人工智能与机器学习

1星价 ¥23.4 (6.5折)

2星价￥23.4 定价￥36.0

作者：王秋月覃雄派赵素云张静

出版社：中国人民大学出版社

本类榜单：计算机/网络

分类：计算机/网络 > 计算机教材

暂无评论

图文详情

ISBN：9787300275819
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：216
出版时间：2020-01-01
条形码：9787300275819 ; 978-7-300-27581-9

内容简介

随着计算机技术迅猛地发展，人工智能与机器学习已经渗透到我们日常生活的各个领域。为此，中国人民大学专门为全校财经和人文专业的学生开设了“人工智能与机器学习”课程，本书的所有作者都参与了该门课程的教学实践，相互配合，总结教学经验，共同打磨而成《人工智能与机器学习》一书。书中通过丰富现实案例的详细讲解，引导学生了解各种机器学习模型的基本原理与实践用法。避开了大量的数学模型和复杂编程知识，让学生熟悉当下流行的一些机器学习和数据处理工具的使用，来解决现实领域遇到的各种数据分析和预测问题。

目录
第1章人工智能简介
11什么是人工智能
12人工智能简史（1956年以前）
13人工智能简史（1956—1980年）
14人工智能简史（1980—2010年）
15人工智能简史（2010年至今）
第2章机器学习简介
21什么是机器学习
22机器学习分类
第3章Python简介
31环境配置
32Python基础编程
33Numpy
34Matplotlib
35Pandas
第4章K近邻
41什么是K近邻
42如何度量距离或者相似性
43数据缩放
44选择合适的K值
45Scikitlearn KNN分类器介绍
46案例一：鸢尾花分类
第5章模型选择
51偏差与方差
52训练集与测试集
53交叉验证
54案例二：鸢尾花分类（案例一续）
第6章线性回归
61什么是线性回归
62损失函数
63增加多项式特征
64正则化
65超参数调优
66案例三：波士顿房价预测
第7章逻辑回归
71什么是逻辑回归
72决策边界
73损失函数
74线性回归和逻辑回归的异同
75多分类
76案例四：泰坦尼克号乘客生还预测
第8章分类评价指标
81混淆矩阵
82查准率与查全率、F1分数
83ROC曲线和AUC
84多分类评价指标
85案例五：泰坦尼克号乘客生还预测（案例四续）
第9章朴素贝叶斯
91贝叶斯定理
92朴素贝叶斯分类器
93不同的朴素贝叶斯模型
94文本分类
95案例六：垃圾邮件识别
第10章支持向量机
101什么是支持向量机
102核函数
103支持向量机的参数优化
104案例七：垃圾邮件识别（案例六续）
105总结
第11章决策树
111什么是决策树
112构建决策树
113修剪决策树
114决策树的优缺点和使用方法
115案例八：泰坦尼克号乘客生还预测
第12章集成学习
121袋装
122提升
123堆叠
124案例九：泰坦尼克号乘客生还预测（案例八续）
第13章聚类
131什么是聚类
132Kmeans算法
133聚类结果的评价
134不同的距离指标
135聚合式层次聚类
136案例十：商场客户聚类
第14章深度学习
141深度学习发展简史
142多层感知器
143损失函数
144优化算法：反向传播算法
145案例十一：手写数字识别
146深度学习技巧
147卷积神经网络
148案例十二：图像识别
第15章Kaggle竞赛
151Kaggle平台简介
152Kaggle竞赛简介
153Kaggle竞赛案例分析：泰坦尼克号乘客生还预测

