商品详情
书名：机器学习算法原理与代码实现
定价：99.8
ISBN：9787115660008
作者：童永清
版次：第1版
出版时间：2026-01
内容提要：
本书系统地介绍机器学习基础模型的算法原理与代码实现，是一本理论与实践并重的图书。本书第1章介绍机器学习的基本概念、发展历程和主要应用等；第2章～第11章介绍监督学习，包括线性回归、感知机、逻辑斯谛回归与Softmax回归、正则化、线性判别分析、k近邻、朴素贝叶斯、决策树、支持向量机、人工神经网络；第12章和第13章，介绍特征工程、模型评估与选择等。 本书的读者对象为人工智能、计算机、大数据、自动化等专业的本科生，以及从事机器学习研究与开发工作的专业人员。本书可作为机器学习的教材或参考书，也可供人工智能相关技术人员参考。
作者简介：
童永清，硕士毕业于电子科技大学计算机软件与理论专业，研究方向为人工智能、机器学习及其在大数据中的应用。从事人工智能、大数据相关的研究与开发工作，主持省部级科研项目5项，研发智能化系统3套，获省部级奖项3项。
目录：
第 1章 绪论1
11 历史背景、现实状况和未来展望 1
12 人工智能、机器学习和深度学习的关系 2
13 机器学习基本概念 3
131 机器学习基本术语 3
132 机器学习主要类型 5
133 机器学习基本元素 8
14 机器学习发展历程 13
15 机器学习主要应用 13
16 机器学习相关背景 13
161 数学基础 14
162 Python 14
163 scikit-learn库 14
17 数据集操作实例 15
小结 17
笔试、面试题目选讲 17
习题 18
参考文献 18
第 2章 线性回归 19
21 线性回归问题提出 19
22 线性回归模型设计 22
23 模型求解之*小二乘法 25
24 模型求解之梯度下降法 28
241 一个数值实例 29
242 梯度 31
243 凸函数判定与黑塞矩阵 32
244 批量梯度下降法 35
245 随机梯度下降法 37
246 小批量梯度下降法 37
247 随机平均梯度下降法 38
248 动量梯度下降法 38
25 线性回归概率解释 39
26 数据预处理 42
27 线性回归模型评价 43
28 线性回归算法实现 44
29 线性回归算法应用 46
210 多项式回归 50
211 局部加权线性回归 51
小结 57
笔试、面试题目选讲 57
习题 58
参考文献 59
第3章 感知机60
31 感知机问题提出 60
32 感知机模型设计 63
33 感知机模型求解 65
331 模型求解之原始形式 65
332 模型求解之对偶形式 67
333 模型求解之误差形式 69
34 感知机模型证明 70
35 感知机算法实现 72
36 感知机模型应用 75
37 非线性可分感知机 76
371 口袋感知机 77
372 多项式感知机 77
小结 78
笔试、面试题目选讲 79
习题 79
参考文献 80
第4章 逻辑斯谛回归与Softmax回归81
41 逻辑斯谛回归问题提出 81
42 逻辑斯谛回归模型设计 82
43 逻辑斯谛回归模型求解 85
44 逻辑斯谛回归算法实现 90
45 逻辑斯谛回归模型应用 91
46 Softmax回归模型设计 92
47 Softmax回归模型求解 96
48 Softmax回归算法实现 97
49 Softmax回归模型应用 99
410 多分类学习策略 100
411 数据不平衡问题 101
小结 102
笔试、面试题目选讲 102
习题 103
参考文献 104
第5章 正则化 105
51 欠拟合与过拟合问题的提出 105
52 范数 106
53 正则化框架 108
54 L2正则化 110
541 岭回归模型求解 110
542 岭回归算法实现 112
543 岭回归模型应用 113
55 L1正则化 115
551 次导数和次梯度 115
552 坐标下降法 116
553 Lasso回归模型求解 118
554 Lasso回归算法实现 121
555 Lasso回归模型应用 122
56 线性回归、岭回归、Lasso回归模型对比 124
57 弹性网络 127
58 正则化的概率解释 127
小结 130
笔试、面试题目选讲 130
习题 130
参考文献 131
第6章 线性判别分析 132
61 向量内积与向量投影 132
62 线性判别分析问题提出 133
63 线性判别分析模型 136
631 二分类线性判别分析 136
632 多分类线性判别分析 138
64 线性判别分析算法实现 142
65 线性判别分析模型应用 145
小结 147
笔试、面试题目选讲 148
习题 149
参考文献 150
第7章 k近邻 151
71 k近邻问题提出 151
72 k近邻模型设计 151
721 相似性度量 152
722 k值的选择 154
723 预测规则 155
73 属性与样例预处理 156
731 属性预处理 156
732 样例预处理 157
74 k近邻模型求解 158
741 暴力搜索 158
742 k维树构建与搜索 158
743 球树构建与搜索 164
