书目信息 |
| 题名： |
Python机器学习
|
|
| 作者： | 薛薇 著 | |
| 分册： | ||
| 出版信息： | 北京 中国人民大学出版社 2021.01 |
|
| 页数： | 364页 | |
| 开本： | 26cm | |
| 丛书名： | 数据科学与大数据技术丛书 | |
| 单 册： | ||
| 中图分类： | TP311.561 ， TP311.56 | |
| 科图分类： | ||
| 主题词： | 软件工具--ruan jian gong ju--程序设计 | |
| 电子资源： | ||
| ISBN： | 978-7-300-28731-7 | |
| 000 | 01425nam 2200301 450 | |
| 001 | CAL 0120217118010 | |
| 010 | @a978-7-300-28731-7@dCNY69.00 | |
| 100 | @a20210925d2021 em y0chiy50 ea | |
| 101 | 0 | @achi |
| 102 | @aCN@b110000 | |
| 105 | @aa a 000yy | |
| 106 | @ar | |
| 200 | 1 | @aPython机器学习@APython ji qi xue xi@e原理与实践@d= Python machine learning@eprinciples and practices@f薛薇著@zeng |
| 210 | @a北京@c中国人民大学出版社@d2021.01 | |
| 215 | @a364页@c图@d26cm | |
| 225 | 2 | @a数据科学与大数据技术丛书@Ashu ju ke xue yu da shu ju ji shu cong shu |
| 314 | @a薛薇, 中国人民大学统计学院副教授, 中国人民大学应用统计科学研究中心研究员。 | |
| 320 | @a有书目 | |
| 330 | @a本书适合作为机器学习或相关课程的教科书。在第1章开篇后, 第2章集中对数据预测建模进行了总览论述, 旨在帮助学习者把握机器学习的整体知识框架。后续第3至第8章依知识难度, 由浅入深展开数据预测建模的讨论, 包括朴素贝叶斯分类器、近邻分析、决策树、集成学习、人工神经网络、支持向量机等。第9章和第10章讨论特征选择和特征提取, 以作为数据预测建模的重要补充。第11章和第12章关注机器学习中的聚类算法。 | |
| 410 | 0 | @12001 @a数据科学与大数据技术丛书 |
| 510 | 1 | @aPython machine learning@eprinciples and practices@zeng |
| 606 | 0 | @a软件工具@Aruan jian gong ju@x程序设计 |
| 610 | 0 | @aPython |
| 690 | @aTP311.561@v5 | |
| 690 | @aTP311.56@v4 | |
| 701 | 0 | @a薛薇@Axue wei@4著 |
| 801 | 0 | @aCN@c20210925 |
| 905 | @a河南城建学院图书馆@dTP311.56@eX967@f2 | |
| Python机器学习：原理与实践= Python machine learning：principles and practices/薛薇著.-北京：中国人民大学出版社，2021.01 |
| 364页：图；26cm.-(数据科学与大数据技术丛书) |
| ISBN 978-7-300-28731-7：CNY69.00 |
| 本书适合作为机器学习或相关课程的教科书。在第1章开篇后, 第2章集中对数据预测建模进行了总览论述, 旨在帮助学习者把握机器学习的整体知识框架。后续第3至第8章依知识难度, 由浅入深展开数据预测建模的讨论, 包括朴素贝叶斯分类器、近邻分析、决策树、集成学习、人工神经网络、支持向量机等。第9章和第10章讨论特征选择和特征提取, 以作为数据预测建模的重要补充。第11章和第12章关注机器学习中的聚类算法。 |
| ● |
| 相关链接 |
|
|
|
正题名：Python机器学习
索取号：TP311.56/X967
预约/预借
| 序号 | 登录号 | 条形码 | 馆藏地/架位号 | 状态 | 备注 |
| 1 | 1525227 | 215252278 | 自科库301/301自科库 43排6列5层/ [索取号:TP311.56/X967] | 在馆 | |
| 2 | 1525228 | 215252287 | 自科库301/301自科库 74排2列3层/ [索取号:TP311.56/X967] | 在馆 |