掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 機(jī)器學(xué)習(xí)圖解
開本：
其他
頁數(shù)：
380
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場及詳解·二級(jí)MSOffice高級(jí)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(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥89.6
加入購物車
機(jī)器學(xué)習(xí)圖解 版權(quán)信息
- ISBN：9787302634645
- 條形碼：9787302634645 ; 978-7-302-63464-5
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機(jī)器學(xué)習(xí)圖解 本書特色
目前，該領(lǐng)域中將理論與實(shí)踐相結(jié)合、通俗易懂的著作較少。機(jī)器學(xué)習(xí)是人工智能的一部分，很多初學(xué)者往往把機(jī)器學(xué)習(xí)和深度學(xué)習(xí)作為人工智能入門的突破口，非科班出身的人士更是如此。當(dāng)前，國內(nèi)縱向復(fù)合型人才和橫向復(fù)合型人才奇缺;具有計(jì)算機(jī)背景的人才主要還是以傳統(tǒng)人工智能研究為主，跨學(xué)科人才較少。非科班人員在將機(jī)器學(xué)習(xí)應(yīng)用于自己的研究時(shí)，往往對理論理解不透徹，且編程能力不足。針對這一現(xiàn)象，譯者長期與出版社合作，翻譯了一些經(jīng)典實(shí)用、符合實(shí)際需求的著作，借此幫助人工智能、機(jī)器學(xué)習(xí)等相關(guān)領(lǐng)域的人士(包括非專業(yè)人士)使用機(jī)器學(xué)習(xí)解決自己所在領(lǐng)域的問題。
《機(jī)器學(xué)習(xí)圖解》就是這樣的著作!本書作者擁有密歇根大學(xué)數(shù)學(xué)博士學(xué)位，曾擔(dān)任Google和Apple工程師，是機(jī)器學(xué)習(xí)布道者。本書是他這些年的成果結(jié)晶。本書將理論與實(shí)踐結(jié)合，以圖的形式講解機(jī)器學(xué)習(xí)經(jīng)典算法。全書共13章。第1章、第2章、第4章主要對機(jī)器學(xué)習(xí)基本概念、機(jī)器學(xué)習(xí)類型、優(yōu)化訓(xùn)練過程進(jìn)行介紹。
這對初學(xué)者形成機(jī)器學(xué)習(xí)思維習(xí)慣非常有益。第3章和第5~12章對9類經(jīng)典的機(jī)器學(xué)習(xí)算法進(jìn)行了系統(tǒng)介紹，包含問題提出、原理解釋、代碼實(shí)現(xiàn)等方面。第13章列舉了真實(shí)示例。本書提供了豐富的代碼和視頻資源。建議讀者一邊閱讀本書，一邊動(dòng)手實(shí)踐，調(diào)試源碼，并根據(jù)自己的實(shí)際需要研究問題，閱讀文獻(xiàn)并改進(jìn)源碼，解決自己的問題。本書可作為本科高年級(jí)和研究生教材，面向?qū)幋a感興趣但不擅長數(shù)學(xué)的讀者(非專業(yè)人士)。同時(shí)可作為計(jì)算機(jī)科學(xué)學(xué)者、企業(yè)工程師的參考書。
機(jī)器學(xué)習(xí)圖解 內(nèi)容簡介
閱讀本書，即使讀者僅掌握高中數(shù)學(xué)知識(shí)，也能理解和應(yīng)用強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)！簡單來講，機(jī)器學(xué)習(xí)是一套以算法為基礎(chǔ)的數(shù)據(jù)分析技術(shù)，當(dāng)你提供更多數(shù)據(jù)時(shí)，算法可反饋更好的結(jié)果。ML支持許多很好技術(shù)，如推薦系統(tǒng)、面部識(shí)別軟件、智能揚(yáng)聲器，甚至包括自動(dòng)駕駛汽車。