相關商品
商品簡介
作者簡介
名人/編輯推薦
目次
商品簡介
近年來機器學習是一個熱門的技術方向，但機器學習本身並不是一門新興學科，而是多門成熟學科（微積分、統計學與概率論、線性代數等）的集合。其知識體系結構龐大而複雜，為了使讀者朋友能夠把握機器學習的清晰的脈絡，本書盡可能從整體上對機器學習的知識架構進行整理，並以Sklearn和Keras等機器學習框架對涉及的相關理論概念進行代碼實現，使理論與實踐相結合。本書分為4個部分：第1章至第3章主要介紹機器學習的概念、開發環境的搭建及模型開發的基本流程等；第4章至第7章涵蓋回歸、分類、聚類、降維的實現原理，以及機器學習框架Sklearn的具體實現與應用；第8章至第12章主要闡述深度學習，如卷積神經網絡、生成性對抗網絡、循環神經網絡的實現原理，以及深度學習框架Keras的具體實現與應用；第13章簡單介紹機器學習崗位的入職技巧。本書可作為機器學習入門者、對機器學習感興趣的群體和相關崗位求職者的參考用書。
作者簡介
張威(Viking Zhang)，曾就職于IBM、平安科技、嘉實基金、微眾銀行，現就職於“特朗普品質認證”的人工智能公司，擁有多個關於人工智能方面的專利，致力於將人工智能應用場景普及化，將機器學習技術廣泛用於運維架構、金融分析等方面。
名人/編輯推薦
求職季，人手一本，掌握回歸、分類、聚類、降維、卷積神經網絡、生成性對抗網絡、循環神經網絡的實現原理！
求職季，人手一本，掌握回歸、分類、聚類、降維、卷積神經網絡、生成性對抗網絡、循環神經網絡的實現原理！
學習路線清晰：從整體上對機器學習的知識架構進行整理；理論實際結合：以Sklearn和Keras等機器學習框架對涉及的理論進行代碼實現；入門參考必讀：包含機器學習崗位入職技巧。
人工智能技術已成為引領未來的核心技術，目前在各行業得到了大量的應用。人工智能技術包括哪些核心概念、模型？如何應用？有哪些成熟的工具及平臺？如何快速上手？本書從分類、回歸、聚類、降維、深度學習等方面介紹了主要的機器學習概念及模型原理，並有大量的基於主流機器學習平臺的上機實踐內容，可以讓新人在理解機器學習原理的同時快速上手實戰。
―― 有魚智能科技(雲鋒金融)技術負責人 戴昌林
作者由淺入深地剖析機器學習，記錄了機器學習的知識框架和主要的知識點。作為“機器學習”的普及讀物，本書還通過實現代碼等真實案例使讀者朋友更容易上手，是一本不錯的使用手冊。
―― WeLab 大數據運維高級經理大數據架構師 丁振利(Alan Ding)
本書的理論知識和實際案例都非常豐富，它循序漸進地介紹了機器學習入門之道，帶領讀者進入人工智能領域。師傅領進門，修行靠個人，人工智能技術有很多細分領域可以繼續研究。人工智能技術的研究可以與行業領域的應用場景相結合，為行業發展提供助推動力。
―― 某互聯網銀行技術精英 王志遠(Andy Wang)
求職季，人手一本，掌握回歸、分類、聚類、降維、卷積神經網絡、生成性對抗網絡、循環神經網絡的實現原理！
學習路線清晰：從整體上對機器學習的知識架構進行整理；理論實際結合：以Sklearn和Keras等機器學習框架對涉及的理論進行代碼實現；入門參考必讀：包含機器學習崗位入職技巧。
人工智能技術已成為引領未來的核心技術，目前在各行業得到了大量的應用。人工智能技術包括哪些核心概念、模型？如何應用？有哪些成熟的工具及平臺？如何快速上手？本書從分類、回歸、聚類、降維、深度學習等方面介紹了主要的機器學習概念及模型原理，並有大量的基於主流機器學習平臺的上機實踐內容，可以讓新人在理解機器學習原理的同時快速上手實戰。
―― 有魚智能科技(雲鋒金融)技術負責人 戴昌林
作者由淺入深地剖析機器學習，記錄了機器學習的知識框架和主要的知識點。作為“機器學習”的普及讀物，本書還通過實現代碼等真實案例使讀者朋友更容易上手，是一本不錯的使用手冊。
―― WeLab 大數據運維高級經理大數據架構師 丁振利(Alan Ding)
本書的理論知識和實際案例都非常豐富，它循序漸進地介紹了機器學習入門之道，帶領讀者進入人工智能領域。師傅領進門，修行靠個人，人工智能技術有很多細分領域可以繼續研究。人工智能技術的研究可以與行業領域的應用場景相結合，為行業發展提供助推動力。
