- 机器学习算法框架实战(Java和Python实现)
- - 作者：编者:麦嘉铭|责编:李华君
  - 出版社：机械工业
  - ISBN：9787111659754
  - 出版日期：2020/07/01
  - 页数：203
- 售价：27.6

内容大纲
随着互联网技术的飞速发展，全球逐渐步入大数据时代，智能化的趋势越来越明显，各行各业几乎都喊出了智能化的口号。机器学习作为人工智能的一个重要研究方向，在一定程度上成为IT人才的必要技能。本书以一个自研机器学习算法框架的构建为主线，首先介绍了机器学习的相关概念和背景，然后按照代数矩阵运算层、最优化方法层、算法模型层和业务功能层的分层顺序对算法框架展开讲述，旨在通过理论和实践相结合的方式，帮助广大零算法基础的开发人员了解和掌握一定的算法能力，同时也为算法设计人员提供工程实践中的参考范例。
本书实用性强，适合零算法基础的开发人员阅读，也适合具备一定算法能力且希望在工程实践中有所借鉴的工程技术人员阅读。另外，本书还适合作为算法设计人员及机器学习算法爱好者的参考书。
作者介绍
麦嘉铭，前阿里巴巴高级开发工程师，现BIGO公司大数据高级开发工程师。曾先后于中国科学院、新加坡先进数字科学中心访学交流，发表过多篇国际SCI期刊论文，拥有丰富的算法及工程方面的项目开发经验。
目录
前言
第1篇  绪论
  第1章  背景
    1.1  机器学习的概念
    1.2  机器学习所解决的问题
      1.2.1  有监督学习问题
      1.2.2  无监督学习
    1.3  如何选择机器学习算法
    1.4  习题
  第2章  机器学习算法框架概要
    2.1  算法框架的分层模型
    2.2  分层模型中各层级的职责
    2.3  开始搭建框架的准备工作
      2.3.1  使用Java开发的准备工作
      2.3.2  使用Python开发的准备工作
第2篇  代数矩阵运算层
  第3章  矩阵运算库
    3.1  矩阵运算库概述
    3.2  矩阵基本运算的实现
      3.2.1  矩阵的数据结构
      3.2.2  矩阵的加法和减法
      3.2.3  矩阵的乘法和点乘
      3.2.4  矩阵的转置
    3.3  矩阵的其他操作
      3.2.1  生成单位矩阵
      3.3.2  矩阵的复制
      3.3.3  矩阵的合并
    3.4  习题
  第4章  矩阵相关函数的实现
    4.1  常用函数
      4.1.1  协方差函数
      4.1.2  均值函数
      4.1.3  归一化函数
      4.1.4  最大值函数
      4.1.5  最小值函数
    4.2  行列式函数
    4.3  矩阵求逆函数
    4.4  矩阵特征值和特征向量函数
    4.5  矩阵正交化函数
      4.5.1  向量单位化
      4.5.2  矩阵正交化
    4.6  习题
第3篇  最优化方法层
  第5章  最速下降优化器
    5.1  最速下降优化方法概述
      5.1.1  模型参数优化的目标
      5.1.2  最速下降优化方法
    5.2  最速下降优化器的实现
      5.2.1  参数优化器的接口设计
      5.2.2  最速下降优化器的具体实现

    5.3  一个目标函数的优化例子
      5.3.1  单元测试示例：偏导数的计算
      5.3.2  单元测试示例：目标函数的参数优化
    5.4  习题
  第6章  遗传算法优化器
    6.1  遗传算法概述
      6.1.1  遗传算法的目标
      6.1.2  遗传算法的基本过程
    6.2  遗传算法优化器的实现
      6.2.1  遗传算法优化器主体流程的实现
      6.2.2  遗传算法优化器各算子的实现
    6.3  一个目标函数的优化例子
    6.4  习题
第4篇  算法模型层
  第7章  分类和回归模型
    7.1  分类和回归模型概述
    7.2  基础回归模型
      7.2.1  线性回归模型
      7.2.2  对数回归模型
      7.2.3  指数回归模型
      7.2.4  幂函数回归模型
      7.2.5  多项式回归模型
    7.3  分类回归分析的例子
      7.3.1  示例：验证对数回归模型
      7.3.2  示例：对比不同模型
    7.4  习题
  第8章  多层神经网络模型
    8.1  多层神经网络模型概述
      8.1.1  网络模型的表达形式
      8.1.2  前馈运算
      8.1.3  反向传播
    8.2  多层神经网络模型的实现
    8.3  多层神经网络模型示例
    8.4  习题
  第9章  聚类模型
    9.1  K-means模型
      9.1.1  K-means聚类模型概述
      9.1.2  K-means模型的实现
      9.1.3  示例：一个聚类的例子
    9.2  GMM
      9.2.1  从一维高斯函数到多维高斯函数
      9.2.2  GMM概述
      9.2.3  GMM的实现
      9.2.4  示例：对比K-means模型
    9.3  习题
  第10章  时间序列模型
    10.1  指数平滑模型
      10.1.1  移动平均模型
      10.1.2  一次指数平滑模型
      10.1.3  二次指数平滑模型

    10.2  Holt-Winters模型
      10.2.1  Holt-Winters模型概述
      10.2.2  Holt-Winters模型的实现
      10.2.3  示例：时间序列的预测
    10.3  习题
  第11章  降维和特征提取
    11.1  降维的目的
    11.2  主成分分析模型
      11.2.1  主成分分析方法概述
      11.2.2  主成分分析模型的实现
      11.2.3  示例：降维提取主要特征
    11.3  自动编码机模型
      11.3.1  非线性的主成分分析
      11.3.2  自动编码机原理概述
      11.3.3  自动编码机模型的实现
      11.3.4  示例：对比主成分分析
    11.4  习题
第5篇  业务功能层
  第12章  时间序列异常检测
    12.1  时间序列异常检测的应用场景
    12.2  时间序列异常检测的基本原理
      12.2.1  基于预测的时间序列异常检测
      12.2.2  阈值的估计
    12.3  时间序列异常检测功能服务的实现
    12.4  应用实例：找出数据中的异常记录
    12.5  习题
  第13章  离群点检测
    13.1  离群点检测的应用场景
    13.2  离群点检测的基本原理
      13.2.1  基于多维高斯函数检测离群点
      13.2.2  数据的有效降维
    13.3  离群点检测功能服务的实现
    13.4  应用实例：找出数据中的异常记录
    13.5  习题
  第14章  趋势线拟合
    14.1  趋势线拟合的应用场景
    14.2  趋势线拟合的基本原理
      14.2.1  基于不同基础回归模型的拟合
      14.2.2  选取合适的回归模型
    14.3  趋势线拟合功能服务的实现
    14.4  应用实例：对样本数据进行趋势线拟合
    14.5  习题

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目