-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

機器學習算法框架實戰:Java和Python實現

( 簡體 字)
作者:麥嘉銘 編著類別:1. -> 程式設計 -> 機器學習
   2. -> 程式設計 -> JAVA -> Java
   3. -> 程式設計 -> Python
譯者:
出版社:機械工業出版社機器學習算法框架實戰:Java和Python實現 3dWoo書號: 53109
詢問書籍請說出此書號!

缺書
NT售價: 345

出版日:7/1/2020
頁數:200
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:9787111659754
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

  隨著科技的迅猛發展,短短的幾十年間,互聯網幾乎將全球的人聯系了起來,世界上所發生的事件都開始相互影響。隨即,大數據成為時代的熱潮,人工智能技術有了長足的進步,智能化的概念滲透到各行各業。而這一切的背后,機器學習發揮著深遠的影響,以至于似乎每個人都或多或少地需要接觸機器學習。然而應該從何入手卻是一個讓人苦惱的問題。

  為了解決這一問題,作者通過總結多年的知識積累及工作經驗,分別用Java和Python兩種業界主流的語言從零開始構建了一個機器學習算法框架,并濃縮成這本書,分享給想要學習機器學習算法框架的讀者。本書以理論和實踐相結合的方式帶領讀者快速上手。通過閱讀本書,讀者不僅可以學習機器學習算法框架,而且能夠獲得算法和工程實踐相結合的經驗。此外,書中的機器學習算法框架以分層架構的方式呈現,一方面有利于讀者循序漸進地理解機器學習算法,另一方面能夠幫助讀者更好地理解算法在工程架構中的應用。

本書特色

  1.理論和實踐相結合,讀者理解更深刻

  本書中的每一章內容都首先以簡單易懂的方式展開理論闡述,隨后在理論的基礎上給出代碼實現,并且給出相應的示例,進一步幫助讀者理解相關概念。相信這種理論和實踐相結合的方式能夠更好地呈現知識,讓讀者更容易理解并留下深刻印象。因為純理論的教科書顯得枯燥無味,而只有代碼實現的書則讓讀者知其然卻不知其所以然。

  2.通過架構分層的方式由淺入深地展開闡述,讓讀者更易上手

  本書從零開始構建一個機器學習算法框架,讀者在閱讀的過程中能夠體會到整個框架的構建過程。書中采用的架構分層方式可以讓讀者由淺入深地掌握機器學習的相關知識,并且很容易快速上手。另外,讀者也可以從書中體會到機器學習算法在工程實踐中的應用。

  3.兩種語言實現,可兼顧不同背景的讀者

  本書分別用Java和Python兩種業界主流的編程語言實現代碼。Java適合工業界的工作人員;Python足夠靈活,同時有豐富的機器學習開源庫,適應面更廣。不同語言背景的讀者可以基于自己熟悉的語言進行學習,也可以對比兩種語言在實現上的異同,從而更加深入地理解本書內容。

本書內容及體系結構

  本書共14章,分為5篇,下面簡單地進行介紹。

  第1篇 緒論(第1、2章)

  第1章主要介紹了一些重要的背景知識。該章首先解釋了什么是機器學習,引出了機器學習的基本概念;然后闡述了相關的關鍵術語;接著討論了機器學習所要解決的問題;最后針對如何選擇機器學習算法給出了建議。

  第2章重點闡述了機器學習算法框架的整體概要,引入了算法框架的分層模型,并介紹了分層模型中各層級的具體職責,最后講解了搭建算法框架的準備工作。

  第2篇 代數矩陣運算層(第3、4章)

  第3章著重于矩陣運算層,首先介紹了矩陣運算庫,接著給出了矩陣基本運算的具體實現,最后補充常用矩陣操作的實現。

  第4章進一步擴展矩陣運算庫,引入了矩陣相關函數的實現。該章首先介紹了常用函數的實現,包括協方差函數、均值函數、歸一化函數、最大值函數和最小值函數;接著闡述了行列式函數、矩陣求逆函數、矩陣特征值和特征向量函數的實現;最后補充了矩陣正交化函數的具體實現。

  第3篇 最優化方法層(第5、6章)

  第5章介紹了一種通用模型的參數優化方法,即最速下降法。該章首先探討了最速下降法的基本理論;然后動手設計參數優化器的接口,并且根據理論,具體實現了一個最速下降優化器;最后利用一個具體的例子,講解了如何使用最速下降優化器來對模型的參數進行優化。

  第6章介紹了另一種模型參數的優化方法,即遺傳算法。該章首先討論了最速下降法的局限性;然后引入了遺傳算法的參數優化方法,并且根據理論,具體實現了遺傳算法優化器;最后利用具體示例,講解了如何使用遺傳算法優化器進行模型參數的優化。