―― 某互聯網銀行技術精英 王志遠(Andy Wang)
目次
第1章 機器學習概述 1
1.1 什麼是機器學習 2
1.2 人工智能的發展趨勢 3
1.2.1 人工智能的發展程度 3
1.2.2 人工智能的應用 4
第2章 機器學習的準備工作 7
2.1 機器學習的知識準備 8
2.2 機器學習的環境準備 10
2.2.1 安裝編譯語言Python 10
2.2.2 安裝包 11
2.2.3 安裝適用於Python的集成開發環境 12
2.3 機器學習模型開發的工作流程 14
第3章 Sklearn概述 16
3.1 Sklearn的環境搭建與安裝 17
3.2 Sklearn常用類及其結構 18
3.2.1 數據源、數據預處理及數據提取 19
3.2.2 模型建立 20
3.2.3 模型驗證 21
3.2.4 模型調優 21
3.3 本章小結 22
第4章 Sklearn之數據預處理 23
4.1 數據預處理的種類 24
4.2 缺失值處理 24
4.3 數據的規範化 26
4.3.1 縮放規範化 26
4.3.2 標準化 29
4.3.3 範數規範化 31
4.4 非線性變換 34
4.4.1 二值化變換 34
4.4.2 分位數變換 34
4.4.3 冪變換 39
4.4.4 多項式變換 42
4.5 自定義預處理 44
4.6 非結構性數據預處理 45
4.7 文本數據處理 46
4.7.1 分詞技術 46
4.7.2 對已提取數據的處理 47
4.7.3 文本的特徵提取 52
4.8 圖形的特徵提取 57
第5章 Sklearn之建立模型(上) 59
5.1 監督學習概述 60
5.2 線性回歸 61
5.2.1 最小二乘法 62
5.2.2 線性回歸中的收斂方法 64
5.2.3 嶺回歸 65
5.2.4 LASSO回歸 69
5.2.5 彈性網絡回歸 79
5.2.6 匹配追蹤 80
5.2.7 多項式回歸 84
5.3 廣義線性模型 86
5.3.1 極大似然估計 87
5.3.2 最大後驗估計 88
5.3.3 貝葉斯估計 89
5.3.4 二項式回歸 91
5.3.5 邏輯回歸 93
5.3.6 貝葉斯回歸 94
5.4 穩健回歸 97
5.4.1 隨機樣本一致法 98
5.4.2 泰爾-森估計 102
5.5 支持向量機 103
5.5.1 硬間隔和軟間隔 104
5.5.2 核函數 106
5.6 高斯過程 110
5.7 梯度下降 115
5.8 決策樹 117
5.8.1 特徵選擇 117
5.8.2 決策樹的剪枝 121
5.9 分類 122
5.9.1 多類別分類 122
5.9.2 多標簽分類 126
第6章 Sklearn之建立模型(下) 128
6.1 無監督學習概述 129
6.2 聚類 129
6.2.1 K-mean聚類 131
6.2.2 均值偏移聚類 136
6.2.3 親和傳播 139
6.2.4 譜聚類 143
6.2.5 層次聚類 151
6.2.6 DBSCAN聚類 155
6.2.7 BIRCH聚類 159
6.2.8 高斯混合模型 164
6.3 降維 168
6.3.1 主成因分析 169
6.3.2 獨立成因分析 175
6.3.3 隱含狄利克雷分佈 179
6.3.4 流形學習 185
6.3.5 多維度縮放 186
6.3.6 ISOMAP 189
6.3.7 局部線性嵌入 191
6.3.8 譜嵌入 195
第7章 Sklearn之模型優化 198
7.1 模型優化 199
7.2 模型優化的具體方法 199
7.2.1 訓練樣本對模型的影響 200
7.2.2 訓練樣本問題的解決方案 201
7.2.3 第三方採樣庫imbalanced-learn 203
7.3 過採樣 205
7.3.1 隨機過採樣 205
7.3.2 合成少數類過採樣技術 207
7.3.3 自適應綜合過採樣方法 210
7.4 欠採樣 212
7.4.1 近丟失方法 212
7.4.2 編輯最鄰近方法 216
7.4.3 Tomek鏈接移除 218
7.4.4 混合採樣方法 219
7.5 調整類別權重 220
7.6 針對模型本身的調優 223
7.7 集成學習 228
7.7.1 投票分類器 229
