動手學機器學習
張偉楠 趙寒燁 俞勇
- 出版商: 人民郵電
- 出版日期: 2023-08-01
- 定價: $539
- 售價: 8.5 折 $458
- 語言: 簡體中文
- 頁數: 272
- ISBN: 7115618208
- ISBN-13: 9787115618207
-
相關分類:
Machine Learning
立即出貨
買這商品的人也買了...
-
$299Python 機器學習手冊:從數據預處理到深度學習 (Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning)
-
$780$616 -
$954$906 -
$890$703 -
$539$512 -
$239$227 -
$659$626 -
$720$562 -
$1,000$850 -
$768$730 -
$650$507 -
$534$507 -
$469機器學習公式詳解, 2/e
-
$414$393 -
$454擴散模型:生成式 AI 模型的理論、應用與代碼實踐
-
$534$507 -
$600$468 -
$556大規模語言模型:從理論到實踐
-
$521基於 GPT-3、ChatGPT、GPT-4 等 Transformer 架構的自然語言處理
-
$505LangChain 入門指南:構建高可復用、可擴展的 LLM 應用程序
-
$880$695 -
$419$398 -
$403Llama 大模型實踐指南
-
$580$458 -
$539$512
相關主題
商品描述
本書系統介紹了機器學習的基本內容及其代碼實現,是一本著眼於機器學習教學實踐的圖書。
本書包含4個部分:第一部分為機器學習基礎,介紹了機器學習的概念、數學基礎、思想方法和簡單的機器學習算法;第二部分為參數化模型,講解線性模型、神經網絡等算法;第三部分為非參數化模型,主要討論支持向量機和決策樹模型及其變種;第四部分為無監督模型,涉及聚類、降維、概率圖模型等多個方面。本書將機器學習理論和實踐相結合,以大量示例和代碼帶領讀者走進機器學習的世界,讓讀者對機器學習的研究內容、基本原理有基本認識,為後續進一步涉足深度學習打下基礎。
本書適合對機器學習感興趣的專業技術人員和研究人員閱讀,同時適合作為人工智能相關專業機器學習課程的教材。
作者簡介
张伟楠,上海交通大学副教授,博士生导师,ACM班机器学习、强化学习课程授课教师。主要研究强化学习、数据挖掘、知识图谱、深度学习以及这些技术在推荐系统、游戏智能、机器人控制等场景中的应用,累计发表国际期刊和会议论文180余篇。
赵寒烨,上海交通大学 APEX数据与知识管理实验室博士生,师从张伟楠副教授,研究方向为强化学习、机器学习。以一作身份在人工智能国际会议 NeurIPS上发表论文,并参与多本机器学习相关教材的编写。
俞勇,上海交通大学ACM班创办人,上海交通大学特聘教授。2018年创办伯禹人工智能学院,在上海交通大学ACM班人工智能专业课程体系的基础上,对人工智能课程体系进行创新,致力于培养人工智能算法工程师和研究员。
目錄大綱
第 一部分 機器學習基礎
第 1 章 初探機器學習 2
1 1 人工智能的“兩只手和四條腿” 2
1 2 機器學習是什麽 2
1 3 時代造就機器學習的盛行 4
1 4 泛化能力:機器學習奏效的本質 5
1 5 歸納偏置:機器學習模型的“天賦” 6
1 6 機器學習的限制 7
1 7 小結 7
第 2 章 機器學習的數學基礎 8
2 1 向量 8
2 2 矩陣 10
2 2 1 矩陣的基本概念 10
2 2 2 矩陣運算 11
2 2 3 矩陣與線性方程組 12
2 2 4 矩陣範數 13
2 3 梯度 14
2 4 凸函數 17
2 5 小結 19
第 3 章 k近鄰算法 20
3 1 KNN算法的原理 20
3 2 用KNN算法完成分類任務 21
3 3 使用scikit-learn實現KNN算法 24
3 4 用KNN算法完成回歸任務--色彩風格遷移 25
3 4 1 RGB空間與LAB空間 27
3 4 2 算法設計 27
3 5 小結 30
第 4 章 線性回歸 33
4 1 線性回歸的映射形式和學習目標 33
4 2 線性回歸的解析方法 35
4 3 動手實現線性回歸的解析方法 35
4 4 使用sklearn中的線性回歸模型 37
4 5 梯度下降算法 38
4 6 學習率對迭代的影響 42
4 7 小結 44
