《用Python动手学机器学习pthon机器学习实战基础教程人工智能深度学习周志华西瓜书py》[48M]百度网盘|pdf下载|亲测有效

本书是面向机器学习新手的入门书，从学习环境的搭建开始，图文并茂地介绍了学习机器学习所需的Python知识和数学知识，并在此基础上结合数学式、示例程序、插图等，抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等进行了介绍。
本书既有图形、代码，又有详细的数学式推导过程，大大降低了机器学习的学习门槛，即使没有学过Python、数学基础不太好，也可以看懂。

第 1章　学习前的准备　　1
1．1　关于机器学习　2
1．1．1　学习机器学习的窍门　4
1．1．2　机器学习中问题的分类　5
1．1．3　本书的结构　6
1．2　安装Python　7
1．3　Jupyter Notebook　11
1．3．1　Jupyter Notebook的用法　11
1．3．2　输入Markdown格式文本　14
1．3．3　更改文件名　16
1．4　安装Keras和TensorFlow　17
第　2章 Python基础知识　19
2．1　四则运算　20
2．1．1　四则运算的用法　20
2．1．2　幂运算　20
2．2　变量　21
2．2．1　利用变量进行计算　21
2．2．2　变量的命名　21
2．3　类型　22
2．3．1　类型的种类　22
2．3．2　检查类型　22
2．3．3　字符串　23
2．4　print 语句　24
2．4．1　print语句的用法　24
2．4．2　同时显示数值和字符串的方法1　24
2．4．3　同时显示数值和字符串的方法2　25
2．5　list（数组变量）　26
2．5．1　list的用法　26
2．5．2　二维数组　27
2．5．3　创建连续的整数数组　28
2．6　tuple（数组）　29
2．6．1　tuple的用法　29
2．6．2　读取元素　29
2．6．3　长度为1的tuple　30
2．7　if 语句　31
2．7．1　if语句的用法　31
2．7．2　比较运算符　32
2．8　for 语句　33
2．8．1　for语句的用法　33
2．8．2　enumerate的用法　33
2．9　向量　34
2．9．1　NumPy的用法　34
2．9．2　定义向量　35
2．9．3　读取元素　36
2．9．4　替换元素　36
2．9．5　创建连续整数的向量　36
2．9．6　ndarray的注意事项　37
2．10　矩阵　38
2．10．1　定义矩阵　38
2．10．2　矩阵的大小　38
2．10．3　读取元素　39
2．10．4　替换元素　39
2．10．5　生成元素为0和1的ndarray　39
2．10．6　生成元素随机的矩阵　40
2．10．7　改变矩阵的大小　41
2．11　矩阵的四则运算　41
2．11．1　矩阵的四则运算　41
2．11．2　标量×矩阵　42
2．11．3　算术函数　42
2．11．4　计算矩阵乘积　43
2．12　切片　43
2．13　替换满足条件的数据　45
2．14　help　46
2．15　函数　47
2．15．1　函数的用法　47
2．15．2　参数与返回值　47
2．16　保存文件　49
2．16．1　保存一个ndarray类型变量　49
2．16．2　保存多个ndarray类型变量　49
第3章　数据可视化　51
3．1　绘制二维图形　52
3．1．1　绘制随机图形　52
3．1．2　代码清单的格式　53
3．1．3　绘制三次函数f (x) = (x - 2) x (x + 2)　53
3．1．4　确定绘制范围　54
3．1．5　绘制图形　55
3．1．6　装饰图形　55
3．1．7　并列显示多张图形　58
3．2　绘制三维图形　59
3．2．1　包含两个变量的函数　59
3．2．2　用颜色表示数值：pcolor　60
3．2．3　绘制三维图形：surface　62
3．2．4　绘制等高线：contour　64
第4章　机器学习中的数学　67
4．1　向量　68
4．1．1　什么是向量　68
4．1．2　用Python定义向量　69
4．1．3　列向量的表示方法　69
4．1．4　转置的表示方法　70
4．1．5　加法和减法　71
4．1．6　标量积　73
4．1．7　内积　74
4．1．8　向量的模　75
4．2　求和符号　76
4．2．1　带求和符号的数学式的变形　77
4．2．2　通过内积求和　79
4．3　累乘符号　79