7.7.2 套袋法 230
7.7.3 隨機森林 232
7.7.4 提升法 234
7.7.5 自適應性提升法 235
7.7.6 梯度提升法 237
7.7.7 套袋法和提升法的比較 239
第8章 Keras主要API及架構介紹 241
8.1 Keras概述 242
8.1.1 為什麼選擇Keras 242
8.1.2 Keras的安裝 243
8.2 序列模型和函數式模型 243
8.2.1 兩種模型的代碼實現 244
8.2.2 模型的其他API 248
8.3 Keras的架構 250
8.4 網絡層概述 250
8.4.1 核心層 251
8.4.2 卷積層 252
8.4.3 池化層 253
8.4.4 局部連接層 255
8.4.5 循環層 257
8.4.6 嵌入層 259
8.4.7 融合層 259
8.4.8 高級激活層 261
8.4.9 規範化層 261
8.4.10 噪聲層 261
8.4.11 層級包裝器 262
8.5 配置項 265
8.5.1 損失函數 265
8.5.2 驗證指標 268
8.5.3 初始化函數 269
8.5.4 約束項 271
8.5.5 回調函數 272
第9章 一個神經網絡的迭代優化 279
9.1 神經網絡概述 281
9.2 神經網絡的初步實現 283
9.3 感知器層 284
9.3.1 梯度消失/爆炸問題 287
9.3.2 激活函數及其進化 288
9.3.3 激活函數的代碼實現 294
9.3.4 批量規範化 295
9.4 準備訓練模型 299
9.5 定義一個神經網絡模型 301
9.6 隱藏層對模型的影響 306
9.7 關於過擬合的情況 310
9.7.1 規則化方法 311
9.7.2 Dropout方法 313
9.8 優化器 314
9.8.1 批量梯度下降 316
9.8.2 靈活的學習率 318
9.8.3 適應性梯度法 319
9.8.4 適應性差值法 320
9.8.5 均方差傳播 322
9.8.6 Nesterov加速下降 324
9.8.7 Adam 325
9.8.8 優化器之間的對比 326
9.9 模型調優的其他途徑 329
9.10 本章小結 331
第10章 卷積神經網絡 333
10.1 卷積神經網絡概述 335
10.1.1 局部感受場 335
10.1.2 共享權重和偏差 338
10.1.3 卷積層 339
10.1.4 池化層 342
10.1.5 卷積神經網絡的代碼實現 344
10.1.6 卷積神經網絡的調優 348
10.2 常見的卷積神經網絡 352
10.2.1 LeNet 352
10.2.2 AlexNet 356
10.2.3 VGGNet 359
10.2.4 殘差網絡 366
10.2.5 Inception網絡模型 373
10.2.6 膠囊網絡 378
10.2.7 結語 388
第11章 生成性對抗網絡 389
11.1 生成性對抗網絡概述 391
11.1.1 生成性對抗網絡的原理 391
11.1.2 生成性對抗網絡的代碼實現 393
11.2 常見的生成性對抗網絡 399
11.2.1 深度卷積生成性對抗網絡 399
11.2.2 環境條件生成性對抗網絡 406
11.3 自動編碼器 411
11.3.1 自動編碼器的代碼實現 412
11.3.2 變分自動編碼器 414
第12章 循環神經網絡 420
12.1 詞嵌入 422
12.1.1 Word2Vec 423
12.1.2 GloVe 428
12.1.3 詞嵌入的代碼實現 429
12.2 循環神經網絡概述 430
12.2.1 簡單循環神經網絡單元 432
12.2.2 關於循環神經網絡的梯度下降 433
12.2.3 長短期記憶單元 435
12.2.4 門控遞歸單元 443
12.2.5 雙向循環神經網絡 444
第13章 機器學習的入職準備 448
13.1 人工智能崗位及求職者的分佈 449
13.1.1 機器學習的生態 449
13.1.2 應用場景 450
13.2 機器學習崗位的發展路徑 454
13.2.1 機器學習崗位畫像 454
13.2.2 面試考察什麼 456
1.1 什麼是機器學習 2