本書不落窠臼，示例豐富，精選的練習(xí)十分有趣，插圖清晰，講解機(jī)器學(xué)習(xí)的核心概念。 《機(jī)器學(xué)習(xí)圖解》以簡明易懂的方式介紹機(jī)器學(xué)習(xí)的算法和技術(shù)。本書不談深?yuàn)W的術(shù)語，只通過基本代數(shù)知識(shí)提供清晰的解釋。你將使用Python構(gòu)建有趣的項(xiàng)目，包括垃圾郵件檢測和圖像識(shí)別模型；還將學(xué)習(xí)一些實(shí)用技能，以清理和準(zhǔn)備數(shù)據(jù)。 ? 分類和劃分?jǐn)?shù)據(jù)的監(jiān)督算法 ? 清理和簡化數(shù)據(jù)的方法 ? 機(jī)器學(xué)習(xí)包和工具 ? 復(fù)雜數(shù)據(jù)集的神經(jīng)網(wǎng)絡(luò)和集成方法 讀者閱讀本書前，**了解Python基礎(chǔ)知識(shí)，不必了解機(jī)器學(xué)習(xí)知識(shí)。
機(jī)器學(xué)習(xí)圖解 目錄
第1 章 什么是機(jī)器學(xué)習(xí)？這是一種常識(shí)，唯一特別之處在于由計(jì)算機(jī)完成 1
1.1 我是否需要掌握大量的數(shù)學(xué)和編程背景知識(shí)才能理解機(jī)器學(xué)習(xí) 2
1.2 機(jī)器學(xué)習(xí)究竟是什么 3
1.3 如何讓機(jī)器根據(jù)數(shù)據(jù)做出決策？記憶-制定-預(yù)測框架 6
1.4 本章小結(jié) 12
第2 章 機(jī)器學(xué)習(xí)類型 15
2.1 標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)的區(qū)別 17
2.2 監(jiān)督學(xué)習(xí)：處理標(biāo)簽數(shù)據(jù)的機(jī)器學(xué)習(xí)分支 18
2.3 無監(jiān)督學(xué)習(xí)：處理無標(biāo)簽數(shù)據(jù)的機(jī)器學(xué)習(xí)分支 21
2.4 什么是強(qiáng)化學(xué)習(xí) 28
2.5 本章小結(jié) 30
2.6 練習(xí) 31
第3 章 在點(diǎn)附近畫一條線：線性回歸 33
3.1 問題：預(yù)測房屋的價(jià)格 35
3.2 解決方案：建立房價(jià)回歸模型 35
3.3 如何讓計(jì)算機(jī)繪制出這條線：線性回歸算法 41
3.4 如何衡量結(jié)果？誤差函數(shù) 54
3.5 實(shí)際應(yīng)用：使用Turi Create預(yù)測房價(jià) 61
3.6 如果數(shù)據(jù)不在一行怎么辦？多項(xiàng)式回歸 63
3.7 參數(shù)和超參數(shù) 64
3.8 回歸應(yīng)用 6
3.9 本章小結(jié) 66
3.10 練習(xí) 66
第4 章 優(yōu)化訓(xùn)練過程：欠擬合、過擬合、測試和正則化 69
4.1 使用多項(xiàng)式回歸的欠擬合和過擬合示例 71
4.2 如何讓計(jì)算機(jī)選擇正確的模型？測試 73
4.3 我們在哪里打破了黃金法則，如何解決呢？驗(yàn)證集 75
4.4 一種決定模型復(fù)雜度的數(shù)值方法：模型復(fù)雜度圖 76
4.5 避免過擬合的另一種選擇：正則化 77
4.6 使用Turi Create 進(jìn)行多項(xiàng)式回歸、測試和正則化 85
4.7 本章小結(jié) 89
4.8 練習(xí) 90
第5 章 使用線來劃分點(diǎn): 感知器算法 93
5.1 問題：我們在一個(gè)外星球上，聽不懂外星人的語言 95
5.2 如何確定分類器的好壞？誤差函數(shù) 108
5.3 如何找到一個(gè)好的分類器？感知器算法 115
5.4 感知器算法編程實(shí)現(xiàn) 123
5.5 感知器算法的應(yīng)用 128
5.6 本章小結(jié) 129
5.7 練習(xí) 130
第6 章 劃分點(diǎn)的連續(xù)方法：邏輯分類器 133
6.1 邏輯分類器：連續(xù)版感知器分類器 134
6.2 如何找到一個(gè)好的邏輯分類器？邏輯回歸算法 144
6.3 對邏輯回歸算法進(jìn)行編程 150
