中圖網(wǎng)小程序
一鍵登錄
更方便
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)開發(fā)實戰(zhàn)(英文版) 版權(quán)信息
- ISBN：9787111671817
- 條形碼：9787111671817 ; 978-7-111-67181-7
- 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)開發(fā)實戰(zhàn)(英文版) 本書特色
機器學(xué)習(xí)入門書，從概念到解決方案，面向需要提升數(shù)據(jù)科學(xué)技能的開發(fā)人員和需要提升編程技能的數(shù)據(jù)科學(xué)家
機器學(xué)習(xí)開發(fā)實戰(zhàn)(英文版) 內(nèi)容簡介
本書內(nèi)容包括: 人類是如何學(xué)習(xí)的 ; 智能軟件 ; 映射問題和算法 ; 機器學(xué)習(xí)解決方案的一般步驟 ; 數(shù)據(jù)因素 ; .NET中的機器學(xué)習(xí) ; 實現(xiàn)ML.NET管道 ; ML.NET任務(wù)和算法等。
機器學(xué)習(xí)開發(fā)實戰(zhàn)(英文版) 目錄
**部分 機器學(xué)習(xí)基礎(chǔ)第1章 人類是如何學(xué)習(xí)的 3邁向思考型機器 4機器推理的曙光 4哥德爾不完備定理 4計算機的形式化 5邁向人類思想的形式化 5人工智能學(xué)科的誕生 6學(xué)習(xí)原理 7什么是智能軟件 7神經(jīng)元是如何工作的 8大棒加胡蘿卜法 14應(yīng)變能力 15人工智能的形式 16原始智能 16專家系統(tǒng) 16自治系統(tǒng) 19人工情感的形式 20小結(jié) 22第2章 智能軟件 23應(yīng)用人工智能 23 軟件智能的發(fā)展 24 專家系統(tǒng) 25通用人工智能 27 無監(jiān)督學(xué)習(xí) 27 監(jiān)督學(xué)習(xí) 29小結(jié) 32第3章 映射問題和算法 33基本問題 33 對象分類 34 結(jié)果預(yù)測 36 對象分組 38更復(fù)雜的問題 40 圖像分類 41 目標(biāo)檢測 41 文本分析 42自動機器學(xué)習(xí) 42 AutoML平臺概述 42 AutoML模型構(gòu)建器實戰(zhàn) 45小結(jié) 48第4章 機器學(xué)習(xí)解決方案的一般步驟 49數(shù)據(jù)收集 50 組織中的數(shù)據(jù)驅(qū)動文化 50 存儲選項 51數(shù)據(jù)準(zhǔn)備 52 提高數(shù)據(jù)質(zhì)量 53 清洗數(shù)據(jù) 53 特征工程 54 *終確定訓(xùn)練數(shù)據(jù)集 56模型選擇及訓(xùn)練 58 算法速查表 59 神經(jīng)網(wǎng)絡(luò)案例 61 評估模型性能 62模型部署 64 選擇合適的主機平臺 64 公開API 65小結(jié) 66第5章 數(shù)據(jù)因素 67數(shù)據(jù)質(zhì)量 67 數(shù)據(jù)有效性 68 數(shù)據(jù)收集 69數(shù)據(jù)完整性 70 完備性 70 唯一性 70 及時性 71 準(zhǔn)確性 71 一致性 71什么是數(shù)據(jù)科學(xué)家 71 工作中的數(shù)據(jù)科學(xué)家 72 數(shù)據(jù)科學(xué)家的工具箱 73 數(shù)據(jù)科學(xué)家和軟件開發(fā)人員 73小結(jié) 74第二部分 NET中的機器學(xué)習(xí)第6章 NET方式 77為什么用/不用Python 78 為什么Python在機器學(xué)習(xí)中如此受歡迎 78 Python機器學(xué)習(xí)庫的分類 80 基于Python模型的端到端解決方案 82MLNET簡介 83 在MLNET中創(chuàng)建和使用模型 84 學(xué)習(xí)環(huán)境的要素 87小結(jié) 91第7章 實現(xiàn)MLNET管道 93從數(shù)據(jù)開始 93 探索數(shù)據(jù)集 94 應(yīng)用公共數(shù)據(jù)轉(zhuǎn)換 94 關(guān)于數(shù)據(jù)集的注意事項 95訓(xùn)練步驟 96 選擇算法 96 測量算法的實際值 97 計劃測試階段 97 指標(biāo)預(yù)覽 98從客戶端應(yīng)用程序中預(yù)測價格 99 獲取模型文件 99 設(shè)置ASPNET應(yīng)用程序 99 預(yù)測出租車費用 100 設(shè)計適當(dāng)?shù)挠脩艚缑?102 質(zhì)疑數(shù)據(jù)和解決問題的方法 103小結(jié) 103第8章 MLNET任務(wù)和算法 105MLNET的整體框架 105 涉及的類型和接口 105 數(shù)據(jù)表示 107 支持的目錄 109分類任務(wù) 111 二進(jìn)制分類 111 多類分類 116聚類任務(wù) 122 準(zhǔn)備工作數(shù)據(jù) 122 