中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 機(jī)器學(xué)習(xí)開發(fā)者指南
開本：
24cm
頁數(shù)：
214頁
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)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):¥45.2
加入購(gòu)物車
機(jī)器學(xué)習(xí)開發(fā)者指南 版權(quán)信息
- ISBN：9787115529305
- 條形碼：9787115529305 ; 978-7-115-52930-5
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機(jī)器學(xué)習(xí)開發(fā)者指南 本書特色
本書將帶領(lǐng)讀者學(xué)習(xí)如何實(shí)施各種機(jī)器學(xué)習(xí)技術(shù)及其日常應(yīng)用的開發(fā)。本書分為9章，從易于掌握的語言基礎(chǔ)數(shù)據(jù)和數(shù)學(xué)模型開始，向讀者介紹機(jī)器學(xué)習(xí)領(lǐng)域中使用的各種庫和框架，然后通過有趣的示例實(shí)現(xiàn)回歸、聚類、分類、神經(jīng)網(wǎng)絡(luò)等，從而解決如圖像分析、自然語言處理和時(shí)間序列數(shù)據(jù)的異常檢測(cè)等實(shí)際問題。 本書適合機(jī)器學(xué)習(xí)的開發(fā)人員、數(shù)據(jù)分析人員、機(jī)器學(xué)習(xí)領(lǐng)域的從業(yè)人員，以及想要學(xué)習(xí)機(jī)器學(xué)習(xí)的技術(shù)愛好者閱讀。使用任何腳本語言的編程人員都可以閱讀本書，但如果熟悉Python語言的話，將有助于充分理解本書的內(nèi)容。
機(jī)器學(xué)習(xí)開發(fā)者指南 內(nèi)容簡(jiǎn)介
本書分為9章, 從易于掌握的語言基礎(chǔ)數(shù)據(jù)和數(shù)學(xué)模型開始, 向讀者介紹機(jī)器學(xué)習(xí)領(lǐng)域中使用的各種庫和框架, 然后通過有趣的示例實(shí)現(xiàn)回歸、聚類、分類、神經(jīng)網(wǎng)絡(luò)等, 從而解決如圖像分析、自然語言處理和時(shí)間序列數(shù)據(jù)的異常檢測(cè)等實(shí)際問題。
機(jī)器學(xué)習(xí)開發(fā)者指南 目錄
目錄
第 1章 機(jī)器學(xué)習(xí)和統(tǒng)計(jì)科學(xué) 1
1.1 機(jī)器學(xué)習(xí)的發(fā)展 2
1.2 編程語言與庫 6
1.3 基本數(shù)學(xué)概念 11
1.3.1 統(tǒng)計(jì)學(xué)——不確定性建模的基本支柱 11
1.3.2 概率與隨機(jī)變量 14
1.3.3 概率函數(shù)的統(tǒng)計(jì)度量 21
1.3.4 微分基礎(chǔ) 22
1.3.5 預(yù)備知識(shí) 22
1.4 小結(jié) 27
第 2章 學(xué)習(xí)過程 28
2.1 理解問題 28
2.2 數(shù)據(jù)集定義與檢索 30
2.2.1 ETL過程 30
2.2.2 加載數(shù)據(jù)與使用Scipy和Pandas進(jìn)行探索分析 31
2.2.3 與IPython交互 32
2.2.4 二維數(shù)據(jù)處理 34
2.3 特征工程 37
2.3.1 缺失數(shù)據(jù)估算 37
2.3.2 獨(dú)熱編碼 38
2.4 數(shù)據(jù)預(yù)處理 39
規(guī)范化和特征縮放 39
2.5 模型定義 41
提出正確的問題 41
2.6 損失函數(shù)定義 42
2.7 模型擬合和評(píng)價(jià) 43
數(shù)據(jù)集劃分 43
2.8 模型應(yīng)用與結(jié)果分析 44
2.8.1 回歸指標(biāo) 45
2.8.2 分類指標(biāo) 46
2.8.3 聚類質(zhì)量評(píng)估 48
2.9 小結(jié) 50
第3章 聚類 51
3.1 分組—— 一種人類行為 51