6.4 實(shí)際應(yīng)用：使用Turi Create對IMDB 評(píng)論進(jìn)行分類 154
6.5 多分類：softmax 函數(shù) 156
6.6 本章小結(jié) 157
6.7 練習(xí) 158
第7 章 如何衡量分類模型？準(zhǔn)確率和其他相關(guān)概念 159
7.1 準(zhǔn)確率：模型的正確頻率是多少 160
7.2 如何解決準(zhǔn)確率問題？定義不同類型的誤差以及如何進(jìn)行衡量 161
7.3 一個(gè)有用的模型評(píng)價(jià)工具ROC 曲線 170
7.4 本章小結(jié) 179
7.5 練習(xí) 181
第8 章 使用概率*大化：樸素貝葉斯模型 183
8.1 生病還是健康？以貝葉斯定理為主角的故事 184
8.2 用例：垃圾郵件檢測模型 188
8.3 使用真實(shí)數(shù)據(jù)構(gòu)建垃圾郵件檢測模型 201
8.4 本章小結(jié) 204
8.5 練習(xí) 205
第9 章 通過提問劃分?jǐn)?shù)據(jù)：決策樹 207
9.1 問題：需要根據(jù)用戶可能下載的內(nèi)容向用戶推薦應(yīng)用 213
9.2 解決方案：構(gòu)建應(yīng)用推薦系統(tǒng) 214
9.3 超出“是”或“否”之類的問題 228
9.4 決策樹的圖形邊界 231
9.5 實(shí)際應(yīng)用：使用Scikit-Learn 構(gòu)建招生模型 234
9.6 用于回歸的決策樹 238
9.7 應(yīng)用 241
9.8 本章小結(jié) 242
9.9 練習(xí) 242
第10 章 組合積木以獲得更多力量：神經(jīng)網(wǎng)絡(luò) 245
10.1 以更復(fù)雜的外星球?yàn)槔_啟神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 247
10.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 258
10.3 Keras 中的神經(jīng)網(wǎng)絡(luò)編程 264
10.4 用于回歸的神經(jīng)網(wǎng)絡(luò) 272
10.5 用于更復(fù)雜數(shù)據(jù)集的其他架構(gòu) 273
10.6 本章小結(jié) 275
10.7 練習(xí) 276
第11 章 用風(fēng)格尋找界限：支持向量機(jī)和內(nèi)核方法 279
11.1 使用新的誤差函數(shù)構(gòu)建更好的分類器 281
11.2 Scikit-Learn 中的SVM編程 287
11.3 訓(xùn)練非線性邊界的SVM：內(nèi)核方法 289
11.4 本章小結(jié) 308
11.5 練習(xí) 309
第12 章 組合模型以*大化結(jié)果：集成學(xué)習(xí) 311
12.1 獲取朋友的幫助 312
12.2 bagging：隨機(jī)組合弱學(xué)習(xí)器以構(gòu)建強(qiáng)學(xué)習(xí)器 314
12.3 AdaBoost：以智能方式組合弱學(xué)習(xí)器以構(gòu)建強(qiáng)學(xué)習(xí)器 319
12.4 梯度提升：使用決策樹構(gòu)建強(qiáng)學(xué)習(xí)器 327
12.5 XGBoost：一種梯度提升的極端方法 332
12.6 集成方法的應(yīng)用 340
12.7 本章小結(jié) 341
12.8 練習(xí) 341
第13 章 理論付諸實(shí)踐：數(shù)據(jù)工程和機(jī)器學(xué)習(xí)真實(shí)示例 343
13.1 泰坦尼克號(hào)數(shù)據(jù)集 344
13.2 清洗數(shù)據(jù)集：缺失值及其處理方法 348
13.3 特征工程：在訓(xùn)練模型之前轉(zhuǎn)換數(shù)據(jù)集中的特征 350
13.4 訓(xùn)練模型 355
13.5 調(diào)整超參數(shù)以找到*佳模型：網(wǎng)格搜索 359
13.6 使用k 折交叉驗(yàn)證來重用訓(xùn)練和驗(yàn)證數(shù)據(jù) 362