訓(xùn)練模型 123 評估模型 124遷移學(xué)習(xí) 126 建立圖像分類器的步驟 127 應(yīng)用必要的數(shù)據(jù)轉(zhuǎn)換 127 模型的構(gòu)建和訓(xùn)練 129 關(guān)于遷移學(xué)習(xí)的補充說明 131小結(jié) 132第三部分 淺層學(xué)習(xí)基礎(chǔ)第9章 機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ) 135統(tǒng)計數(shù)據(jù) 135 均值 136 眾數(shù) 138 中位數(shù) 139偏差和方差 141 方差 142 偏差 144數(shù)據(jù)表示 145 五數(shù)概括法 145 直方圖 146 散點圖 148 散點圖矩陣 148 以適當(dāng)?shù)谋壤L制 149小結(jié) 150第10章 機器學(xué)習(xí)的度量 151統(tǒng)計與機器學(xué)習(xí) 151 機器學(xué)習(xí)的終極目標(biāo) 152 從統(tǒng)計模型到機器學(xué)習(xí)模型 153機器學(xué)習(xí)模型的評價 155 從數(shù)據(jù)集到預(yù)測 155 測量模型的精度 157為處理準(zhǔn)備數(shù)據(jù) 162 縮放 162 標(biāo)準(zhǔn)化 163 歸一化 163小結(jié) 163第11章 進(jìn)行簡單預(yù)測：線性回歸 165問題 165 用數(shù)據(jù)指導(dǎo)預(yù)測結(jié)果 166 對關(guān)系做假設(shè) 167線性算法 169 總體思路 169 確定代價函數(shù) 170 普通的*小二乘算法 171 梯度下降算法 174 判斷算法的好壞 178改進(jìn)解決方案 178 多項式方法 178 正則化 179小結(jié) 180第12章 進(jìn)行復(fù)雜的預(yù)測和決策：決策樹 181問題 181 什么是樹 182 機器學(xué)習(xí)中的樹 183 基于樹的算法示例 183基于樹的算法的設(shè)計原理 185 決策樹與專家系統(tǒng) 185 樹算法的種類 186分類樹 187 CART算法的工作原理 187 ID3算法的工作原理 191回歸樹 194 算法的工作原理 194 剪枝 195小結(jié) 196第13章 進(jìn)行更好的決策：集成學(xué)習(xí)算法 197問題 197bagging技術(shù) 198 隨機森林算法 198 算法步驟 200 優(yōu)點與缺點 202boosting技術(shù) 203 boosting的功能 203 梯度boosting 206 優(yōu)點與缺點 210小結(jié) 210第14章 概率方法：樸素貝葉斯 211貝葉斯統(tǒng)計快速入門 211 貝葉斯概率簡介 212 基本符號 212 貝葉斯定理 214 一個實用的代碼審查示例 215貝葉斯統(tǒng)計在分類中的應(yīng)用 216 問題的初始表述 217 簡化的有效分子式 217 貝葉斯分類器實踐 218樸素貝葉斯分類器 219 通用算法 219 多項式樸素貝葉斯 220 伯努利樸素貝葉斯 223 高斯樸素貝葉斯 224樸素貝葉斯回歸 226 貝葉斯線性回歸的基礎(chǔ) 226 貝葉斯線性回歸的應(yīng)用 228小結(jié) 228第15章 對數(shù)據(jù)進(jìn)行分組：分類與聚類 229有監(jiān)督分類的基本方法 230 K–近鄰算法 230 算法步驟 232 應(yīng)用場景 234支持向量機 235 算法概述 235 數(shù)學(xué)知識回顧 239 算法步驟 240無監(jiān)督聚類 245 應(yīng)用案例：縮減數(shù)據(jù)集 245 K–均值算法 246 K–模型算法 247 DBSCAN算法 248小結(jié) 251第四部分 深度學(xué)習(xí)基礎(chǔ)第16章 前饋神經(jīng)網(wǎng)絡(luò) 255神經(jīng)網(wǎng)絡(luò)簡史 255 McCulloch-Pitt神經(jīng)元 255 前饋網(wǎng)絡(luò) 256 更復(fù)雜的網(wǎng)絡(luò) 256人工神經(jīng)元的類型 257 感知機神經(jīng)元 257 邏輯神經(jīng)元 260訓(xùn)練神經(jīng)網(wǎng)絡(luò) 263 整體學(xué)習(xí)策略 263 反向傳播算法 264小結(jié) 270第17章 神經(jīng)網(wǎng)絡(luò)的設(shè)計 273神經(jīng)網(wǎng)絡(luò)概覽 273 激活函數(shù) 274 隱層 277 輸出層 281構(gòu)建神經(jīng)網(wǎng)絡(luò) 282 現(xiàn)成的框架 282 你的**個Keras神經(jīng)網(wǎng)絡(luò) 284 神經(jīng)網(wǎng)絡(luò)與其他算法 287小結(jié) 289第18章 其他類型的神經(jīng)網(wǎng)絡(luò) 291前饋神經(jīng)網(wǎng)絡(luò)的常見問題 