突圍算法：機器學習算法應用 ( 簡體 字) |
| 作者：劉凡平 | 類別：1. -> 程式設計 -> 機器學習
2. -> 程式設計 -> 演算法 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 53224
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：8/1/2020 |
| 頁數：264 |
| 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：9787121392634 |
| 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：寫作背景
我多年前參加了“百度深度學習公開課·杭州站”的活動，當時做了一個主題為“深度學習模型設計經驗分享”的演講，現場效果非常好，后來萌發了寫機器學習算法的想法。于是我將一些工作內容進行沉淀總結，便形成了本書。
本書內容
本書主要對算法的原理進行了介紹，并融合大量的應用案例，詳細介紹使用機器學習模型的一般方法，幫助讀者理解算法原理，學會模型設計。
本書首先介紹數據理解、數據的處理與特征，幫助讀者認識數據；然后從宏觀、系統的角度介紹機器學習算法分類、一般學習規則及機器學習的基礎應用；接著根據項目研發的流程，詳細介紹了模型選擇和結構設計、目標函數設計、模型訓練過程設計、模型效果的評估與驗證、計算性能與模型加速；最后通過多個應用案例幫助讀者加強對前面知識點的理解。
讀者對象
? 對數據分析、算法及機器學習領域感興趣的開發者；
? 對人工智能產品、算法方案設計有不同層次需求的技術管理者；
? 軟件工程或計算機相關專業的在校學生。
本書特色
本書緊密結合一線開發者的項目應用經驗，對當前機器學習的各類算法原理進行了介紹，以方法論的形式連接原理和實踐，指導讀者設計機器學習模型。
本書結構
本書內容由淺入深，以宏觀認識為基礎，逐步深入算法體系、算法細節，全書共分為10章，具體內容如下。
第1章從宏觀的角度介紹人工智能相關基礎知識、機器學習的技術發展史，以及機器學習在計算機視覺、自然語言處理、語音識別等領域的發展歷程，有助于讀者了解宏觀背景。
第2章重點介紹了數據的三個基本維度、統計推論的基本方法，以及數據分析中的一些關鍵技術點和可視化，幫助讀者建立數據理解的思維。
第3章從數據處理與特征的角度重點介紹了數據的處理方法，以及數據的特征縮放和特征編碼、圖像的特征分析等，并對數據降維進行了深入介紹。
第4章重點對機器學習的理論基礎進行介紹，并結合了應用輔助增強對機器學習理論基礎的認識，包括機器學習的體系框架、一般學習規則等。
第5章重點介紹了模型選擇和結構設計，對機器學習、深度學習中的經典模型進行了介紹，并詳細介紹了模型的設計方向、設計技巧等。
第6章重點介紹了目標函數中的設計，包括各應用場景中常見的損失函數，以及設計的原則，并詳細介紹了梯度下降法和牛頓法的目標求解過程。
第7章重點介紹了模型訓練過程中的設計，包括數據選擇、參數初始化、模型擬合狀態、學習速率設定等，并結合遷移學習和分布式訓練對模型訓練的過程進行了介紹。
第8章從模型效果的角度分別對分類算法、聚類算法、回歸算法等常見的效果評估指標進行了介紹，并通過交叉驗證對模型效果進行評估，還從計算和數據的角度介紹了模型的穩定性。
第9章從算法應用落地的角度，重點介紹了計算性能和模型加速，包括計算平臺的性能指標、模型的計算性能指標，以及模型的壓縮與裁剪。
第10章通過數據準備、模型設計等關鍵環節，重點介紹了二元一次方程的數據擬合案例、鳶尾花的數據分類及聚類案例、形體識別的綜合性案例。
由于時間倉促及水平有限，書中難免存在不足之處，懇請廣大讀者批評指正，可以通過郵箱（fanpingliu@live.com）聯系我，謝謝！
致謝
感謝身邊志同道合的同學、朋友、同事和曾經對我嚴厲要求的老師們，每次向他們請教學習、探討交流，都能讓我從不同角度看到新的觀點。
衷心感謝我的家人，感謝他們在過去的時間里對我的理解和支持，為我營造了一個良好的寫作環境，并鼓勵我堅持認真寫作，使得本書能夠順利編寫完成。
