掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
機器學(xué)習(xí)觀止 核心原理與實踐 版權(quán)信息
- ISBN：9787302557449
- 條形碼：9787302557449 ; 978-7-302-55744-9
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機器學(xué)習(xí)觀止 核心原理與實踐 本書特色
一個處于工程應(yīng)用前沿的首席技術(shù)專家?guī)阆到y(tǒng)學(xué)習(xí)AI技術(shù)： 學(xué)術(shù) 應(yīng)用，綜合學(xué)習(xí)，融會貫通； 軟件 硬件，系統(tǒng)學(xué)習(xí)，整體思考； 算法 平臺，密切結(jié)合，釋疑解惑。
機器學(xué)習(xí)觀止 核心原理與實踐 內(nèi)容簡介
《機器學(xué)習(xí)觀止——核心原理與實踐》在寫作伊始，就把讀者設(shè)想為一位雖然沒有任何AI基礎(chǔ)，但對技術(shù)本身抱有濃厚興趣、喜歡“抽絲剝 繭”、探究真相的“有識之士”。有別于市面上部分AI技術(shù)書籍從一開始就直接講解各種“高深莫測”算法的敘 述手法，《機器學(xué)習(xí)觀止——核心原理與實踐》嘗試先從零開始構(gòu)建基礎(chǔ)技術(shù)點，而后“循序漸進(jìn)”地引領(lǐng)讀者前進(jìn)，*終“直搗黃龍”，贏取* 后的勝利。 全書據(jù)此分為5篇，共31章，內(nèi)容基本覆蓋了由AI發(fā)展歷史、數(shù)學(xué)基礎(chǔ)知識、機器學(xué)習(xí)算法等經(jīng)典知識點以及 深度學(xué)習(xí)、深度強化學(xué)習(xí)等較新理論知識所組成的AI核心技術(shù)。同時注重“理論聯(lián)系實踐”，通過多個章節(jié)重點 介紹了如何在工程項目中運用AI來解決問題的諸多經(jīng)驗以及相應(yīng)的模型算法，以期讓讀者既能享受到“知其所以 然”的樂趣，還能體會到“知其然”的輕松和愉悅。 《機器學(xué)習(xí)觀止——核心原理與實踐》適合對AI感興趣的讀者閱讀，從事AI領(lǐng)域工作的研究人員、工程開發(fā)人員、高校本科生和研究生都可以從 《機器學(xué)習(xí)觀止——核心原理與實踐》中學(xué)到機器學(xué)習(xí)的相關(guān)知識。
機器學(xué)習(xí)觀止 核心原理與實踐 目錄
目 錄
機器學(xué)習(xí)基礎(chǔ)知識篇
第1章 人工智能概述 002
1.1 人工智能的定義 002
1.2 人工智能發(fā)展簡史 003
1.3 人工智能經(jīng)典流派 016
1.4 人工智能與機器學(xué)習(xí) 027
1.5 如何選擇機器學(xué)習(xí)算法 029
1.6 機器學(xué)習(xí)的典型應(yīng)用場景 032
1.7 本書的組織結(jié)構(gòu) 043
第2章 機器學(xué)習(xí)中的數(shù)學(xué)基礎(chǔ) 045
2.1 微分學(xué) 045
2.2 線性代數(shù) 047
2.3 概率論 060
2.4 統(tǒng)計學(xué) 065
2.5 *優(yōu)化理論 068
2.6 其他 088
第3章 機器學(xué)習(xí)模型的度量指標(biāo) 099
3.1 Precision、Recall和mAP 099
3.2 F1 Score 101
3.3 混淆矩陣 102
3.4 ROC 103
3.5 AUC 105
3.6 PRC 107
3.7 工業(yè)界使用的典型AI指標(biāo) 108
經(jīng)典機器學(xué)習(xí)篇
第4章 回歸算法 112
4.1 回歸分析 112
4.2 線性回歸 112
4.3 邏輯回歸 115
第5章 K-NN算法 122
5.1 K-NN概述 122
5.2 K-NN分類算法 123
5.3 K-NN回歸算法 124
5.4 K-NN的優(yōu)缺點 125
5.5 K-NN工程范例 126
第6章 k-means 129
6.1 k-means概述 129
6.2 k-means核心算法 129
6.3 k-means算法的優(yōu)缺點 131
6.4 k-means工程范例 132