291遞歸神經(jīng)網(wǎng)絡(luò) 292 有狀態(tài)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 292 LSTM神經(jīng)網(wǎng)絡(luò) 295卷積神經(jīng)網(wǎng)絡(luò) 298 圖像分類與識別 298 卷積層 299 池化層 301 全連接層 303神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展 304 生成對抗神經(jīng)網(wǎng)絡(luò) 304 自動編碼器 305小結(jié) 307第19章 情感分析：端到端解決方案 309為訓(xùn)練準(zhǔn)備數(shù)據(jù) 310 對問題進(jìn)行形式化 310 獲取數(shù)據(jù) 311 處理數(shù)據(jù) 311 關(guān)于中間格式的注意事項 313訓(xùn)練模型 313 選擇生態(tài)系統(tǒng) 314 建立單詞字典 314 選擇訓(xùn)練器 315 網(wǎng)絡(luò)的其他方面 319客戶端應(yīng)用 321 獲取模型的輸入 321 從模型中預(yù)測 322 將響應(yīng)轉(zhuǎn)化為可用信息 323小結(jié) 323第五部分 思考第20章 面向現(xiàn)實世界的AI云服務(wù) 327Azure認(rèn)知服務(wù) 327Azure機器學(xué)習(xí)工作室 329 Azure機器學(xué)習(xí)服務(wù) 331 數(shù)據(jù)科學(xué)虛擬機 333本地服務(wù) 333 SQL Server機器學(xué)習(xí)服務(wù) 333 機器學(xué)習(xí)服務(wù)器 334微軟數(shù)據(jù)處理服務(wù) 334 Azure數(shù)據(jù)湖 334 Azure Databricks 334 Azure HDInsight 335 用于Apache Spark的NET 335 Azure數(shù)據(jù)分享 336 Azure數(shù)據(jù)工廠 336小結(jié) 336第21章 人工智能的商業(yè)愿景 339工業(yè)界對AI的看法 339 挖掘潛能 339 AI可以為你做什么 340 面臨的挑戰(zhàn) 342端到端解決方案 343 我們就叫它咨詢吧 344 軟件和數(shù)據(jù)科學(xué)之間的界線 344 敏捷AI 346小結(jié) 349Contents PART I LAYING THE GROUNDWORK OF MACHINE LEARNING Chapter 1 How Humans Learn 3 The Journey Toward Thinking Machines 4 The Dawn of Mechanical Reasoning 4 Godel’s Incompleteness Theorems 4 Formalization of Computing Machines 5 Toward the Formalization of Human Thought 5 The Birth of Artificial Intelligence as a Discipline 6 The Biology of Learning 7 What Is Intelligent Software, Anyway? 7 How Neurons Work 8 The Carrot-and-Stick Approach 14 Adaptability to Changes 15 Artificial Forms of Intelligence 16 Primordial Intelligence
展開全部
機器學(xué)習(xí)開發(fā)實戰(zhàn)(英文版) 作者簡介
迪諾·埃斯波西托（Dino Esposito） 在程序開發(fā)領(lǐng)域擁有超過25年的經(jīng)驗，14次被評為微軟最有價值專家（MVP），撰寫了20多本書，包括暢銷書Microsoft NET: Architecting Applications for the Enterprise，連續(xù)22年為《MSDN雜志》撰寫專欄，并經(jīng)常為微軟及全球各類企業(yè)的程序開發(fā)人員做培訓(xùn)。目前擔(dān)任BaxEnergy公司的數(shù)字戰(zhàn)略師，專注于智慧城市和智慧能源等領(lǐng)域。弗朗西斯科·埃斯波西托（Francesco Esposito） 軟件和AI公司Youbiquitous的創(chuàng)始人，并且運營著一家小型投資公司。他在青少年時期就為iOS、Android和Windows Phone等平臺開發(fā)了多款應(yīng)用程序，目前專注于數(shù)學(xué)和數(shù)據(jù)科學(xué)，特別關(guān)注水和醫(yī)療保健領(lǐng)域。
書友推薦
- >
推拿
- >
山海經(jīng)
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
伯納黛特,你要去哪(2021新版)
- >
李白與唐代文化
- >
煙與鏡
- >
巴金－再思錄
- >
隨園食單
本類暢銷
