|
| |
| 商品名称： | 机器学习开发实战 |
| 作 者： | [意]迪诺·埃斯波西托（Dino Esposito） 弗朗西斯科·埃斯波西托（Francesco Esposito）
|
| 市 场 价： | 119.00
|
| ISBN 号： | 9787111728245
|
| 出版日期： |
|
| 页 数： | 288
|
| 开 本： |
|
| 出 版 社： | 机械工业出版社 |
|
CONTENTS 目 录 译者序 前言 致谢 作者简介 第一部分 机器学习基础 第1章 人类是如何学习的 2 1.1 迈向思考型机器 2 1.1.1 机器推理的曙光 3 1.1.2 哥德尔不完备定理 3 1.1.3 计算机的形式化 3 1.1.4 迈向人类思想的形式化 4 1.1.5 人工智能学科的诞生 5 1.2 学习机理 6 1.2.1 到底什么是智能软件 6 1.2.2 神经元是如何工作的 7 1.2.3 胡萝卜加大棒法 （软硬兼施） 10 1.2.4 应变能力 12 1.3 人工智能的形式 13 1.3.1 原始智能 13 1.3.2 专家系统 13 1.3.3 自治系统 15 1.3.4 人工的情感形式 17 1.4 本章小结 18 第2章 智能软件 19 2.1 应用人工智能 19 2.1.1 软件智能的发展 19 2.1.2 专家系统 20 2.2 通用人工智能 22 2.2.1 无监督学习 22 2.2.2 监督学习 24 2.3 本章小结 26 第3章 映射问题和算法 27 3.1 基本问题 27 3.1.1 对象分类 28 3.1.2 结果预测 30 3.1.3 对象分组 31 3.2 更复杂的问题 33 3.2.1 图像分类 33 3.2.2 目标检测 34 3.2.3 文本分析 34 3.3 自动机器学习 35 3.3.1 AutoML平台的 特性 35 3.3.2 运行中的AutoML Model Builder 37 3.4 本章小结 40 第4章 机器学习解决方案的 一般步骤 42 4.1 数据收集 42 4.1.1 组织中的数据驱动文化 43 4.1.2 存储选项 44 4.2 数据准备 45 4.2.1 提高数据质量 45 4.2.2 清理数据 46 4.2.3 特征工程 47 4.2.4 最终确定训练数据集 48 4.3 模型选择及训练 50 4.3.1 算法备忘录 51 4.3.2 神经网络案例 53 4.3.3 评估模型性能 54 4.4 模型部署 55 4.4.1 选择合适的主机平台 55 4.4.2 公开API 56 4.5 本章小结 56 第5章 数据因素 58 5.1 数据质量 58 5.1.1 数据有效性 58 5.1.2 数据收集 59 5.2 数据完整性 60 5.2.1 完备性 61 5.2.2 唯一性 61 5.2.3 及时性 61 5.2.4 准确性 61 5.2.5 一致性 62 5.3 到底什么是数据科学家 62 5.3.1 工作中的数据科学家 62 5.3.2 数据科学家工具箱 63 5.3.3 数据科学家和软件 开发人员 63 5.4 本章小结 64 第二部分 .NET中的机器学习 第6章 .NET方式 66 6.1 为什么用或不用Python 67 6.1.1 为什么在机器学习中 Python如此受欢迎 67 6.1.2 Python机器学习库的 分类 68 6.1.3 基于Python模型的端到 端解决方案 70 6.2 ML.NET简介 72 6.2.1 在ML.NET中创建和 使用模型 72 6.2.2 学习环境的要素 74 6.3 本章小结 78 第7章 实现ML.NET管道 79 7.1 从数据开始 79 7.1.1 探索数据集 80 7.1.2 应用公共数据转换 80 7.1.3 关于数据集的注意事项 81 7.2 训练步骤 81 7.2.1 选择算法 82 7.2.2 评估算法的性能 82 7.2.3 计划测试阶段 83 7.2.4 指标预览 83 7.3 从客户端应用程序中预测价格 84 7.3.1 获取模型文件 84 7.3.2 设置ASP.NET应用程序 85 7.3.3 预测出租车费 85 7.3.4 设计适当的用户界面 87 7.3.5 质疑数据和解决问题的 方法 88 7.4 本章小结 88 第8章 ML.NET任务及算法 89 8.1 ML.NET的整体框架 89 8.1.1 涉及的类型和接口 89 8.1.2 数据表示 90 