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
機器學習圖解 版權信息
- ISBN：9787302634645
- 條形碼：9787302634645 ; 978-7-302-63464-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習圖解 本書特色
目前，該領域中將理論與實踐相結合、通俗易懂的著作較少。機器學習是人工智能的一部分，很多初學者往往把機器學習和深度學習作為人工智能入門的突破口，非科班出身的人士更是如此。當前，國內縱向復合型人才和橫向復合型人才奇缺;具有計算機背景的人才主要還是以傳統人工智能研究為主，跨學科人才較少。非科班人員在將機器學習應用于自己的研究時，往往對理論理解不透徹，且編程能力不足。針對這一現象，譯者長期與出版社合作，翻譯了一些經典實用、符合實際需求的著作，借此幫助人工智能、機器學習等相關領域的人士(包括非專業人士)使用機器學習解決自己所在領域的問題。
《機器學習圖解》就是這樣的著作!本書作者擁有密歇根大學數學博士學位，曾擔任Google和Apple工程師，是機器學習布道者。本書是他這些年的成果結晶。本書將理論與實踐結合，以圖的形式講解機器學習經典算法。全書共13章。第1章、第2章、第4章主要對機器學習基本概念、機器學習類型、優化訓練過程進行介紹。
這對初學者形成機器學習思維習慣非常有益。第3章和第5~12章對9類經典的機器學習算法進行了系統介紹，包含問題提出、原理解釋、代碼實現等方面。第13章列舉了真實示例。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，一邊動手實踐，調試源碼，并根據自己的實際需要研究問題，閱讀文獻并改進源碼，解決自己的問題。本書可作為本科高年級和研究生教材，面向對編碼感興趣但不擅長數學的讀者(非專業人士)。同時可作為計算機科學學者、企業工程師的參考書。
機器學習圖解 內容簡介
閱讀本書，即使讀者僅掌握高中數學知識，也能理解和應用強大的機器學習技術！簡單來講，機器學習是一套以算法為基礎的數據分析技術，當你提供更多數據時，算法可反饋更好的結果。ML支持許多很好技術，如推薦系統、面部識別軟件、智能揚聲器，甚至包括自動駕駛汽車。本書不落窠臼，示例豐富，精選的練習十分有趣，插圖清晰，講解機器學習的核心概念。 《機器學習圖解》以簡明易懂的方式介紹機器學習的算法和技術。本書不談深奧的術語，只通過基本代數知識提供清晰的解釋。你將使用Python構建有趣的項目，包括垃圾郵件檢測和圖像識別模型；還將學習一些實用技能，以清理和準備數據。 ? 分類和劃分數據的監督算法 ? 清理和簡化數據的方法 ? 機器學習包和工具 ? 復雜數據集的神經網絡和集成方法 讀者閱讀本書前，**了解Python基礎知識，不必了解機器學習知識。
機器學習圖解 目錄
第1 章 什么是機器學習？這是一種常識，唯一特別之處在于由計算機完成 1
1.1 我是否需要掌握大量的數學和編程背景知識才能理解機器學習 2
1.2 機器學習究竟是什么 3
1.3 如何讓機器根據數據做出決策？記憶-制定-預測框架 6
1.4 本章小結 12
第2 章 機器學習類型 15
2.1 標簽數據和無標簽數據的區別 17
2.2 監督學習：處理標簽數據的機器學習分支 18
2.3 無監督學習：處理無標簽數據的機器學習分支 21
2.4 什么是強化學習 28
2.5 本章小結 30
2.6 練習 31
第3 章 在點附近畫一條線：線性回歸 33
3.1 問題：預測房屋的價格 35
3.2 解決方案：建立房價回歸模型 35
3.3 如何讓計算機繪制出這條線：線性回歸算法 41
3.4 如何衡量結果？誤差函數 54
3.5 實際應用：使用Turi Create預測房價 61
3.6 如果數據不在一行怎么辦？多項式回歸 63
3.7 參數和超參數 64
3.8 回歸應用 6
3.9 本章小結 66
3.10 練習 66
第4 章 優化訓練過程：欠擬合、過擬合、測試和正則化 69
4.1 使用多項式回歸的欠擬合和過擬合示例 71
4.2 如何讓計算機選擇正確的模型？測試 73
4.3 我們在哪里打破了黃金法則，如何解決呢？驗證集 75
4.4 一種決定模型復雜度的數值方法：模型復雜度圖 76
4.5 避免過擬合的另一種選擇：正則化 77
4.6 使用Turi Create 進行多項式回歸、測試和正則化 85
4.7 本章小結 89
4.8 練習 90
第5 章 使用線來劃分點: 感知器算法 93
5.1 問題：我們在一個外星球上，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 108