  第4篇 算法模型層(第7∼11章)

  第7章介紹了最為基礎的分類和回歸模型。該章首先探討了分類和回歸的概念;然后根據理論,動手實現了不同的回歸模型;最后利用具體示例講解了如何使用基礎回歸模型對數據進行預測,同時對比了不同回歸模型的效果。

  第8章在前面章節所講述的回歸問題的基本模型和方法的基礎上,進一步引入了一個更為復雜的解決回歸問題的模型——多層神經網絡模型。

  第9章討論了數據分析場景中應用廣泛的聚類問題,并分別講解了解決這種問題的兩種經典模型,即K-means模型和GMM(高斯混合模型)。

  第10章主要介紹了最為經典的時間序列預測模型——Holt-Winters,重點剖析了它的基本原理及具體實現,并且通過示例進行實踐。

  第11章分別介紹了兩種用于降維的模型,即主成分分析模型和自動編碼機模型,并且在示例中對兩者進行了對比。

  第5篇 業務功能層(第12∼14章)

  第12章探討了一種較為常用的功能服務,即時間序列異常檢測。該章首先介紹了時間序列異常檢測的應用場景;然后闡述了時間序列異常檢測的基本原理;接下來給出了時間序列異常檢測功能服務的具體實現;最后通過具體示例,演示了如何判斷時間序列的異常數據。

  第13章探討了另一種較為常用的功能服務,即離群點檢測。該章首先介紹了離群點檢測的應用場景;隨后闡述了離群點檢測的基本原理;接下來給出了離群點功能服務的具體實現;最后通過具體示例,演示了如何使用離群點檢測找出數據中的異常記錄。

  第14章探討了本書的最后一種趨勢線擬合。該章首先介紹了趨勢線擬合的應用場景;然后闡述了它的基本原理;接下來給出了趨勢線擬合功能服務的具體實現;最后通過具體示例,演示了如何對樣本數據進行趨勢線擬合。

本書配套資源

  本書涉及的所有源代碼文件及習題參考答案需要讀者自行下載。請在華章公司的網站(www.hzbook.com)上搜索到本書,然后單擊“資料下載”按鈕,即可在本書頁面上的“擴展資源”模塊找到配書資源下載鏈接。

本書讀者對象

* 計算機相關專業的本科生和研究生;

* 從事計算機相關專業教學的老師;

* IT公司的開發工程師和算法工程師;

* 需要機器學習工具書的人員;

* 其他對機器學習感興趣的各類人員。

勘識與售后支持

  因受筆者水平所限,本書難免有疏漏和不當之處,敬請指正。閱讀本書時讀者若有疑問發現了疏漏,請發E-mail,筆者會對所提問題進行核實,并在后期加印時更正錯漏。
內容簡介:

隨著互聯網技術的飛速發展,全球逐漸步入大數據時代,智能化的趨勢越來越明顯,各行各業幾乎都喊出了智能化的口號。機器學習作為人工智能的一個重要研究方向,在一定程度上成為IT人才的必要技能。本書以一個自研機器學習算法框架的構建為主線,首先介紹了機器學習的相關概念和背景,然后按照代數矩陣運算層、最優化方法層、算法模型層和業務功能層的分層順序對算法框架展開講述,旨在通過理論和實踐相結合的方式,幫助廣大零算法基礎的開發人員了解和掌握一定的算法能力,同時也為算法設計人員提供工程實踐中的參考范例。

本書實用性強,適合零算法基礎的開發人員閱讀,也適合具備一定算法能力且希望在工程實踐中有所借鑒的工程技術人員閱讀。另外,本書還適合作為算法設計人員及機器學習算法愛好者的參考書。
目錄:

