機器學習入門與實戰——基于scikit-learn和Keras ( 簡體 字) |
| 作者：張海濤,李建東 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 54481
詢問書籍請說出此書號！【缺書】
NT售價： 300 元 |
| 出版日：5/1/2021 |
| 頁數：232 |
| 光碟數：0 |
|
站長推薦：   |
| 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：9787121409509 |
| 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：根據編者多年教學實踐的經驗，機器學習無疑是很多工科學生感興趣甚至著迷的課程之一，但許多數學基礎不夠扎實的學生往往在學習了一段時間之后就知難而退了。
坦率地講，要想在學習人工智能的道路上走得更遠，那些以數學知識為基礎的基本理論是無法回避的。如何破解這一教學難題呢？簡單講那就是實踐！要通過實踐讓學生迅速入門，要通過實踐讓學生加深對基本理論的理解，要通過實踐不斷激發學生興趣，進而讓學生自主對基礎理論進行補充、擴展、完善。從本質上講，這就是“做中學”的理念。本書在編寫過程中從以下幾方面體現了這一理念，以更好地滿足應用創新型人才培養的需要：
1. 在講解機器學習的各種算法時，僅講解最基本、最必要的理論知識；
2. 對于每一個算法都有對應scikit-learn或Keras框架的1∼2個實際案例，并注重可視化結果的實現；
3. 為使學生加深對算法的理解，在必要章節中適當設置【擴展閱讀】，進行必要的理論擴展和知識補充，滿足學生的需要；
4. 針對合適的內容設置側重實踐的【習題】；
5. 每一章給出編寫時用到的【參考文獻】（以互聯網方便獲取的資料為主，提供鏈接），便于學生詳細閱讀；
6. 提供配套的PPT、程序和數據集，方便學生自學。
當然，教材僅僅是方便學生學習和教師授課的資料，要真正達到理想的授課效果，需要教師具有深厚的專業知識、高超的授課技巧，以及學生的積極配合，但愿本書的編寫能讓更多有志于人工智能學習的學生快速入門。
本書第8章、第11章、第12章由張海濤編寫；第1章、第3章、第9章由李建東編寫；第4章、第5章、第10章由孫寧編寫；第6章、第7章、第13章由馮永安編寫；第2章、第14章、第15章由姜彥吉編寫。
感謝研究生廖涌卉、艾欣、曲業田，他們在程序調試及圖表制作等方面做了許多工作；感謝恩師劉萬軍教授，他在百忙之中對本書進行了審閱，并提出了大量修改意見，為本書的出版做了決定性的工作；感謝各位文獻的作者，他們鋪墊性的研究使本書的編寫走了許多捷徑；最后還要感謝電子工業出版社孟宇編輯，正因為有了她專業而嚴謹的工作，本書才得以盡快與讀者見面。
張海濤
2020年8月 |
內容簡介：本書以scikit-learn和Keras框架作為實戰平臺，講解了傳統機器學習的主流技術和最新深度學習的研究成果。其中，"第一篇 傳統機器學習”包括第1∼10章，介紹了機器學習概念、監督學習算法（回歸分析、Logistic回歸、k近鄰、決策樹、樸素貝葉斯、支持向量機）、無監督學習算法（神經網絡、聚類、降維）；"第二篇 深度學習”包括第11∼15章，介紹了深度學習的概念、卷積神經網絡、循環神經網絡、生成對抗網絡和強化學習等。 本書的編寫旨在體現"做中學”理念，讀者在學習初期不必過多糾纏于算法理論，而是通過實際案例快速入門，進而激發興趣，自主完善理論學習，最終順利跨入人工智能的殿堂。本書可以作為高校數據科學與大數據技術、人工智能等專業的教材，也可以作為致力于開展人工智能研究的讀者快速入門的參考資料。
|
目錄：第一篇 傳統機器學習
第1章 機器學習概述 2
1.1 機器學習概念 2
1.1.1 什么是機器學習 2
1.1.2 機器學習有什么用 2
1.1.3 機器學習的分類 3
1.2 機器學習理論基礎 9
1.2.1 過擬合和欠擬合 9
1.2.2 損失函數 9
1.2.3 模型性能度量方法 11
1.2.4 學習曲線 14
1.2.5 算法模型性能優化 17
1.3 scikit-learn簡介 21
1.3.1 關于scikit-learn 21
1.3.2 安裝scikit-learn 21
1.3.3 scikit-learn數據集 21
習題 27
參考文獻 30
第2章 回歸分析 31
2.1 一元線性回歸 31
2.1.1 一元線性回歸的實現 31
2.1.2 解一元線性回歸的
最小二乘法 34
2.1.3 模型評估 35
2.2 多元線性回歸 36
2.3 多項式回歸 36
習題 41
參考文獻 42
第3章 Logistic回歸 43
3.1 分類問題概述 43
3.2 Logistic回歸分類 44
3.2.1 Logistic回歸算法的原理 44
3.2.2 Logistic回歸算法實例 48
3.3 Softmax回歸——多元分類
問題 55
習題 58
參考文獻 59
第4章 k近鄰 60
4.1 k近鄰算法原理 60
4.1.1 KNN算法三要素 60
4.1.2 KNN算法之蠻力實現
原理 61
4.1.3 KNN算法之KD樹實現
原理 62
4.1.4 KNN算法之球樹實現