展开全部

节选

人工智能的终极目标是制造出具有人类智能的机器。从几千年前的古希腊始，人类就一直梦想着制造出能像人一样思考和行动的机器。现代电子计算机的诞生为这一梦想提供了强有力的实现基础。图灵在《计算机器与智能》一文中推测了构建会思考的机器的可能性，并提出了用以衡量一个机器是否具有智能的标准——图灵测试。人工智能作为一个研究领域，*早在1956年的达特茅斯会议上提出。它通常被视为计算机科学的一个分支，但其涉及计算机科学、神经科学、心理学、认知学、哲学和语言学等多种自然科学和社会科学学科，其范围已经远远超出了计算机科学的范畴。近年来，随着计算机技术的迅猛发展，各行各业都在经历深刻的变革。从“互联网+”到“智能+”，人工智能几乎无孔不入，渗透到我们的日常生活和各个领域，如教育、医疗、金融、农业生产、工业制造、商业决策、科学发现、政府管理等。因而，各行各业的人才都需要了解和掌握一定的人工智能知识和技术，才能更好地适应当前第三次人工智能浪潮带来的新技术变革。基于这样的初衷，我们从2018年春季学期开始，在中国人民大学开设了一门计算机应用类公共课：人工智能与机器学习。该课程面向全校的非计算机专业的本科生，如财金及人文社科类的学生，向他们普及人工智能和机器学习技术。其设计主旨是尽可能不涉及大量数学模型与复杂编程知识，通过对丰富应用案例的详细讲解，引导学生了解各种机器学习模型的基本原理与实践用法，熟悉当下流行的一些机器学习和数据处理工具的使用，从而能够使用机器学习技术来解决各领域现实中遇到的各种数据分析和预测问题。开设课程时，我们发现缺少合适的教材。目前市面上有一些较详细讨论机器学习原理的优秀教材，如周志华的《机器学习》和李航的《统计学习方法》等，但它们缺乏具体的模型使用实践与代码。市场上也不乏“零基础”或“零起点”的机器学习快速入门教材，但这些书籍又过于偏重实际的代码操作，缺乏对模型原理的讲解。没有对模型原理的理解，读者很难真正学会使用模型。例如，模型中有哪些超参数？它们各自的含义是什么？如何设置*佳的超参数值？如果一个模型性能不佳，可能的原因有哪些？如何改进？等等。基于这些考虑，我们决定编写一本适合这门课程设计和定位的教材，即主要面向非计算机专业的本科学生，更好地将机器学习原理与应用实践结合起来。

作者简介

王秋月，中国人民大学信息学院计算机系讲师。主要研究领域是数据库、信息检索、知识库的构建与应用等。她在香港中文大学取得博士学位，在德国奥格斯堡大学做了两年博士后工作，并于2014年访问德国马克斯普朗克计算机科学研究所一年。她于2010年至2013年负责组织国际信息检索评测会议INEX中的Data-Centric Track和Linked-Data Track，并担任过SIGIR、TKDE等国际会议和杂志的评委，在国内外期刊和会议上发表论文30余篇。主持或参与国家自然科学基金青年项目、面上项目、重点项目及国家重点研发计划项目等多项。覃雄派，中国人民大学信息学院计算机系副教授。2009年毕业于中国人民大学信息学院，获得工学博士学位。目前主要从事高性能数据库、大数据分析、信息检索等方面的研究工作，主持1项国家自然科学基金面上项目，参与多项国家“863”计划、“973”计划及国家自然科学基金项目，在国内外期刊和会议上发表论文30余篇。赵素云，中国人民大学信息学院计算机系副教授。2009年毕业于香港理工大学，获博士学位。主要研究方向为机器学习，不确定信息处理，以及隐私保护在数据挖掘中的应用等。主持国家自然科学基金项目两项，并参与国家自然科学基金重点项目、核高基等多项。现已发表学术论文30余篇（其中SCI检索论文10余篇）。目前，文章他引次数合计近1000次。张静，中国人民大学信息学院计算机系讲师。2016年毕业于清华大学计算机科学与技术系，获博士学位。研究兴趣为数据挖掘。发表多篇数据挖掘国际**会议与期刊论文，包括TKDE,TKDD, KDD，IJCAI, AAAI等。Google统计论文引用量达到2000多次。

本类五星书