[
-
内容大纲
本书以Python为工具、以实战为核心，构建从入门到进阶的AI完整学习体系，适合零基础学习者、转型从业者及AI爱好者。全书共18章，涵盖传统机器学习算法、数据工程化能力、深度学习及生成式AI等核心内容，前言解析职业前景，结束语提供进阶建议。
本书贴合初学者认知规律，详略安排得当、实用性强，以幽默的语言和贴近生活的实例引导读者入门，配套可直接落地的Python代码示例，避免了纯理论堆砌。
读者对象包括零基础入门者、跨岗转型人员、院校学生、创业者及各类AI兴趣爱好者，既可作为入门引路书，也可作为提升实战能力的工具书。 -
作者介绍
段小手，君兮科技创始人，毕业于北京大学。具有10余年国内一线互联网/电子商务公司项目管理经验。其负责的跨境电子商务项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升项目”“北京市外贸综合公共平台”等专项政策支持。目前重点研究领域为机器学习和深度学习等方面。 -
目录
第1章 概述
1.1 什么是人工智能——从一个小故事开始
1.2 人工智能的一些应用场景——蝙蝠公司的业务单元
1.3 人工智能应该如何入门——世上无难事
1.3.1 从一种编程语言开始
1.3.2 熟悉机器学习中的基本概念
1.3.3 了解机器学习中最常见的算法
1.3.4 掌握对数据进行处理的技巧
1.3.5 学会让模型更好地工作
1.3.6 动手，一定要动手操作
1.4 有监督学习与无监督学习
1.5 机器学习中的分类与回归
1.6 模型的泛化、过拟合与欠拟合
1.7 本章小结
第2章 基于Python语言的环境配置
2.1 Python的下载和安装
2.2 Jupyter Notebook的安装与使用
2.2.1 使用pip进行Jupyter Notebook的下载和安装
2.2.2 运行Jupyter Notebook
2.2.3 Jupyter Notebook的使用
2.3 一些必需库的安装及功能简介
2.3.1 Numpy——基础科学计算库
2.3.2 Scipy——强大的科学计算工具集
2.3.3 pandas——数据分析的利器
2.3.4 matplotlib——画出优美的图形
2.4 scikit-learn——非常流行的Python机器学习库
2.5 本章小结
第3章 K最近邻算法——近朱者赤，近墨者黑
3.1 K最近邻算法的原理
3.2 K最近邻算法的用法
3.2.1 K最近邻算法在分类任务中的应用
3.2.2 K最近邻算法处理多元分类任务
3.2.3 K最近邻算法用于回归分析
3.3 K最近邻算法项目实战——酒的分类
3.3.1 对数据集进行分析
3.3.2 生成训练数据集和测试数据集
3.3.3 使用K最近邻算法进行建模
3.3.4 使用模型对新样本的分类进行预测
3.4 本章小结
第4章 广义线性模型——“耿直”的算法模型
4.1 线性模型基本概念
4.1.1 线性模型的一般公式
4.1.2 线性模型的图形表示
4.1.3 线性模型的特点
4.2 最基本的线性模型——线性回归
4.2.1 线性回归的基本原理
4.2.2 线性回归的性能表现
4.3 使用L2正则化的线性模型——岭回归
4.3.1 岭回归的原理
4.3.2 岭回归的参数调节
4.4 使用L1正则化的线性模型——套索回归
4.4.1 套索回归的原理
4.4.2 套索回归的参数调节
4.4.3 套索回归与岭回归的对比
4.5 本章小结
第5章 朴素贝叶斯——打雷啦，下雨收衣服啊
5.1 朴素贝叶斯基本概念
5.1.1 贝叶斯定理
5.1.2 朴素贝叶斯的简单应用
5.2 朴素贝叶斯算法的不同方法
5.2.1 贝努利朴素贝叶斯
5.2.2 高斯朴素贝叶斯
5.2.3 多项式朴素贝叶斯
5.3 朴素贝叶斯实战——判断肿瘤是良性还是恶性
5.3.1 对数据集进行分析