在本書編寫過程中得到了很多朋友的支持和幫助，限于篇幅，雖然不能一一對他們表示感謝，但是對他們同樣心懷感激。
最后，感謝這個時代，給予每一個有理想的人賦予實現人生價值的機會！望不負自己，不負韶華！
劉凡平 |
內容簡介：本書主要對算法的原理進行了介紹，并融合大量的應用案例，詳細介紹使用機器學習模型的一般方法，幫助讀者理解算法原理，學會模型設計。本書首先介紹數據理解、數據的處理與特征，幫助讀者認識數據；然后從宏觀、系統的角度介紹機器學習算法分類、一般學習規則及機器學習的基礎應用；接著根據項目研發的流程，詳細介紹了模型選擇和結構設計、目標函數設計、模型訓練過程設計、模型效果的評估與驗證、計算性能與模型加速；最后通過多個應用案例幫助讀者加強對前面知識點的理解。 |
目錄：第1章 引言 1
1.1 人工智能概述 2
1.1.1 人工智能的分類 2
1.1.2 人工智能的應用 3
1.2 人工智能與傳統機器學習 5
1.2.1 人工神經網絡與生物神經網絡 5
1.2.2 落地的關鍵因素 6
1.3 機器學習算法領域發展綜述 8
1.3.1 計算機視覺 9
1.3.2 自然語言處理 10
1.3.3 語音識別 11
1.4 小結 13
參考文獻 13
第2章 數據理解 16
2.1 數據的三個基本維度 17
2.1.1 集中趨勢 17
2.1.2 離散趨勢 19
2.1.3 分布形態 20
2.2 數據的統計推論的基本方法 22
2.2.1 數據抽樣 22
2.2.2 參數估計 24
2.2.3 假設檢驗 26
2.3 數據分析 31
2.3.1 基本理念 31
2.3.2 體系結構 32
2.3.3 傳統數據分析方法與示例 33
2.3.4 基于數據挖掘的數據分析方法與示例 35
2.3.5 工作流程 38
2.3.6 數據分析技巧 40
2.3.7 數據可視化 43
2.4 小結 45
參考文獻 45
第3章 數據處理與特征 47
3.1 數據的基本處理 48
3.1.1 數據預處理 48
3.1.2 數據清洗中的異常值判定和處理 49
3.1.3 數據清洗中的缺失值填充 51
3.2 數據的特征縮放和特征編碼 54
3.2.1 特征縮放 54
3.2.2 特征編碼 57
3.3 數據降維 58
3.3.1 基本思想與方法 58
3.3.2 變量選擇 59
3.3.3 特征提取 61
3.4 圖像的特征分析 68
3.4.1 圖像預處理 68
3.4.2 傳統圖像特征提取 74
3.4.3 指紋識別 77
3.5 小結 78
參考文獻 79
第4章 機器學習基礎 81
4.1 統計學習 82
4.1.1 統計學習概述 82
4.1.2 一般研發流程 83
4.2 機器學習算法分類 85
4.2.1 體系框架 85
4.2.2 模型的形式 88
4.3 機器學習的學習規則 90
4.3.1 誤差修正學習 90
4.3.2 赫布學習規則 91
4.3.3 最小均方規則 92
4.3.4 競爭學習規則 93
4.3.5 其他學習規則 94
4.4 機器學習的基礎應用 95
4.4.1 基于最小二乘法的回歸分析 95
4.4.2 基于K-Means的聚類分析 98
4.4.3 基于樸素貝葉斯的分類分析 101
4.5 小結 103
參考文獻 103
第5章 模型選擇和結構設計 105
5.1 傳統機器學習模型選擇 106
5.1.1 基本原則 106
5.1.2 經典模型 107
5.2 經典回歸模型的理解和選擇 108
5.2.1 邏輯回歸 108
5.2.2 多項式回歸 109
5.2.3 各類回歸模型的簡單對比 112
5.3 經典分類模型的理解和選擇 113
5.3.1 K近鄰算法 113
5.3.2 支持向量機 114
5.3.3 多層感知器 115
5.3.4 AdaBoost算法 117
5.3.5 各類分類算法的簡單對比 118
5.4 經典聚類模型的理解和選擇 120
5.4.1 基于劃分的聚類 120
5.4.2 基于層次的聚類 122
5.4.3 基于密度的聚類 126
5.4.4 基于網格的聚類 131
5.4.5 聚類算法的簡單對比 131