原理 64
4.1.5 KNN算法的擴展 66
4.1.6 KNN算法小結 66
4.2 用scikit-learn實現KNN
算法 67
習題 72
參考文獻 72
第5章 決策樹 73
5.1 決策樹分類原理 74
5.2 決策樹的學習過程 74
5.3 ID3算法的數學原理 75
5.3.1 什么是信息增益 75
5.3.2 ID3樹中最優劃分屬性計算
舉例 76
5.4 scikit-learn決策樹算法實現 78
5.5 決策樹可視化 80
習題 83
參考文獻 84
第6章 樸素貝葉斯 85
6.1 基本原理 85
6.1.1 貝葉斯定理 85
6.1.2 樸素貝葉斯分類器 86
6.2 樸素貝葉斯三種基本模型 88
6.3 樸素貝葉斯的應用及特點 90
6.3.1 樸素貝葉斯常見的四種
應用 90
6.3.2 樸素貝葉斯的優缺點 90
6.3.3 提升樸素貝葉斯性能的
技巧 91
習題 93
參考文獻 94
第7章 支持向量機 95
7.1 支持向量機原理 95
7.1.1 支持向量機定義 95
7.1.2 線性可分性 95
7.1.3 損失函數 96
7.1.4 經驗風險與結構風險 97
7.2 標準算法 99
7.2.1 線性SVM 99
7.2.2 非線性SVM 100
7.3 scikit-learn SVM分類算法
實現 101
7.3.1 算法簡單實現 101
7.3.2 算法的優化 102
習題 106
參考文獻 107
第8章 神經網絡 108
8.1 神經網絡概述 108
8.1.1 神經元模型 108
8.1.2 感知機 109
8.1.3 神經網絡 110
8.1.4 梯度下降法與反向傳播 112
8.2 scikit-learn神經網絡分類算法
實現 118
習題 122
參考文獻 123
第9章 聚類 124
9.1 聚類概述 124
9.1.1 K-Means聚類算法 124
9.1.2 均值漂移聚類 127
9.1.3 基于密度的聚類方法
（DBSCAN） 130
9.1.4 基于高斯混合模型（GMM）的
期望最大化（EM）聚類 132
9.1.5 凝聚層次聚類 133
9.2 scikit-learn聚類算法的實現 136
習題 142
參考文獻 144
第10章 降維 145
10.1 降維方法概述 145
10.1.1 主成分分析（PCA） 145
10.1.2 線性判別分析（LDA） 148
10.1.3 局部線性嵌入（LLE） 150
10.1.4 拉普拉斯特征映射
?（LE） 151
10.2 scikit-learn降維算法實現 152
習題 157
參考文獻 158
第二篇 深度學習
第11章 深度學習概述 161
11.1 深度學習的概念 161
11.2 深度學習的分類及特點 163
11.2.1 深度學習的分類 163
11.2.2 深度學習的特點 164
11.3 深度學習的歷史及發展 164
11.4 深度學習的應用 165
11.5 Keras簡介 166
11.5.1 Keras深度學習庫 166
11.5.2 Keras安裝 168
11.5.3 Keras舉例 168
習題 169
參考文獻 170
第12章 卷積神經網絡 171
12.1 卷積與池化操作 172
12.1.1 卷積層 172
12.1.2 池化層 174
12.2 典型的CNN架構 175
12.2.1 LeNet-5 176
12.2.2 AlexNet 176
12.2.3 GoogLeNet 178
12.2.4 ResNet 180
12.3 使用Keras搭建卷積神經
網絡 182
習題 185
參考文獻 185
第13章 循環神經網絡 186
13.1 RNN 186
13.2 LSTM 190
13.3 循環神經網絡案例 191
習題 195
參考文獻 195
第14章 生成對抗網絡 196
14.1 生成對抗網絡結構 196
14.1.1 生成對抗網絡模型原理 197
14.1.2 生成對抗網絡優化原理 198
14.1.3 模型訓練 199
14.1.4 對抗網絡的改進模型 200
14.2 生成對抗網絡的構建 201
14.2.1 生成模型的構建 202
14.2.2 判別模型的構建 202
14.2.3 條件生成對抗網絡的
構建 204
14.3 生成對抗網絡案例 205
14.3.1 生成模型 205
14.3.2 判別模型 205
14.3.3 模型訓練 206
習題 207
參考文獻 208
第15章 強化學習 209
15.1 問題概述 209
15.2 價值函數 211
15.3 動態規劃算法 212
15.3.1 策略迭代算法 212
15.3.2 價值迭代算法 213
15.4 蒙特卡洛算法 213
15.4.1 狀態價值函數估計 214
15.4.2 動作價值函數估計 214
15.4.3 蒙特卡洛控制 215
15.5 時序差分算法 215
15.5.1 Sarsa算法 216
15.5.2 Q學習 216
15.6 深度強化學習 216
15.6.1 DQN算法 216
15.6.2 策略梯度算法 217
15.7 代碼案例 219
習題 223
參考文獻 224 |
| 序： |