13.7 本章小結(jié) 363
13.8 練習(xí) 364
以下內(nèi)容可掃封底二維碼下載
附錄A 習(xí)題解答 365
附錄B 梯度下降背后的數(shù)學(xué)原理：
使用導(dǎo)數(shù)和斜率下山 398
附錄C 參考資料 416
1.1 我是否需要掌握大量的數(shù)學(xué)和編程背景知識(shí)才能理解機(jī)器學(xué)習(xí) 2
1.2 機(jī)器學(xué)習(xí)究竟是什么 3
1.3 如何讓機(jī)器根據(jù)數(shù)據(jù)做出決策？記憶-制定-預(yù)測框架 6
1.4 本章小結(jié) 12
第2 章 機(jī)器學(xué)習(xí)類型 15
2.1 標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)的區(qū)別 17
2.2 監(jiān)督學(xué)習(xí)：處理標(biāo)簽數(shù)據(jù)的機(jī)器學(xué)習(xí)分支 18
2.3 無監(jiān)督學(xué)習(xí)：處理無標(biāo)簽數(shù)據(jù)的機(jī)器學(xué)習(xí)分支 21
2.4 什么是強(qiáng)化學(xué)習(xí) 28
2.5 本章小結(jié) 30
2.6 練習(xí) 31
第3 章 在點(diǎn)附近畫一條線：線性回歸 33
3.1 問題：預(yù)測房屋的價(jià)格 35
3.2 解決方案：建立房價(jià)回歸模型 35
3.3 如何讓計(jì)算機(jī)繪制出這條線：線性回歸算法 41
3.4 如何衡量結(jié)果？誤差函數(shù) 54
3.5 實(shí)際應(yīng)用：使用Turi Create預(yù)測房價(jià) 61
3.6 如果數(shù)據(jù)不在一行怎么辦？多項(xiàng)式回歸 63
3.7 參數(shù)和超參數(shù) 64
3.8 回歸應(yīng)用 6
3.9 本章小結(jié) 66
3.10 練習(xí) 66
第4 章 優(yōu)化訓(xùn)練過程：欠擬合、過擬合、測試和正則化 69
4.1 使用多項(xiàng)式回歸的欠擬合和過擬合示例 71
4.2 如何讓計(jì)算機(jī)選擇正確的模型？測試 73
4.3 我們在哪里打破了黃金法則，如何解決呢？驗(yàn)證集 75
4.4 一種決定模型復(fù)雜度的數(shù)值方法：模型復(fù)雜度圖 76
4.5 避免過擬合的另一種選擇：正則化 77
4.6 使用Turi Create 進(jìn)行多項(xiàng)式回歸、測試和正則化 85
4.7 本章小結(jié) 89
4.8 練習(xí) 90
第5 章 使用線來劃分點(diǎn): 感知器算法 93
5.1 問題：我們在一個(gè)外星球上，聽不懂外星人的語言 95
5.2 如何確定分類器的好壞？誤差函數(shù) 108
5.3 如何找到一個(gè)好的分類器？感知器算法 115
5.4 感知器算法編程實(shí)現(xiàn) 123
5.5 感知器算法的應(yīng)用 128
5.6 本章小結(jié) 129
5.7 練習(xí) 130
第6 章 劃分點(diǎn)的連續(xù)方法：邏輯分類器 133
6.1 邏輯分類器：連續(xù)版感知器分類器 134
6.2 如何找到一個(gè)好的邏輯分類器？邏輯回歸算法 144
6.3 對邏輯回歸算法進(jìn)行編程 150
6.4 實(shí)際應(yīng)用：使用Turi Create對IMDB 評(píng)論進(jìn)行分類 154
6.5 多分類：softmax 函數(shù) 156
6.6 本章小結(jié) 157
6.7 練習(xí) 158
第7 章 如何衡量分類模型？準(zhǔn)確率和其他相關(guān)概念 159
7.1 準(zhǔn)確率：模型的正確頻率是多少 160
7.2 如何解決準(zhǔn)確率問題？定義不同類型的誤差以及如何進(jìn)行衡量 161
7.3 一個(gè)有用的模型評(píng)價(jià)工具ROC 曲線 170
7.4 本章小結(jié) 179
7.5 練習(xí) 181
第8 章 使用概率*大化：樸素貝葉斯模型 183
8.1 生病還是健康？以貝葉斯定理為主角的故事 184
8.2 用例：垃圾郵件檢測模型 188