5.5 深度學習模型選擇 132
5.5.1 分類問題模型 132
5.5.2 聚類問題模型 138
5.5.3 回歸預測模型 139
5.5.4 各類深度學習模型的簡單對比 140
5.6 深度學習模型結構的設計方向 141
5.6.1 基于深度的設計 141
5.6.2 基于升維或降維的設計 144
5.6.3 基于寬度和多尺度的設計 145
5.7 模型結構設計中的簡單技巧 146
5.7.1 激活函數的選擇 146
5.7.2 隱藏神經元的估算 147
5.7.3 卷積核串聯使用 148
5.7.4 利用Dropout提升性能 149
5.8 小結 150
參考文獻 151
第6章 目標函數設計 154
6.1 損失函數 155
6.1.1 一般簡單損失函數 155
6.1.2 圖像分類場景經典損失函數 156
6.1.3 目標檢測中的經典損失函數 158
6.1.4 圖像分割中的經典損失函數 159
6.1.5 對比場景中的經典損失函數 161
6.2 風險最小化和設計原則 165
6.2.1 期望風險、經驗風險和結構風險 165
6.2.2 目標函數的設計原則 166
6.3 基于梯度下降法的目標函數優化 167
6.3.1 理論基礎 167
6.3.2 常見的梯度下降法 169
6.3.3 改進方法 169
6.4 基于牛頓法的目標求解 173
6.4.1 基本原理 173
6.4.2 牛頓法的計算步驟 174
6.5 小結 175
參考文獻 176
第7章 模型訓練過程設計 178
7.1 數據選擇 179
7.1.1 數據集篩選 179
7.1.2 難例挖掘 180
7.1.3 數據增強 181
7.2 參數初始化 183
7.2.1 避免全零初始化 183
7.2.2 隨機初始化 184
7.3 擬合的驗證與判斷 185
7.3.1 過擬合的模型參數 185
7.3.2 不同算法場景中的欠擬合和過擬合 187
7.4 學習速率的選擇 188
7.4.1 學習速率的一般觀測方法 188
7.4.2 學習速率與批處理大小的關系 189
7.5 遷移學習 189
7.5.1 概念與基本方法 189
7.5.2 應用示例：基于VGG-16的遷移思路 190
7.6 分布式訓練 191
7.6.1 數據并行 191
7.6.2 模型并行 193
7.7 小結 194
參考文獻 194
第8章 模型效果的評估與驗證 196
8.1 模型效果評估的一般性指標 197
8.1.1 分類算法的效果評估 197
8.1.2 聚類算法的效果評估 201
8.1.3 回歸算法的效果評估 205
8.1.4 不同應用場景下的效果評估 206
8.2 交叉驗證 208
8.2.1 基本思想 208
8.2.2 不同的交叉驗證方法 209
8.3 模型的穩定性分析 210
8.3.1 計算的穩定性 210
8.3.2 數據的穩定性 211
8.3.3 模型性能 212
8.4 小結 213
參考文獻 213
第9章 計算性能與模型加速 215
9.1 計算優化 216
9.1.1 問題與挑戰 216
9.1.2 設備與推斷計算 216
9.2 性能指標 217
9.2.1 計算平臺的重要指標：算力和帶寬 217
9.2.2 模型的兩個重要指標：計算量和訪存量 218
9.3 模型壓縮與裁剪 219
9.3.1 問題背景 219
9.3.2 基本思路和方法 220
9.4 小結 221
參考文獻 221
第10章 應用案例專題 223
10.1 求解二元一次方程 224
10.1.1 問題分析 224
10.1.2 模型設計 225
10.2 鳶尾花的案例分析 226
10.2.1 數據說明 226
10.2.2 數據理解和可視化 227
10.2.3 數據特征的降維 230
10.2.4 數據分類 231
10.2.5 數據聚類 235
10.3 形體識別 237
10.3.1 問題定義 237
10.3.2 應用形式 239
10.3.3 數據準備與處理 241
10.3.4 技術方案與模型設計 243
10.3.5 改進思考 245
10.4 小結 246
參考文獻 246 |
| 序： |