第 5 章 機器學習的基本思想 46
5 1 欠擬合與過擬合 46
5 2 正則化約束 49
5 3 輸入特徵與相似度 52
5 4 參數與超參數 55
5 5 數據集劃分與交叉驗證 56
5 6 小結 57
5 7 擴展閱讀:貫穿恆等式的證明 58
5 8 參考文獻 58
第二部分 參數化模型
第 6 章 邏輯斯諦回歸 60
6 1 邏輯斯諦函數下的線性模型 61
6 2 最大似然估計 62
6 3 分類問題的評價指標 64
6 4 動手實現邏輯斯諦回歸 69
6 5 使用sklearn中的邏輯斯諦回歸模型 73
6 6 交叉熵與最大似然估計 74
6 7 小結 76
6 8 擴展閱讀:廣義線性模型 78
6 9 參考文獻 79
第 7 章 雙線性模型 80
7 1 矩陣分解 81
7 2 動手實現矩陣分解模型 83
7 3 因子分解機 86
7 4 動手實現因子分解機模型 89
7 5 小結 92
7 6 擴展閱讀:概率矩陣分解 93
7 7 參考文獻 95
第 8 章 神經網絡與多層感知機 96
8 1 人工神經網絡 96
8 2 感知機 97
8 3 隱含層與多層感知機 99
8 4 反向傳播 102
8 5 動手實現多層感知機 104
8 6 用PyTorch庫實現多層感知機 110
8 7 小結 113
8 8 參考文獻 114
第 9 章 捲積神經網絡 115
9 1 捲積 115
9 2 神經網絡中的捲積 117
9 3 用捲積神經網絡完成圖像分類任務 119
9 4 用預訓練的捲積神經網絡完成色彩風格遷移 126
9 4 1 VGG網絡 126
9 4 2 內容表示與風格表示 127
9 5 小結 134
9 6 擴展閱讀:數據增強 134
9 7 參考文獻 136
第 10 章 循環神經網絡 137
10 1 循環神經網絡的基本原理 137
10 2 門控循環單元 139
10 3 動手實現GRU 141
10 4 小結 146
10 5 參考文獻 147
第三部分 非參數化模型
第 11 章 支持向量機 150
11 1 支持向量機的數學描述 150
11 2 序列最小優化 153
11 3 動手實現SMO求解SVM 156
11 4 核函數 158
11 5 sklearn中的SVM工具 162
11 6 小結 163
11 7 擴展閱讀:SVM對偶問題的推導 164
第 12 章 決策樹 167
12 1 決策樹的構造 168
12 2 ID3算法與C4 5算法 171
12 3 CART算法 172
12 4 動手實現C4 5算法的決策樹 175
12 4 1 數據集處理 175
12 4 2 C4 5算法的實現 178
12 5 sklearn中的決策樹 182
12 6 小結 183
12 7 參考文獻 184
第 13 章 集成學習與梯度提升決策樹 185
13 1 自舉聚合與隨機森林 186
13 2 集成學習器 191
13 3 提升算法 194
13 3 1 適應提升 195
13 3 2 梯度提升 200
13 4 小結 205
13 5 參考文獻 206
第四部分 無監督模型
第 14 章 k均值聚類 208
14 1 k均值聚類算法的原理 208
14 2 動手實現k均值算法 209
14 3 k-means++算法 212
14 4 小結 214
14 5 參考文獻 215
第 15 章主成分分析 216
15 1 主成分與方差 216
15 2 利用特徵分解進行PCA 218
15 3 動手實現PCA算法 221
15 4 用sklearn實現PCA算法 222
15 5 小結 223
第 16 章 概率圖模型 225
16 1 貝葉斯網絡 226
16 2 最大後驗估計 228
16 3 用樸素貝葉斯模型完成文本分類 231
16 4 馬爾可夫網絡 234
16 5 用馬爾可夫網絡完成圖像去噪 236
16 6 小結 240
16 7 參考文獻 241
第 17 章 EM算法 242
17 1 高斯混合模型的EM算法 243
17 2 動手求解GMM來擬合數據分佈 245
17 3 一般情況下的EM算法 251
17 4 EM算法的收斂性 253
17 5 小結 254
第 18 章 自編碼器 255
18 1 自編碼器的結構 256
18 2 動手實現自編碼器 257
18 3 小結 262
18 4 參考文獻 262
總結與展望 264
總結 264
展望 264
中英文術語對照表 267