5.3.2 使用高斯朴素贝叶斯进行建模
5.3.3 高斯朴素贝叶斯学习曲线
5.4 本章小结
第6章 决策树与随机森林——来玩“读心术”
6.1 决策树
6.1.1 决策树基本原理
6.1.2 决策树的构建
6.1.3 决策树的优势和不足
6.2 随机森林
6.2.1 随机森林的基本概念
6.2.2 随机森林的构建
6.2.3 随机森林的优势和不足
6.3 随机森林实例——要不要和相亲对象进一步发展
6.3.1 数据集的准备
6.3.2 用get dummies处理数据
6.3.3 用决策树建模并做出预测
6.4 本章小结
第7章 支持向量机SVM——专治线性不可分
7.1 支持向量机SVM基本概念
7.1.1 支持向量机SVM的原理
7.1.2 支持向量机SVM的核函数
7.2 SVM的核函数与参数选择
7.2.1 不同核函数的SVM对比
7.2.2 支持向量机的gamma参数调节
7.2.3 SVM算法的优势与不足
7.3 SVM实例——加利福尼亚房价回归分析
7.3.1 初步了解数据集
7.3.2 使用SVR进行建模
7.4 本章小结
第8章 神经网络——曾入“冷宫”，如今“得宠”
8.1 神经网络的发展历程
8.1.1 神经网络的起源
8.1.2 第一个感知器学习法则
8.1.3 神经网络之父——Geoffrey Hinton
8.2 神经网络的原理及使用
8.2.1 神经网络的原理
8.2.2 神经网络中的非线性矫正
8.2.3 神经网络的参数设置
8.3 神经网络实例——手写识别
8.3.1 使用MNIST数据集
8.3.2 训练MLP神经网络
8.3.3 使用模型进行数字识别
8.4 本章小结
第9章 数据预处理、降维、特征提取及聚类——快刀斩乱麻
9.1 数据预处理
9.1.1 使用StandardScaler进行数据预处理
9.1.2 使用MinMaxScaler进行数据预处理
9.1.3 使用RobustScaler进行数据预处理
9.1.4 使用Normalizer进行数据预处理
9.1.5 通过数据预处理提高模型准确率
9.2 数据降维
9.2.1 主成分分析原理
9.2.2 对数据降维以便于进行可视化
9.2.3 原始特征与PCA主成分之间的关系
9.3 特征提取
9.3.1 主成分分析法用于特征提取
9.3.2 非负矩阵分解（NMF）用于特征提取
9.4 聚类算法
9.4.1 K均值聚类算法
9.4.2 凝聚聚类算法
9.4.3 DBSCAN算法
9.5 本章小结
第10章 数据表达与特征工程——锦上再添花
10.1 数据表达
10.1.1 使用哑变量转化类型特征
10.1.2 对数据进行装箱处理
10.2 数据“升维”
10.2.1 向数据集添加交互式特征
10.2.2 向数据集添加多项式特征
10.3 自动特征选择
10.3.1 使用单一变量法进行特征选择
10.3.2 基于模型的特征选择
10.3.3 迭代式特征选择
10.4 本章小结
第11章 模型评估与优化——只有更好，没有最好
11.1 使用交叉验证进行模型评估
11.1.1 scikit-learn中的交叉验证法
11.1.2 随机拆分验证和留一交叉验证
11.1.3 为什么要使用交叉验证法
11.2 使用网格搜索优化模型参数
11.2.1 简单网格搜索
11.2.2 与交叉验证结合的网格搜索
11.3 分类模型的可信度评估
11.3.1 分类模型中的预测概率
11.3.2 分类模型中的决策函数
11.4 本章小结
第12章 建立算法的管道模型——团结就是力量
12.1 管道模型的概念及用法
12.1.1 管道模型的基本概念
12.1.2 使用管道模型进行网格搜索
12.2 使用管道模型对股票涨幅进行回归分析
12.2.1 数据集准备
12.2.2 建立包含预处理和MLP模型的管道模型
