×
超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

关闭
暂无评论
图文详情
  • ISBN:9787302634645
  • 装帧:平装-胶订
  • 册数:暂无
  • 重量:暂无
  • 开本:其他
  • 页数:380
  • 出版时间:2023-07-01
  • 条形码:9787302634645 ; 978-7-302-63464-5

本书特色

目前,该领域中将理论与实践相结合、通俗易懂的著作较少。机器学习是人工智能的一部分,很多初学者往往把机器学习和深度学习作为人工智能入门的突破口,非科班出身的人士更是如此。当前,国内纵向复合型人才和横向复合型人才奇缺;具有计算机背景的人才主要还是以传统人工智能研究为主,跨学科人才较少。非科班人员在将机器学习应用于自己的研究时,往往对理论理解不透彻,且编程能力不足。针对这一现象,译者长期与出版社合作,翻译了一些经典实用、符合实际需求的著作,借此帮助人工智能、机器学习等相关领域的人士(包括非专业人士)使用机器学习解决自己所在领域的问题。
《机器学习图解》就是这样的著作!本书作者拥有密歇根大学数学博士学位,曾担任Google和Apple工程师,是机器学习布道者。本书是他这些年的成果结晶。本书将理论与实践结合,以图的形式讲解机器学习经典算法。全书共13章。第1章、第2章、第4章主要对机器学习基本概念、机器学习类型、优化训练过程进行介绍。
这对初学者形成机器学习思维习惯非常有益。第3章和第5~12章对9类经典的机器学习算法进行了系统介绍,包含问题提出、原理解释、代码实现等方面。第13章列举了真实示例。本书提供了丰富的代码和视频资源。建议读者一边阅读本书,一边动手实践,调试源码,并根据自己的实际需要研究问题,阅读文献并改进源码,解决自己的问题。本书可作为本科高年级和研究生教材,面向对编码感兴趣但不擅长数学的读者(非专业人士)。同时可作为计算机科学学者、企业工程师的参考书。

内容简介

阅读本书,即使读者仅掌握高中数学知识,也能理解和应用强大的机器学习技术!简单来讲,机器学习是一套以算法为基础的数据分析技术,当你提供更多数据时,算法可反馈更好的结果。ML支持许多很好技术,如推荐系统、面部识别软件、智能扬声器,甚至包括自动驾驶汽车。本书不落窠臼,示例丰富,精选的练习十分有趣,插图清晰,讲解机器学习的核心概念。 《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语,只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目,包括垃圾邮件检测和图像识别模型;还将学习一些实用技能,以清理和准备数据。 ? 分类和划分数据的监督算法 ? 清理和简化数据的方法 ? 机器学习包和工具 ? 复杂数据集的神经网络和集成方法 读者阅读本书前,**了解Python基础知识,不必了解机器学习知识。

