处理

6.3.4自动化控制方面的应用

6.3.5生物医疗方面的应用

6.4案例6-1：基于简单神经网络的MNIST手写数字分类

6.4.1目标分析

6.4.2数据准备

6.4.3模型训练

6.4.4性能度量

6.4.5案例总结

6.5案例6-2：VGG16迁移学习的MNIST手写数字分类

6.5.1目标分析

6.5.2数据准备

6.5.3模型训练

6.5.4性能度量

6.5.5案例总结

本章小结

习题6

第7章综合案例一：医疗保险欺诈分析

7.1目标分析

7.1.1背景介绍

7.1.2数据介绍

7.1.3实验设计

7.1.4实验环境

7.2数据准备

7.2.1数据导入

7.2.2描述性统计分析

7.2.3数据清洗

7.2.4数据可视化分析

7.3特征工程

7.3.1投保人特征工程

7.3.2医疗机构特征工程

7.3.3特征工程总结

7.4模型训练

7.4.1特征标准化

7.4.2k均值算法实现投保人聚类

7.4.3k均值算法实现医疗机构特征聚类

7.4.4聚类结果

7.5性能度量

7.5.1投保人医疗保险欺诈分析

7.5.2医疗机构医疗保险欺诈分析

本章小结

习题7

第8章综合案例二：异常血糖预测

8.1目标分析

8.1.1背景介绍

8.1.2数据介绍

8.1.3预测模型介绍

8.1.4实验设计

8.1.5实验环境

8.2数据准备

8.2.1训练集与测试集数据导入

8.2.2导入数据展示

8.3特征工程

8.3.1绘图基础设置

8.3.2血糖数据分析

8.3.3数据清洗与特征筛选

8.4模型训练

8.4.134特征组数据与LightGBM预测模型

8.4.214特征组数据与LightGBM预测模型

8.4.314特征组数据与支持向量机预测模型

……

内容简介

本书系统、全面地讲解了机器学习，旨在为读者构建从理论到实践的完整知识体系。全书以机器学习的基本概念为起点，逐步深入到核心算法的原理与应用，涵盖回归、分类、聚类等经典算法，并系统地介绍了神经网络与深度学习的理论框架和技术要点，不仅详细讲解了机器学习的三要素（数据、模型、算法），还通过Python工具库的使用和开发环境的构建帮助读者快速上手实践。本书强调机器学习工程实践中的模型评估、特征工程和性能度量，并通过具体的案例分析（如医疗保险欺诈分析和异常血糖预测）展示从数据准备到模型训练的完整流程，这些案例不仅突出了机器学习的应用价值，还为读者提供了实战经验和解决方案。

本书内容丰富、体系完整，可作为高等院校大数据、人工智能相关专业的教材，也可作为广大机器学习爱好者和从业者的参考书，助力读者在实践中掌握机器学习的核心技术与应用方法。