機器學習與人工智能：從理論到實踐 Machine Learning and Artificial Intelligence

《機器學習與人工智能：從理論到實踐》理論與實踐相結合，全面介紹了人工智能和機器學習。
《機器學習與人工智能：從理論到實踐》分為六部分。
首部分介紹了人工智能和機器學習在現代背景下的概念以及它們的起源和現狀，
並討論了使用這些概念的各種場景和數據的理解、表示與可視化。
第二部分介紹了機器學習的各種方法及新興趨勢。
第三部分介紹了使用算法構建端到端機器學習管道。
第四部分重點介紹機器學習模型的實現，以開發人工智能應用。
第五部分介紹了解決現實機器學習問題的一些實現策略。
第六部分是《機器學習與人工智能：從理論到實踐》總結和下一步工作。
《機器學習與人工智能：從理論到實踐》
適合機器學習與人工智能相關專業研究生和高年級本科生以及研究人員和專業人員閱讀。
書中盡可能少地使用數學，這使得主題更直觀、更容易理解。
全面介紹了人工智能和機器學習技術的理論和應用。
為人工智能和機器學習提供了直觀、易懂的學習指南，較少使用數學。
結合應用介紹所有機器學習和人工智能技術及實現。

Ameet V.Joshi

博士，目前是微軟的一名數據科學經理。
他於2006年在密歇根州立大學獲得博士學位。
他擁有超過15年的機器學習算法開發方面的經驗，
涉及各種不同的工業領域，包括管道檢查、家庭能源分解、
微軟Cortana智能和CRM中的商務智能。
此前，他曾擔任Belkin International的機器學習專家和Microline Technology Corp．的研究主管。
他是多個技術委員會的成員，在許多會議和期刊上發表過文章，
也是多本書籍的編著者之一。
他還擁有兩項專利，並獲得多個行業獎項，包括IEEE高級會員（只有8%的會員獲得）。

序
前言
致謝
第一部分 簡介
第1章 人工智能和機器學習簡介
1．1 引言
1．2 什麼是人工智能
1．3 什麼是機器學習
1．4 本書的結構
1．4．1 簡介
1．4．2 機器學習
1．4．3 構建端到端管道
1．4．4 人工智能
1．4．5 實現
1．4．6 結語

第2章 人工智能和機器學習的基本概念
2．1 引言
2．2 大數據和非大數據
2．2．1 什麼是大數據
2．2．2 為什麼我們應該區別對待大數據
2．3 學習類型
2．3．1 監督學習
2．3．2 無監督學習
2．3．3 強化學習
2．4 基於時間的機器學習方法
2．4．1 靜態學習
2．4．2 動態學習
2．5 維數
2．6 線性和非線性
2．7 奧卡姆剃刀原理
2．8 “沒有免費的午餐”定理
2．9 收益遞減規律
2．10 機器學習的早期趨勢
2．11 小結

第3章 數據的理解、表示和可視化
3．1 引言
3．2 理解數據
3．2．1 理解實體
3．2．2 理解屬性
3．2．3 理解數據類型
3．3 數據的表示和可視化
3．3．1 主成分分析
3．3．2 線性判別分析
3．4 小結

第二部分 機器學習
第4章 線性方法
4．1 引言
4．2 線性模型和廣義線性模型
4．3 線性回歸
4．3．1 定義問題
4．3．2 解決問題
4．4 正則化的線性回歸
4．4．1 正則化
4．4．2 嶺回歸
4．4．3 Lasso回歸
4．5 廣義線性模型
4．6 k最近鄰算法
4．6．1 KNN的定義
4．6．2 分類和回歸
4．6．3 KNN的其他變體
4．7 小結

第5章 感知器和神經網絡
5．1 引言
5．2 感知器
5．3 多層感知器或人工神經網絡
5．3．1 前饋操作
5．3．2 非線性多層感知器或非線性人工神經網絡
5．3．3 訓練多層感知器
5．3．4 隱藏層
5．4 徑向基函數網絡
5．5 過度擬合與正則化
5．5．1 L1和L2正則化
5．5．2 丟棄正則化
5．6 小結

第6章 決策樹
6．1 引言
6．2 為什麼使用決策樹
6．3 構建決策樹的算法
6．4 回歸樹
6．5 分類樹
6．6 決策指標
6．6．1 誤分類誤差
6．6．2 基尼指數
6．6．3 交叉熵或偏差
6．7 卡方自動交叉檢驗
6．8 訓練決策樹
6．9 集成決策樹
6．10 Bagging集成樹
6．11 隨機森林
6．12 Boosted集成樹
6．12．1 AdaBoost
6．12．2 梯度提升
6．13小結
……

第三部分 構建端到端管道
第四部分 人工智能
第五部分 實現
第六部分 結語

參考文獻