8.3 使用真實(shí)數(shù)據(jù)構(gòu)建垃圾郵件檢測模型 201
8.4 本章小結(jié) 204
8.5 練習(xí) 205
第9 章 通過提問劃分?jǐn)?shù)據(jù)：決策樹 207
9.1 問題：需要根據(jù)用戶可能下載的內(nèi)容向用戶推薦應(yīng)用 213
9.2 解決方案：構(gòu)建應(yīng)用推薦系統(tǒng) 214
9.3 超出“是”或“否”之類的問題 228
9.4 決策樹的圖形邊界 231
9.5 實(shí)際應(yīng)用：使用Scikit-Learn 構(gòu)建招生模型 234
9.6 用于回歸的決策樹 238
9.7 應(yīng)用 241
9.8 本章小結(jié) 242
9.9 練習(xí) 242
第10 章 組合積木以獲得更多力量：神經(jīng)網(wǎng)絡(luò) 245
10.1 以更復(fù)雜的外星球?yàn)槔_啟神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 247
10.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 258
10.3 Keras 中的神經(jīng)網(wǎng)絡(luò)編程 264
10.4 用于回歸的神經(jīng)網(wǎng)絡(luò) 272
10.5 用于更復(fù)雜數(shù)據(jù)集的其他架構(gòu) 273
10.6 本章小結(jié) 275
10.7 練習(xí) 276
第11 章 用風(fēng)格尋找界限：支持向量機(jī)和內(nèi)核方法 279
11.1 使用新的誤差函數(shù)構(gòu)建更好的分類器 281
11.2 Scikit-Learn 中的SVM編程 287
11.3 訓(xùn)練非線性邊界的SVM：內(nèi)核方法 289
11.4 本章小結(jié) 308
11.5 練習(xí) 309
第12 章 組合模型以*大化結(jié)果：集成學(xué)習(xí) 311
12.1 獲取朋友的幫助 312
12.2 bagging：隨機(jī)組合弱學(xué)習(xí)器以構(gòu)建強(qiáng)學(xué)習(xí)器 314
12.3 AdaBoost：以智能方式組合弱學(xué)習(xí)器以構(gòu)建強(qiáng)學(xué)習(xí)器 319
12.4 梯度提升：使用決策樹構(gòu)建強(qiáng)學(xué)習(xí)器 327
12.5 XGBoost：一種梯度提升的極端方法 332
12.6 集成方法的應(yīng)用 340
12.7 本章小結(jié) 341
12.8 練習(xí) 341
第13 章 理論付諸實(shí)踐：數(shù)據(jù)工程和機(jī)器學(xué)習(xí)真實(shí)示例 343
13.1 泰坦尼克號(hào)數(shù)據(jù)集 344
13.2 清洗數(shù)據(jù)集：缺失值及其處理方法 348
13.3 特征工程：在訓(xùn)練模型之前轉(zhuǎn)換數(shù)據(jù)集中的特征 350
13.4 訓(xùn)練模型 355
13.5 調(diào)整超參數(shù)以找到*佳模型：網(wǎng)格搜索 359
13.6 使用k 折交叉驗(yàn)證來重用訓(xùn)練和驗(yàn)證數(shù)據(jù) 362
13.7 本章小結(jié) 363
13.8 練習(xí) 364
以下內(nèi)容可掃封底二維碼下載
附錄A 習(xí)題解答 365
附錄B 梯度下降背后的數(shù)學(xué)原理：
使用導(dǎo)數(shù)和斜率下山 398
附錄C 參考資料 416
展開全部
機(jī)器學(xué)習(xí)圖解 作者簡介
Luis G. Serrano是量子人工智能領(lǐng)域的研究科學(xué)家。此前，他曾擔(dān)任Google機(jī)器學(xué)習(xí)工程師和Apple公司首席人工智能教師。
書友推薦
- >
山海經(jīng)
- >
小考拉的故事-套裝共3冊
- >
煙與鏡
- >
隨園食單
- >
苦雨齋序跋文-周作人自編集
- >
經(jīng)典常談
- >
羅庸西南聯(lián)大授課錄
- >
詩經(jīng)-先民的歌唱
本類暢銷
