掃一掃
關注中圖網
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高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習觀止 核心原理與實踐 版權信息
- ISBN：9787302557449
- 條形碼：9787302557449 ; 978-7-302-55744-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習觀止 核心原理與實踐 本書特色
一個處于工程應用前沿的首席技術專家帶你系統學習AI技術： 學術 應用，綜合學習，融會貫通； 軟件 硬件，系統學習，整體思考； 算法 平臺，密切結合，釋疑解惑。
機器學習觀止 核心原理與實踐 內容簡介
《機器學習觀止——核心原理與實踐》在寫作伊始，就把讀者設想為一位雖然沒有任何AI基礎，但對技術本身抱有濃厚興趣、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，《機器學習觀止——核心原理與實踐》嘗試先從零開始構建基礎技術點，而后“循序漸進”地引領讀者前進，*終“直搗黃龍”，贏取* 后的勝利。 全書據此分為5篇，共31章，內容基本覆蓋了由AI發展歷史、數學基礎知識、機器學習算法等經典知識點以及 深度學習、深度強化學習等較新理論知識所組成的AI核心技術。同時注重“理論聯系實踐”，通過多個章節重點 介紹了如何在工程項目中運用AI來解決問題的諸多經驗以及相應的模型算法，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。 《機器學習觀止——核心原理與實踐》適合對AI感興趣的讀者閱讀，從事AI領域工作的研究人員、工程開發人員、高校本科生和研究生都可以從 《機器學習觀止——核心原理與實踐》中學到機器學習的相關知識。
機器學習觀止 核心原理與實踐 目錄
目 錄
機器學習基礎知識篇
第1章 人工智能概述 002
1.1 人工智能的定義 002
1.2 人工智能發展簡史 003
1.3 人工智能經典流派 016
1.4 人工智能與機器學習 027
1.5 如何選擇機器學習算法 029
1.6 機器學習的典型應用場景 032
1.7 本書的組織結構 043
第2章 機器學習中的數學基礎 045
2.1 微分學 045
2.2 線性代數 047
2.3 概率論 060
2.4 統計學 065
2.5 *優化理論 068
2.6 其他 088
第3章 機器學習模型的度量指標 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 工業界使用的典型AI指標 108
經典機器學習篇
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的數學表述 151
9.4 硬間隔SVM 174
9.5 軟間隔SVM 177
9.6 核函數技巧 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降維實現原理 197
10.3 PCA實例 200
第11章 集成學習 202
11.1 集成學習概述 202
11.2 集成學習架構 203
11.3 典型的集成方法 206
深度學習進階篇
第12章 深度神經網絡 212
12.1 神經元 212
12.2 激活函數 214
12.4 損失函數 224
第13章 卷積神經網絡 232
13.1 CNN發展歷史簡述 232
13.2 CNN的核心組成元素 233
13.3 CNN經典框架 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 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 深度強化學習 265
15.1 強化學習和MDP 265
15.2 MDP問題的解決方案分類 268
15.3 基于模型的動態規劃算法 269
15.4 基于無模型的強化學習算法 272
15.5 DQN 278
15.6 基于策略的強化學習算法 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
機器學習應用實踐及相關原理
第17章 數據集的建設 292
17.1 數據集建設的核心目標 292
17.2 數據采集和標注 294
17.3 數據分析和處理 299
第18章 CNN訓練技巧 304
18.1 數據預處理 304
18.2 數據增強 308
18.3 CNN核心組件擇優 309
18.4 參數初始化策略 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和視覺識別經典模型 348
19.1 CV發展簡史 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來實現目標識別 390
第20章 自然語言處理和CNN 397
20.1 NLP簡述 397
20.2 NLP發展歷史 399
20.3 自然語言基礎 400
20.4 詞的表達方式 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應用：文本分類 424
第21章 自然語言處理和CNN 430
21.1 應用程序場景識別背景 430
21.2 特征向量 431
21.3 數據采集 432
21.4 算法模型 433
21.5 落地應用 433
第22章 軟件自動修復 436
22.1 什么是軟件自動修復 436
22.2 軟件自動修復基礎知識 437
22.3 階段1：缺陷定位 441
22.4 階段2：補丁生成 458
22.5 APR領域經典框架 462
第23章 基于強化學習的經典應用—AlphaGO 479
23.1 AlphaGO簡述 479
23.2 AlphaGO核心原理 480
23.3 策略網絡 481
23.4 估值網絡 483
23.5 MCTS 483
機器學習平臺篇
第24章 分布式機器學習框架基礎知識 488
24.1 分布式機器學習核心理念 488
24.2 GPU硬件設備 491
24.3 網絡標準 498
24.4 分布式通信框架 500
24.5 經典分布式ML框架Caffe-MPI 511
第25章 Tensorflow 514
25.1 Tensorflow安裝過程 514
25.2 Tensorflow基礎知識 516
25.3 Tensorflow分布式訓練 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支持的數據集格式 587
26.3 Caffe中的網絡模型構建 594
26.4 Google Protocol Buffer 598
26.5 Caffe2源碼結構 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中的機器學習算法 610
27.3 scikit-learn中的Model selection 613
27.4 scikit-learn中的預處理 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 650
29.1 光、色彩和人類視覺系統 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(圖像質量檢測) 690
第30章 程序切片技術 693
30.1 程序切片綜述 693
30.2 程序切片基礎知識 695
30.3 靜態切片技術 715
30.4 動態切片技術 721
第31章 業界主流數據集分析 726
31.1 ImageNet簡述 726
31.2 ImageNet的構建邏輯 726
31.3 ImageNet數據源的選擇與處理 730
31.4 ImageNet的下載 733
參考文獻 736
展開全部
機器學習觀止 核心原理與實踐 作者簡介
林學森，香港中文大學研究生學歷，現為某世界100強科技公司首席技術專家、資深架構師。在系統軟件、人工智能、軟件工具鏈、分布式系統等領域具備多年的技術研發與項目管理經驗。另著有《深入理解Android內核設計思想》《Android應用程序開發權威指南》等書籍。
書友推薦
- >
月亮虎
- >
羅曼·羅蘭讀書隨筆-精裝
- >
回憶愛瑪儂
- >
有舍有得是人生
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
煙與鏡
本類暢銷