第7章 樸素貝葉斯 135
7.1 樸素貝葉斯分類算法 135
7.2 樸素貝葉斯的實際應(yīng)用 137
第8章 決策樹和隨機森林 141
8.1 決策樹 141
8.2 隨機森林 146
第9章 支持向量機 149
9.1 SVM可以做什么 149
9.2 SVM的數(shù)學(xué)表述 151
9.4 硬間隔SVM 174
9.5 軟間隔SVM 177
9.6 核函數(shù)技巧 182
9.7 多分類SVM 187
9.8 SVM實踐 193
第10章 PCA降維 196
10.1 降維概述 196
10.2 PCA降維實現(xiàn)原理 197
10.3 PCA實例 200
第11章 集成學(xué)習(xí) 202
11.1 集成學(xué)習(xí)概述 202
11.2 集成學(xué)習(xí)架構(gòu) 203
11.3 典型的集成方法 206
深度學(xué)習(xí)進(jìn)階篇
第12章 深度神經(jīng)網(wǎng)絡(luò) 212
12.1 神經(jīng)元 212
12.2 激活函數(shù) 214
12.4 損失函數(shù) 224
第13章 卷積神經(jīng)網(wǎng)絡(luò) 232
13.1 CNN發(fā)展歷史簡述 232
13.2 CNN的核心組成元素 233
13.3 CNN經(jīng)典框架 237
13.4 CNN的典型特性 249
第14章 RNN與LSTM 256
14.1 RNN 256
14.2 RNN的多種形態(tài) 257
14.3 RNN存在的不足 258
14.4 LSTM 259
14.5 LSTM核心框架 259
14.6 GRU 263
第15章 深度強化學(xué)習(xí) 265
15.1 強化學(xué)習(xí)和MDP 265
15.2 MDP問題的解決方案分類 268
15.3 基于模型的動態(tài)規(guī)劃算法 269
15.4 基于無模型的強化學(xué)習(xí)算法 272
15.5 DQN 278
15.6 基于策略的強化學(xué)習(xí)算法 280
第16章 MCTS 285
16.1 MCTS概述 285
16.2 MCTS算法核心處理過程 286
16.3 UCB和UCT 286
16.4 MCTS實例解析 288
機器學(xué)習(xí)應(yīng)用實踐及相關(guān)原理
第17章 數(shù)據(jù)集的建設(shè) 292
17.1 數(shù)據(jù)集建設(shè)的核心目標(biāo) 292
17.2 數(shù)據(jù)采集和標(biāo)注 294
17.3 數(shù)據(jù)分析和處理 299
第18章 CNN訓(xùn)練技巧 304
18.1 數(shù)據(jù)預(yù)處理 304
18.2 數(shù)據(jù)增強 308
18.3 CNN核心組件擇優(yōu) 309
18.4 參數(shù)初始化策略 310
18.5 模型過擬合解決方法 319
18.6 模型的可解釋性 328
18.7 Auto ML 346
第19章 CV和視覺識別經(jīng)典模型 348
19.1 CV發(fā)展簡史 348
19.2 視覺識別概述 353
19.3 R-CNN 359
19.4 Fast R-CNN 364
19.5 SPP-Net 365
19.6 Faster R-CNN 368
19.7 YOLO 375
19.8 SSD 383
19.9 不基于CNN來實現(xiàn)目標(biāo)識別 390
第20章 自然語言處理和CNN 397
20.1 NLP簡述 397
20.2 NLP發(fā)展歷史 399
20.3 自然語言基礎(chǔ) 400
20.4 詞的表達(dá)方式 403
20.5 自然語言模型 405
20.6 word2vec 416
20.6.1 word2vec簡介 416
20.7 常用語料庫 420
20.8 NLP應(yīng)用：文本分類 424
第21章 自然語言處理和CNN 430
21.1 應(yīng)用程序場景識別背景 430
21.2 特征向量 431
21.3 數(shù)據(jù)采集 432
21.4 算法模型 433
21.5 落地應(yīng)用 433
第22章 軟件自動修復(fù) 436
22.1 什么是軟件自動修復(fù) 436
