融合作者多年机器学习理论及实际落地经验，以通俗的案例方式深讲解机器学习，涵盖核心数学原理与工程步骤。
售 价：¥
纸质售价：¥114.20购买纸书
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容简介
作者简介
前言
第1部分 机器学习的数学理论理解
第1讲 这个不确定的世界如何描述
第2讲 数据的形态描述
第3讲 信息的数学表达
第4讲 随机变量的相关性和重要性
第5讲 抓住主要矛盾——降维技术理论
第6讲 采样方法
第7讲 抬头看路低头拉车的迭代方法
第8讲 经典最优化问题求解方法
第2部分 机器学习模型、方法及本质
第9讲 机器学习的方法论
第10讲 数据准备
第11讲 异常检测和处理
第12讲 特征数据的预处理
第13讲 特征的选择、提取和构造
第14讲 机器学习模型——逻辑回归和梯度提升决策树
第15讲 机器学习模型——概率图模型
第16讲 机器学习模型——强化学习
第17讲 探索式学习
第18讲 机器学习模型——人工神经网络
第19讲 基于机器学习的推荐技术
第20讲 激活函数
第21讲 代价函数
第22讲 模型效果的衡量方法
第23讲 机器学习和人工智能展望
第3部分 机器学习实例展示
第24讲 垃圾邮件判断（朴素贝叶斯分类）
第25讲 客户流失预测（高斯贝叶斯分类）
第26讲 两个特殊硬币的投掷概率（期望最大化方法）
第27讲 信用卡申请评分卡模型（WOE/IV逻辑回归）
第28讲 用户忠诚度变化轨迹预测（隐马尔可夫模型）
第29讲 产品的价格设定（强化学习）
第30讲 数据智能平台
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