75 k 近邻算法实现 165
76 k 近邻模型应用 169
小结 171
笔试、面试题目选讲 171
习题 172
参考文献 173
第8章 朴素贝叶斯 174
81 朴素贝叶斯问题提出 174
82 朴素贝叶斯模型设计 179
821 概率与统计知识回顾 179
822 朴素贝叶斯模型 182
83 朴素贝叶斯模型求解 183
831 伯努利朴素贝叶斯参数估计 183
832 类别朴素贝叶斯参数估计 187
833 多项式朴素贝叶斯参数估计 192
834 高斯朴素贝叶斯参数估计 195
84 *后验估计 198
85 朴素贝叶斯算法实现 201
86 朴素贝叶斯模型应用 203
小结 206
笔试、面试题目选讲 207
习题 207
参考文献 208
第9章 决策树209
91 决策树模型提出 209
92 决策树模型设计 211
921 信息论基础 211
922 决策树构建 215
923 决策树剪枝 217
93 CART 219
931 CART构建 219
932 CART剪枝 223
94 决策树模型扩展 228
95 决策树算法实现 229
951 ID3算法实现 230
952 决策树可视化 233
953 CART生成算法实现 234
954 CART剪枝算法实现 237
96 决策树模型应用 239
小结 242
笔试、面试题目选讲242
习题 243
参考文献 245
第 10章 支持向量机 246
101 支持向量机问题提出 246
102 硬间隔与线性可分支持向量机247
1021 线性可分支持向量机的目标函数 247
1022 线性可分支持向量机的对偶形式 249
1023 线性可分支持向量机对偶形式初步求解 253
1024 KKT条件 255
103 软间隔与线性支持向量机 256
104 核函数与非线性支持向量机 261
1041 线性不可分与空间变换 261
1042 核技巧和核函数 262
1043 非线性支持向量机 263
105 支持向量机求解与SMO算法 264
106 支持向量机扩展 272
1061 多分类支持向量机 272
1062 支持向量回归 272
107 SMO算法实现 273
108 SMO算法应用 277
小结 279
笔试、面试题目选讲 280
习题 281
参考文献 282
第 11章 人工神经网络 283
111 人工神经网络的提出和发展 283
112 人工神经网络的基本结构 285
1121 神经元 285
1122 *函数 286
1123 神经网络 290
1124 正向传播算法 291
1125 通用近似定理 295
113 人工神经网络的训练方法 295
1131 神经网络的学习法则 296
1132 神经网络的训练数据 296
1133 神经网络的损失函数 297
1134 误差反向传播算法的一个示例 298
1135 误差反向传播算法的一般形式 305
1136 神经网络的优化算法 309
114 神经网络的常见问题和解决方法 311
1141 初始化、梯度消失与*函数 311
1142 局部*解与训练方法 312
1143 过拟合与正则化 312
1144 学习时间长与加速方法 313
115 人工神经网络算法实现 313
116 人工神经网络模型应用 316
小结 320
笔试、面试题目选讲 320
习题 321
参考文献 321
第 12章 特征工程 322
121 特征工程的提出 322
1211 特征工程的*要性 322
1212 数据集与相关 Python 包 323
122 数据探索 323
1221 基本情况分析 324
1222 缺失值检测 325
1223 异常值检测 326
1224 单变量分析 328
1225 多变量分析 330
123 数据预处理 333
1231 缺失值处理 333
1232 异常值处理 335
1233 类别不平衡处理 336
124 特征变换 338
1241 特征编码 338
1242 特征标准化和归一化 339
1243 特征构造 342
125 特征选择 343
小结 348
笔试、面试题目选讲 348
习题 349
参考文献 350
第 13章 模型评估与选择351
131 模型评估与选择的提出 351
132 损失函数与误差分析 351
1321 模型的表示方式和损失函数 352
1322 训练误差、测试误差与泛化误差 353
1323 偏差、方差与误差分析 356
133 数据集划分与模型选择358
1331 简单划分法 359
1332 交叉验证法 359
1333 自助划分法 360
1334 数据集划分实践操作 360
134 性能指标与性能度量 362
1341 查准率、查全率与 P-R曲线 363
1342 ROC 曲线 368
1343 性能指标与性能度量实践操作 371
135 模型调参 372
1351 模型调参的主要方法 372
1352 验证曲线和学习曲线 373
1353 模型调参的实践操作 376
小结 378
笔试、面试题目选讲379
习题 379
参考文献 380
定价：99.8
ISBN：9787115660008
作者：童永清
版次：第1版