22.2 軟件自動修復(fù)基礎(chǔ)知識 437
22.3 階段1：缺陷定位 441
22.4 階段2：補丁生成 458
22.5 APR領(lǐng)域經(jīng)典框架 462
第23章 基于強化學(xué)習(xí)的經(jīng)典應(yīng)用—AlphaGO 479
23.1 AlphaGO簡述 479
23.2 AlphaGO核心原理 480
23.3 策略網(wǎng)絡(luò) 481
23.4 估值網(wǎng)絡(luò) 483
23.5 MCTS 483
機器學(xué)習(xí)平臺篇
第24章 分布式機器學(xué)習(xí)框架基礎(chǔ)知識 488
24.1 分布式機器學(xué)習(xí)核心理念 488
24.2 GPU硬件設(shè)備 491
24.3 網(wǎng)絡(luò)標(biāo)準(zhǔn) 498
24.4 分布式通信框架 500
24.5 經(jīng)典分布式ML框架Caffe-MPI 511
第25章 Tensorflow 514
25.1 Tensorflow安裝過程 514
25.2 Tensorflow基礎(chǔ)知識 516
25.3 Tensorflow分布式訓(xùn)練 533
25.4 Tensorflow分布式部署 549
25.5 Tensorflow范例解析 560
25.6 Tensorflow的“變種” 563
第26章 Caffe 568
26.1 Caffe的安裝 568
26.2 Caffe支持的數(shù)據(jù)集格式 587
26.3 Caffe中的網(wǎng)絡(luò)模型構(gòu)建 594
26.4 Google Protocol Buffer 598
26.5 Caffe2源碼結(jié)構(gòu) 600
26.6 Caffe工程范例 601
26.7 Caffe中的Model Zoo 607
第27章 scikit-learn 609
27.1 scikit-learn的安裝 610
27.2 scikit-learn中的機器學(xué)習(xí)算法 610
27.3 scikit-learn中的Model selection 613
27.4 scikit-learn中的預(yù)處理 619
第28章 主流AI云平臺 628
28.1 Microsoft OpenPAI 628
28.2 Google Cloud 631
28.3 Baidu 631
28.4 Alibaba 637
第29章 圖像處理基礎(chǔ) 650
29.1 光、色彩和人類視覺系統(tǒng) 650
29.2 圖像的顏色模型 653
29.3 圖像的基本屬性 655
29.4 圖像特征 659
29.5 圖像的典型特征描述子 661
29.6 圖像處理實例(圖像質(zhì)量檢測) 690
第30章 程序切片技術(shù) 693
30.1 程序切片綜述 693
30.2 程序切片基礎(chǔ)知識 695
30.3 靜態(tài)切片技術(shù) 715
30.4 動態(tài)切片技術(shù) 721
第31章 業(yè)界主流數(shù)據(jù)集分析 726
31.1 ImageNet簡述 726
31.2 ImageNet的構(gòu)建邏輯 726
31.3 ImageNet數(shù)據(jù)源的選擇與處理 730
31.4 ImageNet的下載 733
參考文獻(xiàn) 736
展開全部
機器學(xué)習(xí)觀止 核心原理與實踐 作者簡介
林學(xué)森，香港中文大學(xué)研究生學(xué)歷，現(xiàn)為某世界100強科技公司首席技術(shù)專家、資深架構(gòu)師。在系統(tǒng)軟件、人工智能、軟件工具鏈、分布式系統(tǒng)等領(lǐng)域具備多年的技術(shù)研發(fā)與項目管理經(jīng)驗。另著有《深入理解Android內(nèi)核設(shè)計思想》《Android應(yīng)用程序開發(fā)權(quán)威指南》等書籍。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
羅曼·羅蘭讀書隨筆-精裝
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
史學(xué)評論
- >
推拿
- >
朝聞道
- >
煙與鏡
- >
姑媽的寶刀
本類暢銷