3.2 自動(dòng)化聚類過程 52
3.3 尋找一個(gè)共同的中心—— K-means 53
3.3.1 K-means的優(yōu)缺點(diǎn) 56
3.3.2 K-means算法分解 56
3.3.3 K-means算法實(shí)現(xiàn) 58
3.4 *近鄰（Nearest Neighbors） 62
3.5 K-NN算法實(shí)現(xiàn)示例 64
3.6 算法擴(kuò)展 67
3.7 小結(jié) 68
第4章 線性回歸和邏輯回歸 69
4.1 回歸分析 69
回歸的應(yīng)用 70
4.2 線性回歸 71
4.2.1 代價(jià)函數(shù)的確定 72
4.2.2 分析方法 74
4.2.3 協(xié)方差和相關(guān)性 75
4.2.4 尋找協(xié)方差和相關(guān)性的斜率和截距 77
4.2.5 梯度下降法 79
4.2.6 遞歸過程表示 83
4.3 實(shí)踐中的數(shù)據(jù)研究和線性回歸 86
4.3.1 鳶尾花數(shù)據(jù)集 87
4.3.2 線性回歸與梯度下降 93
4.4 邏輯回歸 103
4.4.1 線性回歸和邏輯回歸 103
4.4.2 logit函數(shù) 105
4.4.3 應(yīng)用邏輯回歸建立心臟疾病模型的實(shí)例 109
4.5 小結(jié) 112
第5章 神經(jīng)網(wǎng)絡(luò) 113
5.1 神經(jīng)模型的歷史 114
5.1.1 感知器模型 115
5.1.2 改進(jìn)預(yù)測(cè)結(jié)果——ADALINE算法 116
5.1.3 感知器和ADALINE之間的異同 118
5.1.4 單層和多層感知器 120
5.2 使用單層感知器實(shí)現(xiàn)簡(jiǎn)單的功能 124
5.2.1 定義并繪制傳遞函數(shù)類型 124
5.2.2 表示和理解傳遞函數(shù) 125
5.2.3 Sigmoid函數(shù)或邏輯函數(shù) 126
5.2.4 使用Sigmoid函數(shù) 126
5.2.5 修正線性單元 128
5.2.6 線性傳遞函數(shù) 129
5.2.7 定義損失函數(shù) 130
5.3 小結(jié) 136
第6章 卷積神經(jīng)網(wǎng)絡(luò) 137
6.1 卷積神經(jīng)網(wǎng)絡(luò)的起源 137
6.1.1 從卷積開始 138
6.1.2 卷積核和卷積 140
6.1.3 在實(shí)例中實(shí)現(xiàn)二維離散卷積 143
6.1.4 下采樣（池化） 146
6.1.5 通過Dropout操作提高效率 148
6.2 深度神經(jīng)網(wǎng)絡(luò) 149
6.2.1 深度卷積網(wǎng)絡(luò)框架的發(fā)展 149
6.2.2 深度卷積神經(jīng)網(wǎng)絡(luò)解決的問題類型 154
6.3 使用Keras部署一個(gè)深度神經(jīng)網(wǎng)絡(luò) 156
6.4 用Quiver開發(fā)卷積模型 158
6.4.1 用Quiver開發(fā)卷積網(wǎng)絡(luò) 158
6.4.2 遷移學(xué)習(xí)的實(shí)現(xiàn) 162
6.5 小結(jié) 167
第7章 循環(huán)神經(jīng)網(wǎng)絡(luò) 168
7.1 按順序解決問題—— RNN 168
7.1.1 RNN的定義 169
7.1.2 RNN的發(fā)展 169
7.2 LSTM 172
7.2.1 門和乘法運(yùn)算 172
7.2.2 設(shè)置遺忘參數(shù)（輸入門） 174
7.2.3 設(shè)置保持參數(shù) 174
7.2.4 修改單元 175
7.2.5 輸出過濾后的單元狀態(tài) 175
7.3 采用電能消耗數(shù)據(jù)預(yù)測(cè)單變量時(shí)間序列 176
數(shù)據(jù)集的描述和加載 176
7.4 小結(jié) 182
第8章 近期的新模型及其發(fā)展 183
8.1 GAN 183
GAN的應(yīng)用類別 184
8.2 強(qiáng)化學(xué)習(xí) 188
8.2.1 馬爾可夫決策過程 189
8.2.2 優(yōu)化馬爾可夫過程 190
8.3 基本強(qiáng)化學(xué)習(xí)技術(shù)：Q學(xué)習(xí) 191