出版时间：2026-01
内容提要：
本书系统地介绍机器学习基础模型的算法原理与代码实现，是一本理论与实践并重的图书。本书第1章介绍机器学习的基本概念、发展历程和主要应用等；第2章～第11章介绍监督学习，包括线性回归、感知机、逻辑斯谛回归与Softmax回归、正则化、线性判别分析、k近邻、朴素贝叶斯、决策树、支持向量机、人工神经网络；第12章和第13章，介绍特征工程、模型评估与选择等。 本书的读者对象为人工智能、计算机、大数据、自动化等专业的本科生，以及从事机器学习研究与开发工作的专业人员。本书可作为机器学习的教材或参考书，也可供人工智能相关技术人员参考。
作者简介：
童永清，硕士毕业于电子科技大学计算机软件与理论专业，研究方向为人工智能、机器学习及其在大数据中的应用。从事人工智能、大数据相关的研究与开发工作，主持省部级科研项目5项，研发智能化系统3套，获省部级奖项3项。
目录：
第 1章 绪论1
11 历史背景、现实状况和未来展望 1
12 人工智能、机器学习和深度学习的关系 2
13 机器学习基本概念 3
131 机器学习基本术语 3
132 机器学习主要类型 5
133 机器学习基本元素 8
14 机器学习发展历程 13
15 机器学习主要应用 13
16 机器学习相关背景 13
161 数学基础 14
162 Python 14
163 scikit-learn库 14
17 数据集操作实例 15
小结 17
笔试、面试题目选讲 17
习题 18
参考文献 18
第 2章 线性回归 19
21 线性回归问题提出 19
22 线性回归模型设计 22
23 模型求解之*小二乘法 25
24 模型求解之梯度下降法 28
241 一个数值实例 29
242 梯度 31
243 凸函数判定与黑塞矩阵 32
244 批量梯度下降法 35
245 随机梯度下降法 37
246 小批量梯度下降法 37
247 随机平均梯度下降法 38
248 动量梯度下降法 38
25 线性回归概率解释 39
26 数据预处理 42
27 线性回归模型评价 43
28 线性回归算法实现 44
29 线性回归算法应用 46
210 多项式回归 50
211 局部加权线性回归 51
小结 57
笔试、面试题目选讲 57
习题 58
参考文献 59
第3章 感知机60
31 感知机问题提出 60
32 感知机模型设计 63
33 感知机模型求解 65
331 模型求解之原始形式 65
332 模型求解之对偶形式 67
333 模型求解之误差形式 69
34 感知机模型证明 70
35 感知机算法实现 72
36 感知机模型应用 75
37 非线性可分感知机 76
371 口袋感知机 77
372 多项式感知机 77
小结 78
笔试、面试题目选讲 79
习题 79
参考文献 80
第4章 逻辑斯谛回归与Softmax回归81
41 逻辑斯谛回归问题提出 81
42 逻辑斯谛回归模型设计 82
43 逻辑斯谛回归模型求解 85
44 逻辑斯谛回归算法实现 90
45 逻辑斯谛回归模型应用 91
46 Softmax回归模型设计 92
47 Softmax回归模型求解 96
48 Softmax回归算法实现 97
49 Softmax回归模型应用 99
410 多分类学习策略 100
411 数据不平衡问题 101
小结 102
笔试、面试题目选讲 102
习题 103
参考文献 104
第5章 正则化 105
51 欠拟合与过拟合问题的提出 105
52 范数 106
53 正则化框架 108
54 L2正则化 110
541 岭回归模型求解 110
542 岭回归算法实现 112
543 岭回归模型应用 113
55 L1正则化 115
551 次导数和次梯度 115
552 坐标下降法 116
553 Lasso回归模型求解 118
554 Lasso回归算法实现 121
555 Lasso回归模型应用 122
56 线性回归、岭回归、Lasso回归模型对比 124
57 弹性网络 127
58 正则化的概率解释 127
小结 130
笔试、面试题目选讲 130
习题 130
参考文献 131
第6章 线性判别分析 132
61 向量内积与向量投影 132
62 线性判别分析问题提出 133
63 线性判别分析模型 136
631 二分类线性判别分析 136
632 多分类线性判别分析 138
64 线性判别分析算法实现 142
65 线性判别分析模型应用 145
小结 147
笔试、面试题目选讲 148
习题 149
参考文献 150
第7章 k近邻 151
71 k近邻问题提出 151
72 k近邻模型设计 151
721 相似性度量 152
722 k值的选择 154
723 预测规则 155
73 属性与样例预处理 156
731 属性预处理 156
732 样例预处理 157
74 k近邻模型求解 158
741 暴力搜索 158
742 k维树构建与搜索 158
743 球树构建与搜索 164
75 k 近邻算法实现 165
76 k 近邻模型应用 169
小结 171
笔试、面试题目选讲 171
习题 172
参考文献 173
