欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 动手学机器学习(新一代人工智能实战型人才培养系列教程)
      • 作者:张伟楠//赵寒烨//俞勇|责编:刘雅思
      • 出版社:人民邮电
      • ISBN:9787115618207
      • 出版日期:2023/08/01
      • 页数:272
    • 售价:35.92
  • 内容大纲

        本书系统介绍了机器学习的基本内容及其代码实现,是一本着眼于机器学习教学实践的图书。
        本书包含4个部分:第一部分为机器学习基础,介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法;第二部分为参数化模型,讲解线性模型、神经网络等算法;第三部分为非参数化模型,主要讨论支持向量机和决策树模型及其变种;第四部分为无监督模型,涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合,以大量示例和代码带领读者走进机器学习的世界,让读者对机器学习的研究内容、基本原理有基本认识,为后续进一步涉足深度学习打下基础。
        本书适合对机器学习感兴趣的专业技术人员和研究人员阅读,同时适合作为人工智能相关专业机器学习课程的教材。
  • 作者介绍

  • 目录

    第一部分  机器学习基础
      第1章  初探机器学习
        1.1  人工智能的“两只手和四条腿”
        1.2  机器学习是什么
        1.3  时代造就机器学习的盛行
        1.4  泛化能力:机器学习奏效的本质
        1.5  归纳偏置:机器学习模型的“天赋”
        1.6  机器学习的限制
        1.7  小结
      第2章  机器学习的数学基础
        2.1  向量
        2.2  矩阵
          2.2.1  矩阵的基本概念
          2.2.2  矩阵运算
          2.2.3  矩阵与线性方程组
          2.2.4  矩阵范数
        2.3  梯度
        2.4  凸函数
        2.5  小结
      第3章  k近邻算法
        3.1  KNN算法的原理
        3.2  用KNN算法完成分类任务
        3.3  使用scikit-learn实现KNN算法
        3.4  用KNN算法完成回归任务--色彩风格迁移
          3.4.1  RGB空间与LAB空间
          3.4.2  算法设计
        3.5  小结
      第4章  线性回归
        4.1  线性回归的映射形式和学习目标
        4.2  线性回归的解析方法
        4.3  动手实现线性回归的解析方法
        4.4  使用sklearn中的线性回归模型
        4.5  梯度下降算法
        4.6  学习率对迭代的影响
        4.7  小结
      第5章  机器学习的基本思想
        5.1  欠拟合与过拟合
        5.2  正则化约束
        5.3  输入特征与相似度
        5.4  参数与超参数
        5.5  数据集划分与交叉验证
        5.6  小结
        5.7  扩展阅读:贯穿恒等式的证明
        5.8  参考文献
    第二部分  参数化模型
      第6章  逻辑斯谛回归
        6.1  逻辑斯谛函数下的线性模型
        6.2  最大似然估计
        6.3  分类问题的评价指标
        6.4  动手实现逻辑斯谛回归

        6.5  使用sklearn中的逻辑斯谛回归模型
        6.6  交叉熵与最大似然估计
        6.7  小结
        6.8  扩展阅读:广义线性模型
        6.9  参考文献
      第7章  双线性模型
        7.1  矩阵分解
        7.2  动手实现矩阵分解模型
        7.3  因子分解机
        7.4  动手实现因子分解机模型
        7.5  小结
        7.6  扩展阅读:概率矩阵分解
        7.7  参考文献
      第8章  神经网络与多层感知机
        8.1  人工神经网络
        8.2  感知机
        8.3  隐含层与多层感知机
        8.4  反向传播
        8.5  动手实现多层感知机
        8.6  用PyTorch库实现多层感知机
        8.7  小结
        8.8  参考文献
      第9章  卷积神经网络
        9.1  卷积
        9.2  神经网络中的卷积
        9.3  用卷积神经网络完成图像分类任务
        9.4  用预训练的卷积神经网络完成色彩风格迁移
          9.4.1  VGG网络
          9.4.2  内容表示与风格表示
        9.5  小结
        9.6  扩展阅读:数据增强
        9.7  参考文献
      第10章  循环神经网络
        10.1  循环神经网络的基本原理
        10.2  门控循环单元
        10.3  动手实现GRU
        10.4  小结
        10.5  参考文献
    第三部分  非参数化模型
      第11章  支持向量机
        11.1  支持向量机的数学描述
        11.2  序列最小优化
        11.3  动手实现SMO求解SVM
        11.4  核函数
        11.5  sklearn中的SVM工具
        11.6  小结
        11.7  扩展阅读:SVM对偶问题的推导
      第12章  决策树
        12.1  决策树的构造
          12.2 ID3  算法

        12.3  CART算法
        12.4  动手实现C4.5算法的决策树
          12.4.1  数据集处理
          12.4.2  C4.5算法的实现
        12.5  sklearn中的决策树
        12.6  小结
        12.7  参考文献
      第13章  集成学习与梯度提升决策树
        13.1  自举聚合与随机森林
        13.2  集成学习器
        13.3  提升算法
          13.3.1  适应提升
          13.3.2  梯度提升
        13.4  小结
        13.5  参考文献
    第四部分  无监督模型
      第14章  k均值聚类
        14.1  k均值聚类算法的原理
        14.2  动手实现k均值算法
        14.3  k-means++算法
        14.4  小结
        14.5  参考文献
      第15章  主成分分析
        15.1  主成分与方差
        15.2  利用特征分解进行PCA
        15.3  动手实现PCA算法
        15.4  用sklearn实现PCA算法
        15.5  小结
      第16章  概率图模型
        16.1  贝叶斯网络
        16.2  最大后验估计
        16.3  用朴素贝叶斯模型完成文本分类
        16.4  马尔可夫网络
        16.5  用马尔可夫网络完成图像去噪
        16.6  小结
        16.7  参考文献
      第17章  EM算法
        17.1  高斯混合模型的EM算法
        17.2  动手求解GMM来拟合数据分布
        17.3  一般情况下的EM算法
        17.4  EM算法的收敛性
        17.5  小结
      第18章  自编码器
        18.1  自编码器的结构
        18.2  动手实现自编码器
        18.3  小结
        18.4  参考文献
      总结与展望
        总结
        展望

    中英文术语对照表