《機器學習與Python實踐》是2021年人民郵電出版社出版的圖書。
基本介紹
- 中文名：機器學習與Python實踐
- 作者：黃勉
- 出版時間：2021年
- 出版社：人民郵電出版社
- ISBN：9787115538468
內容簡介,圖書目錄,
內容簡介
本書是一本機器學習入門的書籍。全書系統地講解了機器學習的理論以及在實際數據分析中使用機器學習的基本步驟和方法；介紹了進行數據處理和分析時怎樣選擇合適的模型，
以及模型的估計和最佳化算法等，並通過多個例子展示了機器學習的套用和實踐經驗。不同於很多講解機器學習方法的書籍，本書以實踐為導向，使用 Python 作為程式語言，強調簡單、快速地建立模型，解決實際問題。讀者通過對本書內容的學習，可以迅速上手實踐機器學習，並利用機器學習解決實際問題。
本書可作為機器學習課程的教材，也適合於有意從事使用機器學習分析財經數據的分析師，以及經管類的本科生和研究生閱讀。
圖書目錄
第 1 章 機器學習概述 1
1.1 引言1
1.1.1 問題導向框架 1
1.1.2 數據挖掘和機器學習3
1.1.3 人工智慧和機器學習3
1.2 機器學習的分類4
1.2.1 無監督學習、有監督學習和強化學習 4
1.2.2 深度學習和淺層學習5
1.2.3 統計學習6
1.3 機器學習的發展歷程及套用7
本章習題 7
第 2 章 Python 科學計算簡介9
2.1 基礎變數類型 9
2.1.1 數字 (Number)9
2.1.2 字元串 (String) 10
2.1.3 列表 (List)12
2.1.4 元組 (Tuple) 13
2.1.5 字典 (Dictionary)14
2.2 控制語句和函式15
2.2.1 控制語句 15
2.2.2 函式17
2.3 用於科學計算和數據處理的庫19
2.3.1 NumPy19
2.3.2 SciPy23
2.3.3 Pandas23
2.4 作圖和可視化25
2.4.1 plot() 函式與saveˉg() 函式26
2.4.2 標題、圖例和坐標 26
2.4.3 散點圖與直方圖 27
2.4.4 Image Plot28
2.5 輸入和輸出 28
2.5.1 標準輸入和輸出函式 28
2.5.2 第三方庫的輸入輸出函式 29
2.5.3 案例分析：讀取並處理股票行情數據29
2.6 面向對象編程30
2.6.1 面向過程編程31
2.6.2 案例分析：面向對象編程示例31
2.7 Python 常用工具庫 33
本章習題34
第 3 章 無監督學習 36
3.1 描述性統計 36
3.1.1 描述性統計分析工具 36
3.1.2 案例分析：指數收益率的 描述性統計 39
3.2 核密度估計 40
3.2.1 核密度估計方法 40
3.2.2 核密度估計的目標函式42
3.3 k 均值算法 42
3.4 主成分分析 44
3.4.1 Z大投影方差和Z小重構誤差45
3.4.2 特徵分解和奇異值分解46
3.4.3 案例分析：手寫數字 3 特徵分析47
3.4.4 案例分析：利率期限結構 50
3.4.5 案例分析：股票收益率的協方差矩陣分解 52
3.5 混合模型和隱馬爾可夫模型 54
3.5.1 混合模型 54
3.5.2 隱馬爾可夫模型 55
本章習題59
第 4 章 線性回歸和正則化方法 60
4.1 回歸分析流程60
4.1.1 回歸分析流程的主要步驟 61
4.1.2 案例分析：巨觀違約率預測65
4.2 變數選擇基礎66
4.2.1 變數選擇方法簡介66
4.2.2 案例分析：指數跟蹤 68
4.2.3 Forward Stagewise 回歸69
4.3 正則化方法 70
4.3.1 L2 正則71
4.3.2 L1 正則72
4.3.3 懲罰函式和稀疏性78
4.4 回歸估計和矩陣分解80
4.4.1 奇異值分解和線性回歸 80
4.4.2 QR 分解和 QR 算法83
本章習題85
第 5 章 分類 86
5.1 判別分析 86
5.1.1 線性判別分析87
5.1.2 二次判別分析 89
5.1.3 樸素貝葉斯89
5.2 邏輯回歸 89
5.2.1 模型估計 90
5.2.2 與交叉熵的關係 93
5.2.3 案例分析：股票漲跌預測 94
5.3 支持向量機 96
5.4 分類的評判 99
5.4.1 混淆矩陣和常用度量 99
5.4.2 F1 Score100
5.4.3 ROC 和 AUC101
5.4.4 數據不平衡的處理104
本章習題 105
第 6 章 局部建模 106
6.1 樣條方法106
6.1.1 三階樣條106