目录

第1 章 什么是机器学习?这是一种常识,唯一特别之处在于由计算机完成 1
1.1 我是否需要掌握大量的数学和编程背景知识才能理解机器学习 2
1.2 机器学习究竟是什么 3
1.3 如何让机器根据数据做出决策?记忆-制定-预测框架 6
1.4 本章小结 12
第2 章 机器学习类型 15
2.1 标签数据和无标签数据的区别 17
2.2 监督学习:处理标签数据的机器学习分支 18
2.3 无监督学习:处理无标签数据的机器学习分支 21
2.4 什么是强化学习 28
2.5 本章小结 30
2.6 练习 31
第3 章 在点附近画一条线:线性回归 33
3.1 问题:预测房屋的价格 35
3.2 解决方案:建立房价回归模型 35
3.3 如何让计算机绘制出这条线:线性回归算法 41
3.4 如何衡量结果?误差函数 54
3.5 实际应用:使用Turi Create预测房价 61
3.6 如果数据不在一行怎么办?多项式回归 63
3.7 参数和超参数 64
3.8 回归应用 6
3.9 本章小结 66
3.10 练习 66
第4 章 优化训练过程:欠拟合、过拟合、测试和正则化 69
4.1 使用多项式回归的欠拟合和过拟合示例 71
4.2 如何让计算机选择正确的模型?测试 73
4.3 我们在哪里打破了黄金法则,如何解决呢?验证集 75
4.4 一种决定模型复杂度的数值方法:模型复杂度图 76
4.5 避免过拟合的另一种选择:正则化 77
4.6 使用Turi Create 进行多项式回归、测试和正则化 85
4.7 本章小结 89
4.8 练习 90
第5 章 使用线来划分点: 感知器算法 93
5.1 问题:我们在一个外星球上,听不懂外星人的语言 95
5.2 如何确定分类器的好坏?误差函数 108
5.3 如何找到一个好的分类器?感知器算法 115
5.4 感知器算法编程实现 123
5.5 感知器算法的应用 128
5.6 本章小结 129
5.7 练习 130
第6 章 划分点的连续方法:逻辑分类器 133
6.1 逻辑分类器:连续版感知器分类器 134
6.2 如何找到一个好的逻辑分类器?逻辑回归算法 144
6.3 对逻辑回归算法进行编程 150
6.4 实际应用:使用Turi Create对IMDB 评论进行分类 154
6.5 多分类:softmax 函数 156
6.6 本章小结 157
6.7 练习 158
第7 章 如何衡量分类模型?准确率和其他相关概念 159
7.1 准确率:模型的正确频率是多少 160
7.2 如何解决准确率问题?定义不同类型的误差以及如何进行衡量 161
7.3 一个有用的模型评价工具ROC 曲线 170
7.4 本章小结 179
7.5 练习 181
第8 章 使用概率*大化:朴素贝叶斯模型 183
8.1 生病还是健康?以贝叶斯定理为主角的故事 184
8.2 用例:垃圾邮件检测模型 188
8.3 使用真实数据构建垃圾邮件检测模型 201
8.4 本章小结 204
8.5 练习 205
第9 章 通过提问划分数据:决策树 207
9.1 问题:需要根据用户可能下载的内容向用户推荐应用 213
9.2 解决方案:构建应用推荐系统 214
9.3 超出“是”或“否”之类的问题 228
9.4 决策树的图形边界 231
9.5 实际应用:使用Scikit-Learn 构建招生模型 234
9.6 用于回归的决策树 238
9.7 应用 241
9.8 本章小结 242
9.9 练习 242
第10 章 组合积木以获得更多力量:神经网络 245
10.1 以更复杂的外星球为例,开启神经网络学习 247
10.2 训练神经网络 258
10.3 Keras 中的神经网络编程 264
10.4 用于回归的神经网络 272
10.5 用于更复杂数据集的其他架构 273
10.6 本章小结 275
10.7 练习 276
第11 章 用风格寻找界限:支持向量机和内核方法 279
11.1 使用新的误差函数构建更好的分类器 281
11.2 Scikit-Learn 中的SVM编程 287
11.3 训练非线性边界的SVM:内核方法 289
11.4 本章小结 308
11.5 练习 309
第12 章 组合模型以*大化结果:集成学习 311
12.1 获取朋友的帮助 312
12.2 bagging:随机组合弱学习器以构建强学习器 314
12.3 AdaBoost:以智能方式组合弱学习器以构建强学习器 319
12.4 梯度提升:使用决策树构建强学习器 327
12.5 XGBoost:一种梯度提升的极端方法 332
12.6 集成方法的应用 340
12.7 本章小结 341
12.8 练习 341
第13 章 理论付诸实践:数据工程和机器学习真实示例 343
13.1 泰坦尼克号数据集 344
13.2 清洗数据集:缺失值及其处理方法 348
13.3 特征工程:在训练模型之前转换数据集中的特征 350
13.4 训练模型 355
13.5 调整超参数以找到*佳模型:网格搜索 359
13.6 使用k 折交叉验证来重用训练和验证数据 362
13.7 本章小结 363
13.8 练习 364
以下内容可扫封底二维码下载
附录A 习题解答 365
附录B 梯度下降背后的数学原理:
使用导数和斜率下山 398
附录C 参考资料 416
展开全部

作者简介

Luis G. Serrano是量子人工智能领域的研究科学家。此前,他曾担任Google机器学习工程师和Apple公司首席人工智能教师。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航