1.2 人工智能的發展趨勢 3
1.2.1 人工智能的發展程度 3
1.2.2 人工智能的應用 4
第2章 機器學習的準備工作 7
2.1 機器學習的知識準備 8
2.2 機器學習的環境準備 10
2.2.1 安裝編譯語言Python 10
2.2.2 安裝包 11
2.2.3 安裝適用於Python的集成開發環境 12
2.3 機器學習模型開發的工作流程 14
第3章 Sklearn概述 16
3.1 Sklearn的環境搭建與安裝 17
3.2 Sklearn常用類及其結構 18
3.2.1 數據源、數據預處理及數據提取 19
3.2.2 模型建立 20
3.2.3 模型驗證 21
3.2.4 模型調優 21
3.3 本章小結 22
第4章 Sklearn之數據預處理 23
4.1 數據預處理的種類 24
4.2 缺失值處理 24
4.3 數據的規範化 26
4.3.1 縮放規範化 26
4.3.2 標準化 29
4.3.3 範數規範化 31
4.4 非線性變換 34
4.4.1 二值化變換 34
4.4.2 分位數變換 34
4.4.3 冪變換 39
4.4.4 多項式變換 42
4.5 自定義預處理 44
4.6 非結構性數據預處理 45
4.7 文本數據處理 46
4.7.1 分詞技術 46
4.7.2 對已提取數據的處理 47
4.7.3 文本的特徵提取 52
4.8 圖形的特徵提取 57
第5章 Sklearn之建立模型(上) 59
5.1 監督學習概述 60
5.2 線性回歸 61
5.2.1 最小二乘法 62
5.2.2 線性回歸中的收斂方法 64
5.2.3 嶺回歸 65
5.2.4 LASSO回歸 69
5.2.5 彈性網絡回歸 79
5.2.6 匹配追蹤 80
5.2.7 多項式回歸 84
5.3 廣義線性模型 86
5.3.1 極大似然估計 87
5.3.2 最大後驗估計 88
5.3.3 貝葉斯估計 89
5.3.4 二項式回歸 91
5.3.5 邏輯回歸 93
5.3.6 貝葉斯回歸 94
5.4 穩健回歸 97
5.4.1 隨機樣本一致法 98
5.4.2 泰爾-森估計 102
5.5 支持向量機 103
5.5.1 硬間隔和軟間隔 104
5.5.2 核函數 106
5.6 高斯過程 110
5.7 梯度下降 115
5.8 決策樹 117
5.8.1 特徵選擇 117
5.8.2 決策樹的剪枝 121
5.9 分類 122
5.9.1 多類別分類 122
5.9.2 多標簽分類 126
第6章 Sklearn之建立模型(下) 128
6.1 無監督學習概述 129
6.2 聚類 129
6.2.1 K-mean聚類 131
6.2.2 均值偏移聚類 136
6.2.3 親和傳播 139
6.2.4 譜聚類 143
6.2.5 層次聚類 151
6.2.6 DBSCAN聚類 155
6.2.7 BIRCH聚類 159
6.2.8 高斯混合模型 164
6.3 降維 168
6.3.1 主成因分析 169
6.3.2 獨立成因分析 175
6.3.3 隱含狄利克雷分佈 179
6.3.4 流形學習 185
6.3.5 多維度縮放 186
6.3.6 ISOMAP 189
6.3.7 局部線性嵌入 191
6.3.8 譜嵌入 195
第7章 Sklearn之模型優化 198
7.1 模型優化 199
7.2 模型優化的具體方法 199
7.2.1 訓練樣本對模型的影響 200
7.2.2 訓練樣本問題的解決方案 201
7.2.3 第三方採樣庫imbalanced-learn 203
7.3 過採樣 205
7.3.1 隨機過採樣 205
7.3.2 合成少數類過採樣技術 207
7.3.3 自適應綜合過採樣方法 210
7.4 欠採樣 212
7.4.1 近丟失方法 212
7.4.2 編輯最鄰近方法 216
7.4.3 Tomek鏈接移除 218
7.4.4 混合採樣方法 219
7.5 調整類別權重 220
7.6 針對模型本身的調優 223
7.7 集成學習 228
7.7.1 投票分類器 229
7.7.2 套袋法 230
7.7.3 隨機森林 232
7.7.4 提升法 234
7.7.5 自適應性提升法 235
7.7.6 梯度提升法 237
7.7.7 套袋法和提升法的比較 239
第8章 Keras主要API及架構介紹 241
8.1 Keras概述 242
8.1.1 為什麼選擇Keras 242
8.1.2 Keras的安裝 243
8.2 序列模型和函數式模型 243
8.2.1 兩種模型的代碼實現 244
8.2.2 模型的其他API 248
8.3 Keras的架構 250
8.4 網絡層概述 250
8.4.1 核心層 251
8.4.2 卷積層 252
8.4.3 池化層 253
8.4.4 局部連接層 255
8.4.5 循環層 257
8.4.6 嵌入層 259
8.4.7 融合層 259
8.4.8 高級激活層 261
8.4.9 規範化層 261
8.4.10 噪聲層 261
8.4.11 層級包裝器 262
8.5 配置項 265
8.5.1 損失函數 265
8.5.2 驗證指標 268
8.5.3 初始化函數 269
8.5.4 約束項 271
8.5.5 回調函數 272
第9章 一個神經網絡的迭代優化 279
9.1 神經網絡概述 281
9.2 神經網絡的初步實現 283
9.3 感知器層 284
9.3.1 梯度消失/爆炸問題 287
9.3.2 激活函數及其進化 288
9.3.3 激活函數的代碼實現 294
9.3.4 批量規範化 295
9.4 準備訓練模型 299
9.5 定義一個神經網絡模型 301
9.6 隱藏層對模型的影響 306
9.7 關於過擬合的情況 310
9.7.1 規則化方法 311
9.7.2 Dropout方法 313
9.8 優化器 314
9.8.1 批量梯度下降 316
9.8.2 靈活的學習率 318
9.8.3 適應性梯度法 319
9.8.4 適應性差值法 320
9.8.5 均方差傳播 322
9.8.6 Nesterov加速下降 324
9.8.7 Adam 325
9.8.8 優化器之間的對比 326
9.9 模型調優的其他途徑 329
9.10 本章小結 331
第10章 卷積神經網絡 333
10.1 卷積神經網絡概述 335
10.1.1 局部感受場 335
10.1.2 共享權重和偏差 338
10.1.3 卷積層 339
10.1.4 池化層 342
10.1.5 卷積神經網絡的代碼實現 344
10.1.6 卷積神經網絡的調優 348
10.2 常見的卷積神經網絡 352
10.2.1 LeNet 352
10.2.2 AlexNet 356
10.2.3 VGGNet 359
10.2.4 殘差網絡 366
10.2.5 Inception網絡模型 373
10.2.6 膠囊網絡 378
10.2.7 結語 388
第11章 生成性對抗網絡 389
11.1 生成性對抗網絡概述 391
11.1.1 生成性對抗網絡的原理 391
11.1.2 生成性對抗網絡的代碼實現 393
11.2 常見的生成性對抗網絡 399
11.2.1 深度卷積生成性對抗網絡 399
11.2.2 環境條件生成性對抗網絡 406
11.3 自動編碼器 411
11.3.1 自動編碼器的代碼實現 412
11.3.2 變分自動編碼器 414
第12章 循環神經網絡 420
12.1 詞嵌入 422
12.1.1 Word2Vec 423
12.1.2 GloVe 428
12.1.3 詞嵌入的代碼實現 429
12.2 循環神經網絡概述 430
12.2.1 簡單循環神經網絡單元 432
12.2.2 關於循環神經網絡的梯度下降 433
12.2.3 長短期記憶單元 435
12.2.4 門控遞歸單元 443
12.2.5 雙向循環神經網絡 444
第13章 機器學習的入職準備 448
13.1 人工智能崗位及求職者的分佈 449
13.1.1 機器學習的生態 449
13.1.2 應用場景 450
13.2 機器學習崗位的發展路徑 454
13.2.1 機器學習崗位畫像 454
13.2.2 面試考察什麼 456
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。