8.1.3 支持的目录 92 8.2 分类任务 94 8.2.1 二值分类 94 8.2.2 多分类 98 8.3 聚类任务 103 8.3.1 准备工作数据 103 8.3.2 训练模型 104 8.3.3 评估模型 105 8.4 迁移学习 107 8.4.1 建立图像分类器的步骤 108 8.4.2 应用必要的数据转换 108 8.4.3 模型的构建和训练 110 8.4.4 关于迁移学习的补充 说明 112 8.5 本章小结 112 第三部分 浅层学习基础 第9章 机器学习的数学基础 114 9.1 统计数据 114 9.1.1 统计平均值 115 9.1.2 统计众数 117 9.1.3 统计中位数 118 9.2 偏差和方差 119 9.2.1 统计学中的方差 120 9.2.2 统计学中的偏差 122 9.3 数据表示 122 9.3.1 五位数总结 122 9.3.2 直方图 123 9.3.3 散点图 124 9.3.4 散点图矩阵 125 9.3.5 以适当的比例绘图 125 9.4 本章小结 126 第10章 机器学习的度量 127 10.1 统计学与机器学习 127 10.1.1 机器学习的最终目标 128 10.1.2 从统计模型到机器学习 模型 129 10.2 机器学习模型的评价 130 10.2.1 从数据集到预测 131 10.2.2 测量模型的精度 132 10.3 准备处理数据 136 10.3.1 缩放 136 10.3.2 标准化 137 10.3.3 归一化 137 10.4 本章小结 137 第11章 如何进行简单预测： 线性回归 138 11.1 问题 138 11.1.1 根据数据指导预测结果 138 11.1.2 对关系进行假设 139 11.2 线性算法 141 11.2.1 总体思路 141 11.2.2 确定代价函数 142 11.2.3 普通的最小二乘算法 143 11.2.4 梯度下降算法 146 11.2.5 算法有多好 149 11.3 改进解决方案 149 11.3.1?多项式方法 149 11.3.2 正则化 150 11.4 本章小结 151 第12章 如何做出复杂的预测与 决定：决策树 152 12.1 问题 152 12.1.1 什么是树 153 12.1.2 机器学习中的树 153 12.1.3 基于树的算法示例 154 12.2 基于树的算法的设计原理 155 12.2.1 决策树与专家系统 155 12.2.2 树算法的种类 155 12.3 分类树 157 12.3.1 CART算法的实现 157 12.3.2 ID3算法的实现 160 12.4 回归树 162 12.4.1 算法的实现 162 12.4.2 剪枝 163 12.5 本章小结 164 第13章 如何做出更好的决策： 集成方法 165 13.1 问题 165 13.2 bagging技术 166 13.2.1 随机森林算法 166 13.2.2 算法步骤 168 13.2.3 优点与不足 169 13.3 boosting技术 170 13.3.1 boosting的能力 170 13.3.2 梯度提升 172 13.3.3 优点与不足 175 13.4 本章小结 175 第14章 概率方法：朴素贝叶斯 177 14.1 贝叶斯统计简介 177 14.1.1 引入贝叶斯概率 178 14.1.2 一些初步的符号 178 14.1.3 贝叶斯定理 180 14.1.4 一个实用的代码审查 示例 180 14.2 贝叶斯统计在分类中的应用 181 14.2.1 问题的初始公式 182 14.2.2 简化的（有效的）公式 182 14.2.3 贝叶斯分类器的实践 183 14.3 朴素贝叶斯分类器 184 14.3.1 通用算法 184 14.3.2 多项式朴素贝叶斯 185 14.3.3 伯努利朴素贝叶斯 187 14.3.4 高斯朴素贝叶斯分类器 188 14.4 朴素贝叶斯回归 190 14.4.1 贝叶斯线性回归基础 190 14.4.2 贝叶斯线性回归的应用 191 14.5 本章小结 191 第15章 对数据进行分组： 分类与聚类 192 15.1 监督分类的基本方法 193 15.1.1 K-近邻算法 193 15.1.2 算法步骤 195 15.1.3 应用场景 196 15.2 支持向量机 197 15.2.1 算法概述 197 15.2.2 数学回顾 200 15.2.3 