5.3 如何找到一個好的分類器？感知器算法 115
5.4 感知器算法編程實現 123
5.5 感知器算法的應用 128
5.6 本章小結 129
5.7 練習 130
第6 章 劃分點的連續方法：邏輯分類器 133
6.1 邏輯分類器：連續版感知器分類器 134
6.2 如何找到一個好的邏輯分類器？邏輯回歸算法 144
6.3 對邏輯回歸算法進行編程 150
6.4 實際應用：使用Turi Create對IMDB 評論進行分類 154
6.5 多分類：softmax 函數 156
6.6 本章小結 157
6.7 練習 158
第7 章 如何衡量分類模型？準確率和其他相關概念 159
7.1 準確率：模型的正確頻率是多少 160
7.2 如何解決準確率問題？定義不同類型的誤差以及如何進行衡量 161
7.3 一個有用的模型評價工具ROC 曲線 170
7.4 本章小結 179
7.5 練習 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 使用真實數據構建垃圾郵件檢測模型 201
8.4 本章小結 204
8.5 練習 205
第9 章 通過提問劃分數據：決策樹 207
9.1 問題：需要根據用戶可能下載的內容向用戶推薦應用 213
9.2 解決方案：構建應用推薦系統 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 實際應用：使用Scikit-Learn 構建招生模型 234
9.6 用于回歸的決策樹 238
9.7 應用 241
9.8 本章小結 242
9.9 練習 242
第10 章 組合積木以獲得更多力量：神經網絡 245
10.1 以更復雜的外星球為例，開啟神經網絡學習 247
10.2 訓練神經網絡 258
10.3 Keras 中的神經網絡編程 264
10.4 用于回歸的神經網絡 272
10.5 用于更復雜數據集的其他架構 273
10.6 本章小結 275
10.7 練習 276
第11 章 用風格尋找界限：支持向量機和內核方法 279
11.1 使用新的誤差函數構建更好的分類器 281
11.2 Scikit-Learn 中的SVM編程 287
11.3 訓練非線性邊界的SVM：內核方法 289
11.4 本章小結 308
11.5 練習 309
第12 章 組合模型以*大化結果：集成學習 311
12.1 獲取朋友的幫助 312
12.2 bagging：隨機組合弱學習器以構建強學習器 314
12.3 AdaBoost：以智能方式組合弱學習器以構建強學習器 319
12.4 梯度提升：使用決策樹構建強學習器 327
12.5 XGBoost：一種梯度提升的極端方法 332
12.6 集成方法的應用 340
12.7 本章小結 341
12.8 練習 341
第13 章 理論付諸實踐：數據工程和機器學習真實示例 343
13.1 泰坦尼克號數據集 344
13.2 清洗數據集：缺失值及其處理方法 348
13.3 特征工程：在訓練模型之前轉換數據集中的特征 350
13.4 訓練模型 355
13.5 調整超參數以找到*佳模型：網格搜索 359
13.6 使用k 折交叉驗證來重用訓練和驗證數據 362
13.7 本章小結 363
13.8 練習 364
以下內容可掃封底二維碼下載
附錄A 習題解答 365
附錄B 梯度下降背后的數學原理：
使用導數和斜率下山 398
附錄C 參考資料 416
1.1 我是否需要掌握大量的數學和編程背景知識才能理解機器學習 2
1.2 機器學習究竟是什么 3
1.3 如何讓機器根據數據做出決策？記憶-制定-預測框架 6
1.4 本章小結 12
第2 章 機器學習類型 15
2.1 標簽數據和無標簽數據的區別 17
2.2 監督學習：處理標簽數據的機器學習分支 18
2.3 無監督學習：處理無標簽數據的機器學習分支 21
2.4 什么是強化學習 28
2.5 本章小結 30
2.6 練習 31
第3 章 在點附近畫一條線：線性回歸 33
3.1 問題：預測房屋的價格 35
3.2 解決方案：建立房價回歸模型 35
3.3 如何讓計算機繪制出這條線：線性回歸算法 41
3.4 如何衡量結果？誤差函數 54
3.5 實際應用：使用Turi Create預測房價 61
3.6 如果數據不在一行怎么辦？多項式回歸 63
3.7 參數和超參數 64
3.8 回歸應用 6
3.9 本章小結 66
3.10 練習 66
第4 章 優化訓練過程：欠擬合、過擬合、測試和正則化 69