6.1.2 自然三階樣條107
6.2 核技巧 108
6.3 局部回歸111
6.3.1 K 鄰近估計 111
6.3.2 局部常數估計113
6.3.3 局部多項式估計 114
6.3.4 案例分析：期權隱含分布估計115
6.3.5 局部似然估計117
本章習題 118
第 7 章 模型選擇和模型評估 120
7.1 模型評估120
7.1.1 泛化誤差120
7.1.2 交叉驗證121
7.1.3 Bootstrap123
7.2 模型選擇124
7.2.1 AIC 準則124
7.2.2 BIC 準則126
7.3 估計的自由度 128
7.4 案例分析：期權隱含分布估計（續 1）129
本章習題 131
第 8 章 統計推斷基礎132
8.1 極大似然估計 132
8.2 置信區間和假設檢驗134
8.2.1 置信區間134
8.2.2 假設檢驗134
8.3 Bootstrap 方法136
8.4 KL 距離和資訊理論相關概念 139
8.4.1 KL 距離和熵140
8.4.2 KL 距離和互信息 141
8.5 EM 算法 142
8.5.1 EM 算法與變分推斷和MM 算法143
8.5.2 高斯混合模型的 EM 算法143
8.5.3 隱馬爾可夫模型的EM 算法146
8.5.4 案例分析：收益率序列隱狀態預測149
本章習題 152
第 9 章 貝葉斯方法 153
9.1 貝葉斯定理153
9.1.1 事件的貝葉斯公式153
9.1.2 隨機變數的貝葉斯公式154
9.2 貝葉斯視角下的頻率方法155
9.3 抽樣方法157
9.3.1 拒絕抽樣法 157
9.3.2 案例分析：期權隱含分布估計（續 2） 158
9.3.3 Metropolis-Hastings抽樣算法159
9.3.4 重要性抽樣 164
9.3.5 蒙特卡洛標準誤 165
9.4 變分推斷166
9.4.1 基於平均場的變分推斷166
9.4.2 變分推斷算法示例167
本章習題 171
第 10 章 樹和樹的集成 173
10.1 回歸樹和分類樹 173
10.1.1 回歸樹173
10.1.2 分類樹175
10.2 Bagging 和隨機森林 179
10.2.1 Bagging179
10.2.2 隨機森林 180
10.3 提升樹 Boosting Trees 182
10.3.1 AdaBoost 182
10.3.2 梯度提升樹 GBDT 183
10.3.3 XGBoost184
10.3.4 案例分析：股票漲跌預測（續 1） 186
本章習題 188
第 11 章 深度學習 189
11.1 前饋神經網路和梯度下降算法 189
11.1.1 神經元189
1.1.2 前饋神經網路 191
11.1.3 梯度下降算法 191
11.1.4 反向傳播算法 192
11.1.5 隨機梯度算法的改進193
11.1.6 激活函式和梯度消失問題194
11.1.7 案例分析：股票漲跌預測（續 2） 197
11.2 網路結構 198
11.2.1 卷積神經網路 CNN198
11.2.2 循環神經網路 RNN202
11.2.3 Dropout203
11.2.4 Batch Normalization 203
11.2.5 殘差網路 204
11.3 自編碼和生成模型205
11.3.1 自編碼205
11.3.2 案例分析：手寫數字 3 特徵分析（續）207
11.3.3 逐層特徵學習 208
11.3.4 生成對抗網路 209
11.3.5 變分自編碼210
11.4 揭開深度學習的黑箱 212
本章習題 214
第 12 章 強化學習 215
12.1 基於值函式的強化學習215
12.1.1 強化學習的基礎概念215
12.1.2 值函式和 Bellman 方程 216
12.1.3 策略疊代和值疊代 218
12.1.4 基於值函式的無模型強化學習 219
12.2 值函式近似和深度 Q 網路 222
12.2.1 值函式的近似 222
12.2.2 深度 Q 網路 DQN 223
12.2.3 案例分析：DQN 智慧型交易機器人225
12.3 策略梯度和 Actor-Critic 方法 226
12.3.1 策略梯度定理 226
12.3.2 強化學習和有監督學習的對比228
12.3.3 Actor-Critic 算法228
12.4 學習、推演和搜尋 231
12.4.1 “記憶式”學習 231
12.4.2 推演和搜尋231
12.4.3 蒙特卡洛樹搜尋232
12.4.4 不完全信息決策簡介233
本章習題 234
參考文獻 235