算法步骤 201 15.3 无监督聚类 205 15.3.1 一个应用实例：缩减 数据集 205 15.3.2 K-Means算法 205 15.3.3 K-Modes算法 207 15.3.4 DBSCAN算法 207 15.4 本章小结 210 第四部分 深度学习基础 第16章 前馈神经网络 212 16.1 神经网络简史 212 16.1.1 麦卡洛克–皮茨神经元 212 16.1.2 前馈网络 213 16.1.3 更复杂的网络 213 16.2 人工神经元的类型 213 16.2.1 感知机神经元 214 16.2.2 逻辑神经元 216 16.3 训练神经网络 218 16.3.1 整体学习策略 218 16.3.2 反向传播算法 220 16.4 本章小结 224 第17章 神经网络的设计 225 17.1 神经网络的各个方面 225 17.1.1 激活函数 226 17.1.2 隐层 228 17.1.3 输出层 231 17.2 搭建神经网络 232 17.2.1 现成的框架 232 17.2.2 你的第一个Keras 神经网络 234 17.2.3 神经网络与其他算法 237 17.3 本章小结 238 第18章 其他类型的神经网络 240 18.1 前馈神经网络的常见问题 240 18.2 循环神经网络 241 18.2.1 有状态神经网络的结构 241 18.2.2 LSTM神经网络 244 18.3 卷积神经网络 246 18.3.1 图像分类与识别 246 18.3.2 卷积层 247 18.3.3 池化层 249 18.3.4 全连接层 250 18.4 神经网络的进一步发展 251 18.4.1 生成对抗神经网络 251 18.4.2 自动编码器 252 18.5 本章小结 253 第19章 情感分析：端到端的 解决方案 255 19.1 为训练准备数据 256 19.1.1 问题表述 256 19.1.2 数据获取 256 19.1.3 数据操作 257 19.1.4 关于中间格式的注意 事项 258 19.2 训练模型 259 19.2.1 选择生态系统 259 19.2.2 建立单词字典 260 19.2.3 选择训练器 260 19.2.4 网络的其他方面 263 19.3 客户端应用 265 19.3.1 获取模型的输入 266 19.3.2 从模型中预测 267 19.3.3 将响应转化为可用 信息 267 19.4 本章小结 268 第五部分 思考 第20章 面向现实世界的AI 云服务 270 20.1 Azure认知服务 270 20.2 Azure Machine Learning Studio 271 20.2.1 Azure Machine Learning Service 274 20.2.2 数据科学虚拟机 275 20.3 本地服务 276 20.3.1 SQL Server Machine Learning Services 276 20.3.2 Machine Learning Server 276 20.4 微软数据处理服务 276 20.4.1 Azure数据湖 276 20.4.2 Azure Databricks 277 20.4.3 Azure HDInsight 278 20.4.4 用于Apache Spark 的.NET 278 20.4.5 Azure数据分享 278 20.4.6 Azure数据工厂 279 20.5 本章小结 279 第21章 人工智能的商业认知 280 21.1 业界对AI的看法 280 21.1.1 挖掘潜能 280 21.1.2 AI可以为你做什么 281 21.1.3 面临的挑战 282 21.2 端到端的解决方案 284 21.2.1 我们就叫它咨询吧 284 21.2.2 软件和数据科学之间 的界线 285 21.2.3 敏捷AI 286 21.3 本章小结 288 |
|
本书是机器学习入门书籍，面向需要提升数据科学技能的开发人员和需要提升编程技能的数据科学家，涵盖了从机器学习基础概念到完整解决方案的各个方面。本书共分为五个部分，主要内容包括人工智能基础知识、实现机器学习解决方案的步骤、微软的ML.NET库、实用的机器学习算法、神经网络、AI云服务等，并且免费提供使用ML.NET库构建的代码示例。 |
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