12.2.3 向管道模型添加特征选择步骤
12.3 使用管道模型进行模型选择和参数调优
12.3.1 使用管道模型进行模型选择
12.3.2 使用管道模型寻找更优参数
12.4 本章小结
第13章 文本数据处理——亲，见字如“数”
13.1 文本数据的特征提取、中文分词及词袋模型
13.1.1 使用CountVectorizer对文本进行特征提取
13.1.2 使用分词工具对中文文本进行分词
13.1.3 使用词袋模型将文本数据转为数组
13.2 对文本数据进一步进行优化处理
13.2.1 使用n-Gram改善词袋模型
13.2.2 使用tf-idf模型对文本数据进行处理
13.2.3 删除文本中的停用词（stopwords）
13.3 本章小结
第14章 项目实战——从“读书人”到“操盘手”
14.1 简单页面的爬取
14.1.1 准备Requests库和User Agent
14.1.2 确定一个目标网站并分析其结构
14.1.3 进行爬取并保存为本地文件
14.2 稍微复杂一点的爬取
14.2.1 确定目标页面并进行分析
14.2.2 Python中的正则表达式
14.2.3 使用BeautifulSoup进行HTML解析
14.2.4 对目标页面进行爬取并保存到本地
14.3 对文本数据进行话题提取
14.3.1 寻找目标网站并分析结构
14.3.2 使用Selenium进行内容爬取
14.3.3 使用潜在狄利克雷分布进行话题提取
14.4 本章小结
第15章 深度学习进阶——走进新世界
15.1 要搞深度学习，得有GPU
15.2 使用Keras搭建模型
15.2.1 非结构化数据
15.2.2 全连接层神经网络的搭建与训练
15.2.3 在测试集表现如何
15.3 卷积神经网络
15.3.1 什么是卷积操作
15.3.2 卷积神经网络的搭建
15.3.3 训练与评估
15.4 本章小结
第16章 会画画的AI——扩散模型
16.1 什么是生成式模型
16.2 扩散模型
16.2.1 DDM的前向扩散
16.2.2 DDM的反向扩散
16.3 扩散模型中的U-Net
16.3.1 U-Net的整体架构
16.3.2 U-Net中关键组件的实现
16.3.3 U-Net的“组装”
16.4 DDM模型的训练
16.4.1 创建DDM的基本框架
16.4.2 DDM中的图像生成框架
16.4.3 定义DDM的训练与测试步骤
16.4.4 DDM的训练与调用
16.5 本章小结
第17章 会写作的AI——Transformer
17.1 自然语言处理的发展
17.2 Transformer是什么
17.2.1 Transformer中的注意力（attention）
17.2.2 注意力头中的查询、键和值
17.2.3 因果掩码
17.2.4 Transformer模块
17.2.5 位置编码
17.3 GPT模型搭建与训练
17.3.1 简单处理数据
17.3.2 将文本转换为数值
17.3.3 创建因果掩码
17.3.4 创建Transformer模块
17.3.5 位置编码嵌入
17.3.6 建立GPT模型并训练
17.3.7 调用GPT模型生成文本
17.4 本章小结
第18章 结束语
18.1 未来学习方向
18.1.1 传统机器学习的“深化与实战”
18.1.2 深度学习的“领域细分”
18.1.3 AI工程化与落地能力
18.1.4 前沿方向的“轻量级探索”
18.2 技能磨炼与实际应用
18.2.1 从“身边小事”切入，做“轻量级项目”
18.2.2 参与“开源/社区”，在“协作中成长”
18.2.3 关注“业务逻辑”，避免“技术至上”
18.3 最后的叮嘱：保持好奇，稳步前行
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...