第1篇 緒論
第1章 背景 2
1.1 機器學習的概念 2
1.2 機器學習所解決的問題 3
1.2.1 有監督學習問題 3
1.2.2 無監督學習 4
1.3 如何選擇機器學習算法 5
1.4 習題 5
第2章 機器學習算法框架概要 7
2.1 算法框架的分層模型 7
2.2 分層模型中各層級的職責 8
2.3 開始搭建框架的準備工作 8
2.3.1 使用Java開發的準備工作 8
2.3.2 使用Python開發的準備工作 13
第2篇 代數矩陣運算層
第3章 矩陣運算庫 20
3.1 矩陣運算庫概述 20
3.2 矩陣基本運算的實現 20
3.2.1 矩陣的數據結構 20
3.2.2 矩陣的加法和減法 22
3.2.3 矩陣的乘法和點乘 24
3.2.4 矩陣的轉置 26
3.3 矩陣的其他操作 27
3.2.1 生成單位矩陣 27
3.3.2 矩陣的復制 28
3.3.3 矩陣的合并 29
3.4 習題 32
第4章 矩陣相關函數的實現 33
4.1 常用函數 33
4.1.1 協方差函數 33
4.1.2 均值函數 34
4.1.3 歸一化函數 36
4.1.4 最大值函數 38
4.1.5 最小值函數 40
4.2 行列式函數 41
4.3 矩陣求逆函數 43
4.4 矩陣特征值和特征向量函數 44
4.5 矩陣正交化函數 45
4.5.1 向量單位化 45
4.5.2 矩陣正交化 47
4.6 習題 49
第3篇 最優化方法層
第5章 最速下降優化器 52
5.1 最速下降優化方法概述 52
5.1.1 模型參數優化的目標 52
5.1.2 最速下降優化方法 53
5.2 最速下降優化器的實現 54
5.2.1 參數優化器的接口設計 54
5.2.2 最速下降優化器的具體實現 57
5.3 一個目標函數的優化例子 62
5.3.1 單元測試示例:偏導數的計算 62
5.3.2 單元測試示例:目標函數的參數優化 64
5.4 習題 66
第6章 遺傳算法優化器 67
6.1 遺傳算法概述 67
6.1.1 遺傳算法的目標 67
6.1.2 遺傳算法的基本過程 68
6.2 遺傳算法優化器的實現 71
6.2.1 遺傳算法優化器主體流程的實現 71
6.2.2 遺傳算法優化器各算子的實現 74
6.3 一個目標函數的優化例子 82
6.4 習題 85
第4篇 算法模型層
第7章 分類和回歸模型 88
7.1 分類和回歸模型概述 88
7.2 基礎回歸模型 89
7.2.1 線性回歸模型 89
7.2.2 對數回歸模型 92
7.2.3 指數回歸模型 94
7.2.4 冪函數回歸模型 97
7.2.5 多項式回歸模型 100
7.3 分類回歸分析的例子 102
7.3.1 示例:驗證對數回歸模型 102
7.3.2 示例:對比不同模型 104
7.4 習題 108
第8章 多層神經網絡模型 109
8.1 多層神經網絡模型概述 109
8.1.1 網絡模型的表達形式 109
8.1.2 前饋運算 111
8.1.3 反向傳播 112
8.2 多層神經網絡模型的實現 115
8.3 多層神經網絡模型示例 122
8.4 習題 125
第9章 聚類模型 126
9.1 K-means模型 126
9.1.1 K-means聚類模型概述 126
9.1.2 K-means模型的實現 128
9.1.3 示例:一個聚類的例子 131
9.2 GMM 134
9.2.1 從一維高斯函數到多維高斯函數 134
9.2.2 GMM概述 136
9.2.3 GMM的實現 139
9.2.4 示例:對比K-means模型 144
9.3 習題 147
第10章 時間序列模型 148
10.1 指數平滑模型 148
10.1.1 移動平均模型 148
10.1.2 一次指數平滑模型 149
10.1.3 二次指數平滑模型 150
10.2 Holt-Winters模型 150
10.2.1 Holt-Winters模型概述 150
10.2.2 Holt-Winters模型的實現 151
10.2.3 示例:時間序列的預測 156
10.3 習題 160
第11章 降維和特征提取 161
11.1 降維的目的 161
11.2 主成分分析模型 162
11.2.1 主成分分析方法概述 162
11.2.2 主成分分析模型的實現 165
11.2.3 示例:降維提取主要特征 167
11.3 自動編碼機模型 170
11.3.1 非線性的主成分分析 170
11.3.2 自動編碼機原理概述 171
11.3.3 自動編碼機模型的實現 172
11.3.4 示例:對比主成分分析 173
11.4 習題 176
第5篇 業務功能層
第12章 時間序列異常檢測 178
12.1 時間序列異常檢測的應用場景 178
12.2 時間序列異常檢測的基本原理 178
12.2.1 基于預測的時間序列異常檢測 179
12.2.2 閾值的估計 179
12.3 時間序列異常檢測功能服務的實現 180
12.4 應用實例:找出數據中的異常記錄 182
12.5 習題 183
第13章 離群點檢測 184
13.1 離群點檢測的應用場景 184
13.2 離群點檢測的基本原理 185
13.2.1 基于多維高斯函數檢測離群點 186
13.2.2 數據的有效降維 188
13.3 離群點檢測功能服務的實現 188
13.4 應用實例:找出數據中的異常記錄 191
13.5 習題 193
第14章 趨勢線擬合 194
14.1 趨勢線擬合的應用場景 194
14.2 趨勢線擬合的基本原理 195
14.2.1 基于不同基礎回歸模型的擬合 196
14.2.2 選取合適的回歸模型 196
14.3 趨勢線擬合功能服務的實現 196
14.4 應用實例:對樣本數據進行趨勢線擬合 201
14.5 習題 203
序: