-- 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

AI制勝:機器學習極簡入門

( 簡體 字)
作者:宋立桓類別:1. -> 程式設計 -> 人工智慧
譯者:
出版社:清華大學出版社AI制勝:機器學習極簡入門 3dWoo書號: 53172
詢問書籍請說出此書號!

缺書
NT售價: 245

出版日:7/1/2020
頁數:164
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:9787302555513
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:

“人工智能、深度學習和機器學習,不論你現在是否能夠理解這些概念,你都應該學習。否則三年內,你就會像滅絕的恐龍一樣被社會淘汰”——馬克?庫班(NBA小牛隊老板,億萬富翁)。
馬克?庫班的這番話可能聽起來挺嚇人的,但道理是沒毛病的!我們正經歷一場大革命,這場革命就是由大數據和強大電腦計算能力發起的。隨著科技的快速發展,作為人工智能的核心技術,機器學習也變得越來越火。然而,普通的程序員想要轉行機器學習卻困難重重。回想起來,筆者在剛開始學習機器學習時,一上來就被一大堆數學公式和推導過程所折磨,這樣的情景還歷歷在目。那時候筆者也覺得機器學習是個門檻非常高的學科。但實際上,在人工智能的大部分從業人員里,究竟有多少人需要從頭去實現一個算法?又有多少人有機會去發明一個新算法?從一開始就被細節和難點纏住,學機器學習前先學三年的線性代數、微積分,這嚴重打擊了新人想進入機器學習領域的熱情和信心!
對一個正常的普通IT程序員而言,可能需要花3年左右的時間才能學習完人工智能所需要的全部的數學基礎,你能夠在國內心無旁騖(辭掉工作?拋家離子?)掌握完這些數學基礎?機器學習以其背后復雜的數學原理及異常復雜的算法推導和證明過程而嚇退了一大批初學者,本書就是要解決這個問題,遵循“極簡入門”的理念。霍金說過每多一個數學公式,就會少一半的讀者,因此這里也會盡量少用公式,要用也只用簡單易懂的公式。筆者在書中通過通俗易懂的語言去描述算法的工作原理,幫助讀者直觀地理解每個算法的核心思想,有效地降低了學習的門檻。個人覺得機器學習中的很多公式是可以感性地去認識的,能完全明白推導過程自然最好,但在不求甚解的狀態下能達到感性的認知也未必不是一個快速入門機器學習的好方法。另外,本書通過使用scikit-learn機器學習工具包來演示算法的使用,以及算法所能解決的實際案例問題,這種站在巨人肩膀上、循序漸進的講授方式,完全遵循小白對機器學習算法的認知規律。算法的唯一學習正道是在案例中體會數據處理的每一個步驟并基于該過程進行算法總結,這也是本書通過大量案例的實操,讓廣大機器學習愛好者從具體案例中體悟算法運行背后的原理和真相。
上面的說法并不是要否認數學和算法實現的重要性,畢竟它們是人工智能領域的基礎學科方向。萬事開頭難,只有打開了一扇門,才能發現一個全新的世界,這本書目的就是幫助新人打開機器學習的這扇門。
閱讀本書的讀者,只需學過Python語言基礎知識,只要你想改變自己的現狀,那么這本書就非常適合你。本書就是給那些非科班出身而想半路“殺進”人工智能(AI)領域的程序員們,提供極簡入門的參考指南。書中用到的所有數學內容都會從問題的視角出發,所有內容都會遵循人類最直覺的學習方式循序漸進地進行講授,以完全可視化的學習方式,給讀者提供全部真實案例的源代碼和數據,以便于讀者動手實踐。本書中的所有截圖都是實驗操作的真實結果。
源碼下載
本書的案例代碼及資源文件,可掃描右邊二維碼下載。若閱讀過程中發現問題,可以通過下載資源中的電子郵箱與作者交互。
致謝
感謝我的妻子和女兒,讓這么美好的兩個人走進我的世界!
感謝我的父母,從未讓你們驕傲,你們卻待我如寶!
感謝我的朋友和同事,他們讓我學會知識的增值和變現!
感謝清華大學出版社和夏毓彥編輯幫助我出版了這本有意義的著作。
作為學術界的AI女神斯坦福教授李飛飛的人生逆襲,勵志故事深深感染了我。我謹以此書,獻給那些為人工智能的發展而鋪路的人,讓更多的人享受到人工智能時代到來的紅利。


宋立桓
騰訊云架構師
云計算、大數據、人工智能咨詢顧問
2020年5月
內容簡介:

機器學習包括有監督學習、無監督學習和半監督學習,而具體的問題又大致可以分兩類:分類問題和回歸問題。本書分為8章,使用Python第三方工具庫深入講解機器學習極大重要算法的實現,內容包括機器學習概述、貝葉斯分類、決策樹、集成學習、支持向量機、神經網絡、卷積神經網絡、卷積神經網絡分割圖片實戰。
目錄:

第1章機器學習概述 1
1.1什么是機器學習 1
1.2機器學習的流程 3
1.2.1數據收集 3
1.2.2數據預處理 3
1.2.3特征工程 4
1.2.4模型構建和訓練 4
1.3機器學習該如何學 5
1.3.1AI時代首選Python 5
1.3.2PyCharm可視化編輯器和Anaconda大禮包 7
1.3.3掌握算法原理與掌握機器學習軟件庫同等重要 13
1.3.4機器學習與深度學習的區別 13
1.4機器學習分類 15
1.4.1監督學習 15
1.4.2無監督學習 16
1.4.3強化學習 16
1.5過擬合和欠擬合 17
1.5.1過擬合 18
1.5.2欠擬合 18
1.6衡量機器學習模型的指標 19
1.6.1正確率、精確率和召回率 19
1.6.2F1score和ROC曲線 21
第2章機器學習中的數據預處理 24
2.1數據預處理的重要性和原則 24
2.2數據預處理方法介紹 25
2.2.1數據預處理案例——標準化、歸一化、二值化 25
2.2.2數據預處理案例——缺失值補全、標簽化 26
2.2.3數據預處理案例——獨熱編碼 28
2.2.4通過數據預處理提高模型準確率 29
2.3數據降維 31
2.3.1什么叫數據降維 31
2.3.2PCA主成分分析原理 31
2.3.3PCA主成分分析實戰案例 33
第3章k最近鄰算法 36
3.1K最近鄰算法的原理 36
3.2K最近鄰算法過程詳解 37
3.3KNN算法的注意事項 39
3.3.1k近鄰的k值該如何選取 39
3.3.2距離的度量 39
3.3.3特征歸一化的必要性 41
3.4K最近鄰算法案例分享 42
3.4.1電影分類kNN算法實戰 42
3.4.2使用scikit-learn機器學習庫內置的kNN算法實現水果識別器 44
3.5KNN算法優缺點 47
第4章回歸算法 49
4.1線性回歸 49
4.1.1什么是線性回歸 49
4.1.2最小二乘法 51
4.1.3梯度下降法 52
4.2線性回歸案例實戰 57
4.2.1房價預測線性回歸模型案例一 57
4.2.2房價預測線性回歸模型案例二 60
4.3邏輯回歸 62
4.3.1邏輯回歸概念和原理 62
4.3.2邏輯回歸案例實戰 64
4.4回歸算法總結和優缺點 65
第5章決策樹 66
5.1決策樹概念 66
5.2信息熵 68
5.3信息增益與信息增益比 69
5.4基尼系數 70
5.5過擬合與剪枝 70
5.6決策樹算法案例實戰——預測患者佩戴隱形眼鏡類型 71
5.7決策樹算法實戰案例——電影喜好預測 73
5.8總結 77
第6章K-means聚類算法 78
6.1何為聚類 78
6.2K-MEANS算法思想和原理 79
6.3K-MEANS算法涉及的參數和優缺點 82
6.3.1K-means涉及參數 82
6.3.2K-means優缺點 84
6.4K-MEANS應用場景 84
6.5K-MEANS聚類算法實現鳶尾花數據的聚類 85
6.6K-MEANS算法實現客戶價值分析 87
6.7K-MEANS算法實現對亞洲足球隊做聚類 90
第7章隨機森林 92
7.1隨機森林概述 92
7.1.1什么是隨機森林 92
7.1.2隨機森林的優缺點 93
7.2隨機森林實戰——紅酒數據集案例 94
7.3隨機森林算法實戰——泰坦尼克號生存預測 97
第8章樸素貝葉斯算法 101
8.1樸素貝葉斯算法概念和原理 101
8.2貝葉斯算法實戰案例——曲奇餅 105
8.3貝葉斯算法案例實戰——單詞拼寫糾錯 106
8.4貝葉斯算法案例實戰——識別中文垃圾郵件 109
8.5貝葉斯算法案例實戰——鳶尾花分類預測 112
第9章支持向量機SVM 116
9.1支持向量機概述 116
9.2工作原理 119
9.2.1線性分類 119
9.2.2線性不可分 120
9.2.3核函數 122
9.3SVM的核函數選擇和參數的調整 122
9.4SVM算法案例實戰——波士頓房價分析 124
9.5SVM算法案例實戰——鳶尾花分類 126
9.6SVM算法優缺點 128
第10章神經網絡 130
10.1神經網絡概念 130
10.1.1神經元 130
10.1.2激活函數 132
10.1.3神經網絡 133
10.2卷積神經網絡(CNN) 135
10.2.1計算機識別圖像的過程 135
10.2.2卷積神經網絡詳解 136
10.3用PYTHON實現自己的神經網絡案例 138
10.4多層神經網絡基于SKLEARN的實現案例 141
10.5使用KERAS框架實現神經網絡案例 145
10.5.1Keras深度學習框架簡介和安裝 145
10.5.2Keras實現多層感知器模型MLP 146
10.5.3Keras實現卷積神經網絡CNN 149
第11章人臉識別入門實踐 151
11.1人臉識別簡介 151
11.1.1什么是人臉識別 151
11.1.2人臉識別過程步驟 153
11.2人臉檢測和關鍵點定位實戰 156
11.3人臉表情分析——情緒識別實戰 160
11.4我能認識你——人臉識別實戰 161
序: