 |
-- 會員 / 註冊 --
|
 |
|
|
|
深入淺出：工業機器學習算法詳解與實戰 ( 簡體 字) |
| 作者：張朝陽 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 52405
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：1/1/2020 |
| 頁數：273 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111640561 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：實用性是本書的基本出發點，書中介紹了近年來在工業界被廣泛應用的機器學習算法，這些算法經受了時間的考驗，不但效果好而且使用方便。此外，本書也十分注重理論的深度和完整性，內容編排力求由淺入深、推理完整、前後連貫、自成體系，先講統計學、矩陣、優化方法這些基礎知識，再介紹線性模型、概率圖模型、文本向量化算法、樹模型和深度學習。與大多數機器學習圖書不同，本書還介紹了算法周邊的一些工程架構及實現原理，比如如何實時地收集訓練樣本和監控算法指標、參數服務器的架構設計、做A/B 測試的注意事項等。
本書理論體系完整，公式推導清晰，可作為機器學習初學者的自學用書。讀者無需深厚的專業知識, 本科畢業的理工科學生都能看懂。另外由於本書與工業實踐結合得很緊密，所以也非常適合於從事算法相關工作的工程技術人員閱讀 |
目錄：第 1 章 概述
1.1 機器學習基本流程 /1
1.2 業界常用算法 /2
1.3 構建機器學習系統 /3
第 2 章 統計學
2.1 概率分布 /5
2.1.1 期望與方差 /5
2.1.2 概率密度函數 /7
2.1.3 累積分布函數 /10
2.2 極大似然估計與貝葉斯估計 /11
2.2.1 極大似然估計 /11
2.2.2 貝葉斯估計 /13
2.2.3 共軛先驗與平滑的關係 /15
2.3 置信區間 /15
2.3.1 t 分布 /16
2.3.2 區間估計 /17
2.3.3 Wilson 置信區間 /19
2.4 相關性 /20
2.4.1 數值變量的相關性 /20
2.4.2 分類變量的相關性 /22
2.4.3 順序變量的相關性 /27
2.4.4 分布之間的距離 /28
第 3 章 矩陣
3.1 矩陣的物理意義 /30
3.1.1 矩陣是什麼 /30
3.1.2 矩陣的行列式 /31
3.1.3 矩陣的逆 /32
3.1.4 特徵值和特徵向量 /32
3.2 矩陣的數值穩定性 /33
3.2.1 矩陣數值穩定性的度量 /33
3.2.2 基於列主元的高斯{約當消元法 /33
3.2.3 嶺回歸 /38
3.3 矩陣分解 /38
3.3.1 特徵值分解與奇異值分解 /39
3.3.2 高維稀疏矩陣的特徵值分解 /40
3.3.3 基於矩陣分解的推薦算法 /45
3.4 矩陣編程實踐 /46
3.4.1 numpy 數組運算 /46
3.4.2 稀疏矩陣的壓縮方法 /50
3.4.3 用 MapReduce 實現矩陣乘法 /52
第 4 章 優化方法
4.1 無約束優化方法 /54
4.1.1 梯度下降法 /54
4.1.2 擬牛頓法 /56
4.2 帶約束優化方法 /58
4.3 在線學習方法 /61
4.3.1 隨機梯度下降法 /61
4.3.2 FTRL 算法 /63
4.4 深度學習中的優化方法 /70
4.4.1 動量法 /70
4.4.2 AdaGrad /71
4.4.3 RMSprop /71
4.4.4 Adadelta /71
4.4.5 Adam /72
4.5 期望最大化算法 /72
4.5.1 Jensen 不等式 /73
4.5.2 期望最大化算法分析 /73
4.5.3 高斯混合模型 /77
第 5 章 線性模型
5.1 廣義線性模型 /79
5.1.1 指數族分布 /79
5.1.2 廣義線性模型的特例 /80
5.2 邏輯回歸模型 /83
5.3 分解機制模型 /84
5.3.1 特徵組合 /84
5.3.2 分解機制 /86
5.3.3 分解機制模型構造新特徵的思路 /87
5.4 基於域感知的分解機制模型 /88
5.5 算法實驗對比 /95
第 6 章 概率圖模型
6.1 隱馬爾可夫模型 /98
6.1.1 模型介紹 /98
6.1.2 模型訓練 /101
6.1.3 模型預測 /102
6.2 條件隨機場模型 /103
6.2.1 條件隨機場模型及特徵函數 /103
6.2.2 向前變量和向後變量 /107
6.2.3 模型訓練 /110
6.2.4 模型預測 /111
6.2.5 條件隨機場模型與隱馬爾可夫模型的對比 /112
第 7 章 文本向量化
7.1 詞向量 /113
7.1.1 word2vec /113
7.1.2 fastText /117
7.1.3 GloVe /118
7.1.4 算法實驗對比 /120
7.2 文檔向量 /121
7.2.1 Paragraph Vector /121
7.2.2 LDA /123
第 8 章 樹模型
8.1 決策樹 /130
8.1.1 分類樹 /131
8.1.2 回歸樹 /134
8.1.3 剪枝 /137
8.2 隨機森林 /139
8.3 AdaBoost /140
8.4 XGBoost /141
8.5 LightGBM /146
8.5.1 基於梯度的單邊采樣算法 /147
8.5.2 互斥特徵捆綁 /147
8.5.3 Leaf-Wise 生長策略 /148
8.5.4 DART /149
8.6 算法實驗對比 /150
第 9 章 深度學習
9.1 神經網絡概述 /154
9.1.1 網絡模型 /154
9.1.2 反向傳播 /157
9.1.3 損失函數 /158
9.1.4 過擬合問題 /159
9.1.5 梯度消失 /161
9.1.6 參數初始化 /161
9.2 卷積神經網絡 /162
9.2.1 卷積 /162
9.2.2 池化 /165
9.2.3 CNN 網絡結構 /165
9.2.4 textCNN /167
9.3 循環神經網絡 /168
9.3.1 RNN 通用架構 /168
9.3.2 RNN 的學習問題 /170
9.3.3 門控循環單元 /172
9.3.4 LSTM /174
9.3.5 seq2seq /177
9.4 注意力機制 /179
第 10 章 Keras 編程
10.1 快速上手 /182
10.2 Keras 層 /184
10.2.1 Keras 內置層 /184
10.2.2 自定義層 /191
10.3 調試技巧 /194
10.3.1 查看中間層的輸出 /194
10.3.2 回調函數 /195
10.4 CNN 和 RNN 的實現 /198
第 11 章 推薦系統實戰
11.1 問題建模 /203
11.2 數據預處理 /206
11.2.1 歸一化 /206
11.2.2 特徵哈希 /208
11.3 模型探索 /210
11.3.1 基於共現的模型 /210
11.3.2 圖模型 /211
11.3.3 DeepFM /214
11.3.4 DCN /219
11.4 推薦服務 /221
11.4.1 遠程過程調用簡介 /221
11.4.2 gRPC 的使用 /223
11.4.3 服務發現與負載均衡 /226
第 12 章 收集訓練數據
12.1 日誌的設計 /229
12.2 日誌的傳輸 /231
12.3 日誌的合併 /238
12.4 樣本的存儲 /248
第 13 章 分布式訓練
13.1 參數服務器 /250
13.2 基於 PS 的優化算法 /256
13.3 在線學習 /259
第 14 章 A/B 測試
14.1 實驗分組 /261
14.2 指標監控 /266
14.2.1 指標的計算 /266
14.2.2 指標的上報與存儲 /267
14.2.3 指標的展現與監控 /269
14.3 實驗結果分析 /272 |
| 序： |
|