4.1 使用多項式回歸的欠擬合和過擬合示例 71
4.2 如何讓計算機選擇正確的模型？測試 73
4.3 我們在哪里打破了黃金法則，如何解決呢？驗證集 75
4.4 一種決定模型復雜度的數值方法：模型復雜度圖 76
4.5 避免過擬合的另一種選擇：正則化 77
4.6 使用Turi Create 進行多項式回歸、測試和正則化 85
4.7 本章小結 89
4.8 練習 90
第5 章 使用線來劃分點: 感知器算法 93
5.1 問題：我們在一個外星球上，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 108
5.3 如何找到一個好的分類器？感知器算法 115
5.4 感知器算法編程實現 123
5.5 感知器算法的應用 128
5.6 本章小結 129
5.7 練習 130
第6 章 劃分點的連續方法：邏輯分類器 133
6.1 邏輯分類器：連續版感知器分類器 134
6.2 如何找到一個好的邏輯分類器？邏輯回歸算法 144
6.3 對邏輯回歸算法進行編程 150
6.4 實際應用：使用Turi Create對IMDB 評論進行分類 154
6.5 多分類：softmax 函數 156
6.6 本章小結 157
6.7 練習 158
第7 章 如何衡量分類模型？準確率和其他相關概念 159
7.1 準確率：模型的正確頻率是多少 160
7.2 如何解決準確率問題？定義不同類型的誤差以及如何進行衡量 161
7.3 一個有用的模型評價工具ROC 曲線 170
7.4 本章小結 179
7.5 練習 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 使用真實數據構建垃圾郵件檢測模型 201
8.4 本章小結 204
8.5 練習 205
第9 章 通過提問劃分數據：決策樹 207
9.1 問題：需要根據用戶可能下載的內容向用戶推薦應用 213
9.2 解決方案：構建應用推薦系統 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 實際應用：使用Scikit-Learn 構建招生模型 234
9.6 用于回歸的決策樹 238
9.7 應用 241
9.8 本章小結 242
9.9 練習 242
第10 章 組合積木以獲得更多力量：神經網絡 245
10.1 以更復雜的外星球為例，開啟神經網絡學習 247
10.2 訓練神經網絡 258
10.3 Keras 中的神經網絡編程 264
10.4 用于回歸的神經網絡 272
10.5 用于更復雜數據集的其他架構 273
10.6 本章小結 275
10.7 練習 276
第11 章 用風格尋找界限：支持向量機和內核方法 279
11.1 使用新的誤差函數構建更好的分類器 281
11.2 Scikit-Learn 中的SVM編程 287
11.3 訓練非線性邊界的SVM：內核方法 289
11.4 本章小結 308
11.5 練習 309
第12 章 組合模型以*大化結果：集成學習 311
12.1 獲取朋友的幫助 312
12.2 bagging：隨機組合弱學習器以構建強學習器 314
12.3 AdaBoost：以智能方式組合弱學習器以構建強學習器 319
12.4 梯度提升：使用決策樹構建強學習器 327
12.5 XGBoost：一種梯度提升的極端方法 332
12.6 集成方法的應用 340
12.7 本章小結 341
12.8 練習 341
第13 章 理論付諸實踐：數據工程和機器學習真實示例 343
13.1 泰坦尼克號數據集 344
13.2 清洗數據集：缺失值及其處理方法 348
13.3 特征工程：在訓練模型之前轉換數據集中的特征 350
13.4 訓練模型 355
13.5 調整超參數以找到*佳模型：網格搜索 359
13.6 使用k 折交叉驗證來重用訓練和驗證數據 362
13.7 本章小結 363
13.8 練習 364
以下內容可掃封底二維碼下載
附錄A 習題解答 365
附錄B 梯度下降背后的數學原理：
使用導數和斜率下山 398
附錄C 參考資料 416
展開全部
機器學習圖解 作者簡介
Luis G. Serrano是量子人工智能領域的研究科學家。此前，他曾擔任Google機器學習工程師和Apple公司首席人工智能教師。
書友推薦
- >
自卑與超越
- >
月亮虎
- >
月亮與六便士
- >
莉莉和章魚
- >
煙與鏡
- >
名家帶你讀魯迅:朝花夕拾
- >
巴金－再思錄
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