第8章 朴素贝叶斯 174
81 朴素贝叶斯问题提出 174
82 朴素贝叶斯模型设计 179
821 概率与统计知识回顾 179
822 朴素贝叶斯模型 182
83 朴素贝叶斯模型求解 183
831 伯努利朴素贝叶斯参数估计 183
832 类别朴素贝叶斯参数估计 187
833 多项式朴素贝叶斯参数估计 192
834 高斯朴素贝叶斯参数估计 195
84 *后验估计 198
85 朴素贝叶斯算法实现 201
86 朴素贝叶斯模型应用 203
小结 206
笔试、面试题目选讲 207
习题 207
参考文献 208
第9章 决策树209
91 决策树模型提出 209
92 决策树模型设计 211
921 信息论基础 211
922 决策树构建 215
923 决策树剪枝 217
93 CART 219
931 CART构建 219
932 CART剪枝 223
94 决策树模型扩展 228
95 决策树算法实现 229
951 ID3算法实现 230
952 决策树可视化 233
953 CART生成算法实现 234
954 CART剪枝算法实现 237
96 决策树模型应用 239
小结 242
笔试、面试题目选讲242
习题 243
参考文献 245
第 10章 支持向量机 246
101 支持向量机问题提出 246
102 硬间隔与线性可分支持向量机247
1021 线性可分支持向量机的目标函数 247
1022 线性可分支持向量机的对偶形式 249
1023 线性可分支持向量机对偶形式初步求解 253
1024 KKT条件 255
103 软间隔与线性支持向量机 256
104 核函数与非线性支持向量机 261
1041 线性不可分与空间变换 261
1042 核技巧和核函数 262
1043 非线性支持向量机 263
105 支持向量机求解与SMO算法 264
106 支持向量机扩展 272
1061 多分类支持向量机 272
1062 支持向量回归 272
107 SMO算法实现 273
108 SMO算法应用 277
小结 279
笔试、面试题目选讲 280
习题 281
参考文献 282
第 11章 人工神经网络 283
111 人工神经网络的提出和发展 283
112 人工神经网络的基本结构 285
1121 神经元 285
1122 *函数 286
1123 神经网络 290
1124 正向传播算法 291
1125 通用近似定理 295
113 人工神经网络的训练方法 295
1131 神经网络的学习法则 296
1132 神经网络的训练数据 296
1133 神经网络的损失函数 297
1134 误差反向传播算法的一个示例 298
1135 误差反向传播算法的一般形式 305
1136 神经网络的优化算法 309
114 神经网络的常见问题和解决方法 311
1141 初始化、梯度消失与*函数 311
1142 局部*解与训练方法 312
1143 过拟合与正则化 312
1144 学习时间长与加速方法 313
115 人工神经网络算法实现 313
116 人工神经网络模型应用 316
小结 320
笔试、面试题目选讲 320
习题 321
参考文献 321
第 12章 特征工程 322
121 特征工程的提出 322
1211 特征工程的*要性 322
1212 数据集与相关 Python 包 323
122 数据探索 323
1221 基本情况分析 324
1222 缺失值检测 325
1223 异常值检测 326
1224 单变量分析 328
1225 多变量分析 330
123 数据预处理 333
1231 缺失值处理 333
1232 异常值处理 335
1233 类别不平衡处理 336
124 特征变换 338
1241 特征编码 338
1242 特征标准化和归一化 339
1243 特征构造 342
125 特征选择 343
小结 348
笔试、面试题目选讲 348
习题 349
参考文献 350
第 13章 模型评估与选择351
131 模型评估与选择的提出 351
132 损失函数与误差分析 351
1321 模型的表示方式和损失函数 352
1322 训练误差、测试误差与泛化误差 353
1323 偏差、方差与误差分析 356
133 数据集划分与模型选择358
1331 简单划分法 359
1332 交叉验证法 359
1333 自助划分法 360
1334 数据集划分实践操作 360
134 性能指标与性能度量 362
1341 查准率、查全率与 P-R曲线 363
1342 ROC 曲线 368
1343 性能指标与性能度量实践操作 371
135 模型调参 372
1351 模型调参的主要方法 372
1352 验证曲线和学习曲线 373
1353 模型调参的实践操作 376
小结 378
笔试、面试题目选讲379
习题 379
参考文献 380
- 人民邮电出版社有限公司 （微信公众号认证）
- 人民邮电出版社微店，为您提供最全面，最专业的一站式购书服务
- 扫描二维码，访问我们的微信店铺
- 随时随地的购物、客服咨询、查询订单和物流...