4．4　导数　80
4．4．1　多项式的导数　80
4．4．2　带导数符号的数学式的变形　82
4．4．3　复合函数的导数　83
4．4．4　复合函数的导数：链式法则　84
4．5　偏导数　85
4．5．1　什么是偏导数　85
4．5．2　偏导数的图形　87
4．5．3　绘制梯度的图形　89
4．5．4　多变量的复合函数的偏导数　91
4．5．5　交换求和与求导的顺序　93
4．6　矩阵　95
4．6．1　什么是矩阵　95
4．6．2　矩阵的加法和减法　97
4．6．3　标量积　99
4．6．4　矩阵的乘积　100
4．6．5　单位矩阵　103
4．6．6　逆矩阵　105
4．6．7　转置　107
4．6．8　矩阵和联立方程式　109
4．6．9　矩阵和映射　111
4．7　指数函数和对数函数　113
4．7．1　指数　113
4．7．2　对数　115
4．7．3　指数函数的导数　118
4．7．4　对数函数的导数　120
4．7．5　Sigmoid函数　121
4．7．6　Softmax函数　123
4．7．7　Softmax函数和Sigmoid函数　127
4．7．8　高斯函数　128
4．7．9　二维高斯函数　129
第5章　有监督学习：回归　135
5．1　一维输入的直线模型　136
5．1．1　直线模型　138
5．1．2　平方误差函数　139
5．1．3　求参数（梯度法）　142
5．1．4　直线模型参数的解析解　148
5．2　二维输入的平面模型　152
5．2．1　数据的表示方法　154
5．2．2　平面模型　155
5．2．3　平面模型参数的解析解　157
5．3　D维线性回归模型　159
5．3．1　D维线性回归模型　160
5．3．2　参数的解析解　160
5．3．3　扩展到不通过原点的平面　164
5．4　线性基底函数模型　165
5．5　过拟合问题　171
5．6　新模型的生成　181
5．7　模型的选择　185
5．8　小结　186
第6章　有监督学习：分类　189
6．1　一维输入的二元分类　190
6．1．1　问题设置　190
6．1．2　使用概率表示类别分类　194
6．1．3　*大似然估计　196
6．1．4　逻辑回归模型　199
6．1．5　交叉熵误差　201
6．1．6　学习法则的推导　205
6．1．7　通过梯度法求解　209
6．2　二维输入的二元分类　210
6．2．1　问题设置　210
6．2．2　逻辑回归模型　214
6．3　二维输入的三元分类　219
6．3．1　三元分类逻辑回归模型　219
6．3．2　交叉熵误差　222
6．3．3　通过梯度法求解　223
第7章　神经网络与深度学习　227
7．1　神经元模型　229
7．1．1　神经细胞　229
7．1．2　神经元模型　230
7．2　神经网络模型　234
7．2．1　二层前馈神经网络　234
7．2．2　二层前馈神经网络的实现　237
7．2．3　数值导数法　242
7．2．4　通过数值导数法应用梯度法　246
7．2．5　误差反向传播法　251
7．2．6　求．E / ．vkj　252
7．2．7　求．E / ．wji　256
7．2．8　误差反向传播法的实现　262
7．2．9　学习后的神经元的特性　268
7．3　使用Keras实现神经网络模型　270
7．3．1　二层前馈神经网络　271
7．3．2　Keras的使用流程　273
第8章　神经网络与深度学习的应用（手写数字识别）　277
8．1　MINST数据集　278
8．2　二层前馈神经网络模型　279
8．3　ReLU激活函数　286
8．4　空间过滤器　291
8．5　卷积神经网络　295
8．6　池化　300
8．7　Dropout　301
8．8　融合了各种特性的MNIST识别网络模型　302
第9章　无监督学习　307
9．1　二维输入数据　308
9．2　K-means算法　310
9．2．1　K-means算法的概要　310
9．2．2　步骤0：准备变量与初始化　311
9．2．3　步骤1：更新R　313
9．2．4　步骤2：更新μ　315
9．2．5　失真度量　318
9．3　混合高斯模型　320
9．3．1　基于概率的聚类　320
9．3．2　混合高斯模型　323
9．3．3　EM算法的概要　328
9．3．4　步骤0：准备变量与初始化　329
9．3．5　步骤1（步骤E）：更新γ　330
9．3．6　步骤2（步骤M）：更新π、μ和Σ　332
9．3．7　似然　336
第　10章 本书小结　339
后记　349