欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 机器学习图解
      • 作者:(加)路易斯·G.塞拉诺|责编:王军|译者:郭涛
      • 出版社:清华大学
      • ISBN:9787302634645
      • 出版日期:2023/07/01
      • 页数:364
    • 售价:51.2
  • 内容大纲

        阅读本书,即使读者仅掌握高中数学知识,也能理解和应用强大的机器学习技术!简单来讲,机器学习是一套以算法为基础的数据分析技术,当你提供更多数据时,算法可反馈更好的结果。ML支持许多尖端技术,如推荐系统、面部识别软件、智能扬声器,甚至包括自动驾驶汽车。本书不落窠臼,示例丰富,精选的练习十分有趣,插图清晰,讲解机器学习的核心概念。
        《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语,只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目,包括垃圾邮件检测和图像识别模型;还将学习一些实用技能,以清理和准备数据。
  • 作者介绍

        路易斯·G.塞拉诺(Luis G.Serrano)是Zapata Computing公司的量子人工智能研究科学家。Luis曾在谷歌担任机器学习工程师,在苹果担任首席人工智能教育家,并在优达学城担任人工智能和数据科学内容负责人。Luis拥有密歇根大学数学博士学位、滑铁卢大学数学学士和硕士学位,并在蒙特利尔魁北克大学Combinatoireet d'Informatique Mathématique实验室担任博士后研究员。Luis拥有一个关于机器学习的热门YouTube频道,订阅者超过85000名,视频总观看数量超过400万次。此外,Luis也经常在人工智能和数据科学会议上发表演讲。
  • 目录

    第1章  什么是机器学习?这是一种常识,唯一特别之处在于由计算机完成
      1.1  我是否需要掌握大量的数学和编程背景知识才能理解机器学习
      1.2  机器学习究竟是什么
      1.3  如何让机器根据数据做出决策?记忆-制定-预测框架
      1.4  本章小结
    第2章  机器学习类型
      2.1  标签数据和无标签数据的区别
      2.2  监督学习:处理标签数据的机器学习分支
      2.3  无监督学习:处理无标签数据的机器学习分支
      2.4  什么是强化学习
      2.5  本章小结
      2.6  练习
    第3章  在点附近画一条线:线性回归
      3.1  问题:预测房屋的价格
      3.2  解决方案:建立房价回归模型
      3.3  如何让计算机绘制出这条线:线性回归算法
      3.4  如何衡量结果?误差函数
      3.5  实际应用:使用TuriCreate预测房价
      3.6  如果数据不在一行怎么办?多项式回归
      3.7  参数和超参数
      3.8  回归应用
      3.9  本章小结
      3.10  练习
    第4章  优化训练过程:欠拟合、过拟合、测试和正则化
      4.1  使用多项式回归的欠拟合和过拟合示例
      4.2  如何让计算机选择正确的模型?测试
      4.3  我们在哪里打破了黄金法则,如何解决呢?验证集
      4.4  一种决定模型复杂度的数值方法:模型复杂度图
      4.5  避免过拟合的另一种选择:正则化
      4.6  使用Turi Create进行多项式回归、测试和正则化
      4.7  本章小结
      4.8  练习
    第5章  使用线来划分点:感知器算法
      5.1  问题:我们在一个外星球上,听不懂外星人的语言
      5.2  如何确定分类器的好坏?误差函数
      5.3  如何找到一个好的分类器?感知器算法
      5.4  感知器算法编程实现
      5.5  感知器算法的应用
      5.6  本章小结
      5.7  练习
    第6章  划分点的连续方法:逻辑分类器
      6.1  逻辑分类器:连续版感知器分类器
      6.2  如何找到一个好的逻辑分类器?逻辑回归算法
      6.3  对逻辑回归算法进行编程
      6.4  实际应用:使用Turi Create对IMDB评论进行分类
      6.5  多分类:softmax函数
      6.6  本章小结
      6.7  练习
    第7章  如何衡量分类模型?准确率和其他相关概念
      7.1  准确率:模型的正确频率是多少

      7.2  如何解决准确率问题?定义不同类型的误差以及如何进行衡量
      7.3  一个有用的模型评价工具ROC曲线
      7.4  本章小结
      7.5  练习
    第8章  使用概率最大化朴素贝叶斯模型
      8.1  生病还是健康?以贝叶斯定理为主角的故事
      8.2  用例:垃圾邮件检测模型
      8.3  使用真实数据构建垃圾邮件检测模型
      8.4  本章小结
      8.5  练习
    第9章  通过提问划分数据:决策树
      9.1  问题:需要根据用户可能下载的内容向用户推荐应用
      9.2  解决方案:构建应用推荐系统
      9.3  超出“是”或“否”之类的问题
      9.4  决策树的图形边界
      9.5  实际应用:使用Scikit-Learn构建招生模型
      9.6  用于回归的决策树
      9.7  应用
      9.8  本章小结
      9.9  练习
    第10章  组合积木以获得更多力量神经网络
      10.1  以更复杂的外星球为例,开启神经网络学习
      10.2  训练神经网络
      10.3  Keras中的神经网络编程
      10.4  用于回归的神经网络
      10.5  用于更复杂数据集的其他架构
      10.6  本章小结
      10.7  练习
    第11章  用风格寻找界限:支持向量机和内核方法
      11.1  使用新的误差函数构建更好的分类器
      11.2  Scikit-Learn中的SVM编程
      11.3  训练非线性边界的SVM
    内核方法
      11.4  本章小结
      11.5  练习
    第12章  组合模型以最大化结果集成学习
      12.1  获取朋友的帮助
      12.2  bagging:随机组合弱学习器以构建强学习器
      12.3  AdaBoost:以智能方式组合弱学习器以构建强学习器
      12.4  梯度提升:使用决策树构建强学习器
      12.5  XGBoost:一种梯度提升的极端方法
      12.6  集成方法的应用
      12.7  本章小结
      12.8  练习
    第13章  理论付诸实践:数据工程和机器学习真实示例
      13.1  泰坦尼克号数据集
      13.2  清洗数据集:缺失值及其处理方法
      13.3  特征工程:在训练模型之前转换数据集中的特征
      13.4  训练模型
      13.5  调整超参数以找到最佳模型:网格搜索

      13.6  使用k折交叉验证来重用训练和验证数据
      13.7  本章小结
      13.8  练习
    以下内容可扫封底二维码下载
    附录A  习题解答
    附录B  梯度下降背后的数学原理使用导数和斜率下山
    附录C  参考资料