8.4 小結(jié) 193
第9章 軟件安裝與配置 194
9.1 Linux系統(tǒng)環(huán)境安裝 194
9.1.1 初始配置要求 195
9.1.2 Anaconda安裝 195
9.1.3 pip安裝 200
9.2 macOS X系統(tǒng)環(huán)境安裝 201
9.2.1 Anaconda安裝 201
9.2.2 pip安裝 204
9.3 Windows系統(tǒng)環(huán)境安裝 205
Anaconda安裝 205
9.4 小結(jié) 208
參考資料 209
第 1章 機(jī)器學(xué)習(xí)和統(tǒng)計(jì)科學(xué) 1
1.1 機(jī)器學(xué)習(xí)的發(fā)展 2
1.2 編程語言與庫 6
1.3 基本數(shù)學(xué)概念 11
1.3.1 統(tǒng)計(jì)學(xué)——不確定性建模的基本支柱 11
1.3.2 概率與隨機(jī)變量 14
1.3.3 概率函數(shù)的統(tǒng)計(jì)度量 21
1.3.4 微分基礎(chǔ) 22
1.3.5 預(yù)備知識(shí) 22
1.4 小結(jié) 27
第 2章 學(xué)習(xí)過程 28
2.1 理解問題 28
2.2 數(shù)據(jù)集定義與檢索 30
2.2.1 ETL過程 30
2.2.2 加載數(shù)據(jù)與使用Scipy和Pandas進(jìn)行探索分析 31
2.2.3 與IPython交互 32
2.2.4 二維數(shù)據(jù)處理 34
2.3 特征工程 37
2.3.1 缺失數(shù)據(jù)估算 37
2.3.2 獨(dú)熱編碼 38
2.4 數(shù)據(jù)預(yù)處理 39
規(guī)范化和特征縮放 39
2.5 模型定義 41
提出正確的問題 41
2.6 損失函數(shù)定義 42
2.7 模型擬合和評(píng)價(jià) 43
數(shù)據(jù)集劃分 43
2.8 模型應(yīng)用與結(jié)果分析 44
2.8.1 回歸指標(biāo) 45
2.8.2 分類指標(biāo) 46
2.8.3 聚類質(zhì)量評(píng)估 48
2.9 小結(jié) 50
第3章 聚類 51
3.1 分組—— 一種人類行為 51
3.2 自動(dòng)化聚類過程 52
3.3 尋找一個(gè)共同的中心—— K-means 53
3.3.1 K-means的優(yōu)缺點(diǎn) 56
3.3.2 K-means算法分解 56
3.3.3 K-means算法實(shí)現(xiàn) 58
3.4 *近鄰（Nearest Neighbors） 62
3.5 K-NN算法實(shí)現(xiàn)示例 64
3.6 算法擴(kuò)展 67
3.7 小結(jié) 68
第4章 線性回歸和邏輯回歸 69
4.1 回歸分析 69
回歸的應(yīng)用 70
4.2 線性回歸 71
4.2.1 代價(jià)函數(shù)的確定 72
4.2.2 分析方法 74
4.2.3 協(xié)方差和相關(guān)性 75
4.2.4 尋找協(xié)方差和相關(guān)性的斜率和截距 77
4.2.5 梯度下降法 79
4.2.6 遞歸過程表示 83
4.3 實(shí)踐中的數(shù)據(jù)研究和線性回歸 86
4.3.1 鳶尾花數(shù)據(jù)集 87
4.3.2 線性回歸與梯度下降 93
4.4 邏輯回歸 103
4.4.1 線性回歸和邏輯回歸 103
4.4.2 logit函數(shù) 105
4.4.3 應(yīng)用邏輯回歸建立心臟疾病模型的實(shí)例 109
4.5 小結(jié) 112
第5章 神經(jīng)網(wǎng)絡(luò) 113
5.1 神經(jīng)模型的歷史 114
5.1.1 感知器模型 115
5.1.2 改進(jìn)預(yù)測(cè)結(jié)果——ADALINE算法 116
5.1.3 感知器和ADALINE之間的異同 118
5.1.4 單層和多層感知器 120
5.2 使用單層感知器實(shí)現(xiàn)簡(jiǎn)單的功能 124
5.2.1 定義并繪制傳遞函數(shù)類型 124
5.2.2 表示和理解傳遞函數(shù) 125
5.2.3 Sigmoid函數(shù)或邏輯函數(shù) 126
5.2.4 使用Sigmoid函數(shù) 126
5.2.5 修正線性單元 128
5.2.6 線性傳遞函數(shù) 129
5.2.7 定義損失函數(shù) 130
5.3 小結(jié) 136
第6章 卷積神經(jīng)網(wǎng)絡(luò) 137
6.1 卷積神經(jīng)網(wǎng)絡(luò)的起源 137
6.1.1 從卷積開始 138
6.1.2 卷積核和卷積 140
6.1.3 在實(shí)例中實(shí)現(xiàn)二維離散卷積 143
6.1.4 下采樣（池化） 146
6.1.5 通過Dropout操作提高效率 148
6.2 深度神經(jīng)網(wǎng)絡(luò) 149
6.2.1 深度卷積網(wǎng)絡(luò)框架的發(fā)展 149
6.2.2 深度卷積神經(jīng)網(wǎng)絡(luò)解決的問題類型 154
6.3 使用Keras部署一個(gè)深度神經(jīng)網(wǎng)絡(luò) 156
6.4 用Quiver開發(fā)卷積模型 158
6.4.1 用Quiver開發(fā)卷積網(wǎng)絡(luò) 158
6.4.2 遷移學(xué)習(xí)的實(shí)現(xiàn) 162
6.5 小結(jié) 167
第7章 循環(huán)神經(jīng)網(wǎng)絡(luò) 168
7.1 按順序解決問題—— RNN 168
7.1.1 RNN的定義 169
7.1.2 RNN的發(fā)展 169
7.2 LSTM 172
7.2.1 門和乘法運(yùn)算 172
7.2.2 設(shè)置遺忘參數(shù)（輸入門） 174
7.2.3 設(shè)置保持參數(shù) 174
7.2.4 修改單元 175
7.2.5 輸出過濾后的單元狀態(tài) 175
7.3 采用電能消耗數(shù)據(jù)預(yù)測(cè)單變量時(shí)間序列 176
數(shù)據(jù)集的描述和加載 176
7.4 小結(jié) 182
第8章 近期的新模型及其發(fā)展 183
8.1 GAN 183
GAN的應(yīng)用類別 184
8.2 強(qiáng)化學(xué)習(xí) 188
8.2.1 馬爾可夫決策過程 189
8.2.2 優(yōu)化馬爾可夫過程 190
8.3 基本強(qiáng)化學(xué)習(xí)技術(shù)：Q學(xué)習(xí) 191
8.4 小結(jié) 193
第9章 軟件安裝與配置 194
9.1 Linux系統(tǒng)環(huán)境安裝 194
9.1.1 初始配置要求 195
9.1.2 Anaconda安裝 195
9.1.3 pip安裝 200
9.2 macOS X系統(tǒng)環(huán)境安裝 201
9.2.1 Anaconda安裝 201
9.2.2 pip安裝 204
9.3 Windows系統(tǒng)環(huán)境安裝 205
Anaconda安裝 205
9.4 小結(jié) 208
參考資料 209
展開全部
機(jī)器學(xué)習(xí)開發(fā)者指南 作者簡(jiǎn)介
Rodolfo Bonnin是阿根廷國(guó)家科技大學(xué)的系統(tǒng)工程師，博士。他在德國(guó)斯圖加特大學(xué)學(xué)習(xí)并行編程和圖像理解的研究生課程。 自2005年以來，他一直在研究高性能計(jì)算，并于2008年開始研究和實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)，編寫支持CPU和GPU的神經(jīng)網(wǎng)絡(luò)前饋階段。最近，他一直致力于利用神經(jīng)網(wǎng)絡(luò)進(jìn)行欺詐模式檢測(cè)的工作，并使用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行信號(hào)分類。 他也是《Tensorflow機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)》的作者。
書友推薦
- >
回憶愛瑪儂
- >
山海經(jīng)
- >
羅庸西南聯(lián)大授課錄
- >
經(jīng)典常談
- >
唐代進(jìn)士錄
- >
苦雨齋序跋文-周作人自編集
- >
推拿
- >
上帝之肋:男人的真實(shí)旅程
本類暢銷
