返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • PyTorch高级机器学习实战 王宇龙 编 专业科技 文轩网
  • 新华书店正版
    • 作者: 王宇龙 编著著
    • 出版社: 机械工业出版社
    • 出版时间:2023-02-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 王宇龙 编著著
    • 出版社:机械工业出版社
    • 出版时间:2023-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 字数:413
    • 页数:312
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111719960
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    PyTorch高级机器学习实战

    作  者:王宇龙 编
    定  价:109
    出 版 社:机械工业出版社
    出版日期:2023年02月01日
    页  数:312
    装  帧:平装
    ISBN:9787111719960
    主编推荐

    苏航、李崇轩、谢凌曦等专家倾力推荐;详解监督学习、无监督学习、概率图模型、核方法和强化学习等多种高级机器学习算法;所有算法均由PyTorch框架实现,配备实战环节讲解,涵盖了点击率预估、变分推断、高斯过程、深度强化学习等前沿领域。

    内容简介

    本书讲解了经典的高级机器学习算法原理与知识,包括常见的监督学习、无监督学习、概率图模型、核方法、深度神经网络,以及强化学习等内容,同时更强调动手实践。所有算法均利用PyTorch计算框架进行实现,并且在各章节配备实战环节,内容涵盖点击率预估、异常检测、概率图模型变分推断、高斯过程超参数优化、深度强化学习智能体训练等内容。 本书附赠所有案例的源代码及各类学习资料来源,适合具有一定编程基础的人工智能爱好者学习,也是相关从业者和研究人员的学习指南。

    作者简介

    精彩内容

    目录
    前言
    第1章 机器学习概述
    1.1 机器学习简介
    1.1.1 机器学习的含义
    1.1.2 机器学习概述
    1.1.3 不同类型的机器学习算法
    1.2 数据处理
    1.2.1 数据特征分类及表示
    1.2.2 数据预处理
    1.2.3 数据缺失处理
    1.2.4 特征衍生和交叉
    1.2.5 特征筛选
    1.3 衡量标准
    1.3.1 模型评估指标
    1.3.2 数据集划分
    1.3.3 超参数优化
    1.4 优化目标
    1.4.1 损失函数
    1.4.2 梯度下降优化
    1.4.3 受约束优化:Lagrange函数
    1.5 实战:简单模型实现Titanic乘客生存概率预测
    1.5.1 问题描述与数据特征
    1.5.2 简单属性分类模型实现预测
    第2章 PyTorch基本操作介绍
    2.1 PyTorch简介
    2.2 核心概念:Tensor
    2.2.1 Tensor基本操作
    2.2.2 基本数学运算
    2.2.3 索引分片操作
    2.2.4 类成员方法
    2.3 自动求导(Autograd)
    2.3.1 可微分张量
    2.3.2 Function:实现自动微分的基础
    2.4 神经网络核心模块:torch.nn
    2.4.1 nn.Module概述
    2.4.2 函数式操作nn.functional
    2.5 优化器(optimizer)
    2.5.1 optimizer概述
    2.5.2 学习率调节
    2.5.3 经典优化器介绍
    2.6 数据加载
    2.6.1 Dataset与DataLoader介绍
    2.6.2 预处理变换torchvision.transforms
    2.7 高级操作
    2.7.1 GPU运算
    2.7.2 利用C++实现自定义算子
    2.8 实战:Wide & Deep模型实现Criteo点击率预估
    2.8.1 问题定义与数据特征
    2.8.2 Wide & Deep模型介绍
    2.8.3 完整实验流程
    第3章 监督学习
    3.1 线性回归(Linear Regression)
    3.1.1 小二乘法(Least Square Method)
    3.1.2 岭回归(Ridge Regression)
    3.1.3 贝叶斯线性回归(Bayesian Linear Regression)
    3.2 逻辑回归(Logistic Regression)
    3.2.1 二分类逻辑回归
    3.2.2 多分类Softmax回归
    3.2.3 贝叶斯逻辑回归(Bayesian Logistic Regression)
    3.3 支持向量机(Support Vector Machine,SVM)
    3.3.1 线性可分下SVM的定义
    3.3.2 利用随机梯度下降求解
    3.3.3 凸优化简介
    3.3.4 SVM对偶问题表示
    3.3.5 梯度下降法求解对偶问题
    3.3.6 从Hard SVM扩展到Soft SVM
    3.3.7 支持向量回归(Support Vector Regression,SVR)
    3.3.8 带有松弛变量的SVR及对偶优化方法
    3.4 决策树模型(Decision Tree)
    3.4.1 构建单个树模型
    3.4.2 集成学习(Ensemble Learning)
    3.5 K近邻算法(K Nearest Neighbors,KNN)
    3.6 实战:复杂模型实现Titanic旅客生存概率预测
    3.6.1 Titanic数据集特征处理
    3.6.2 多种模型预测性能对比
    第4章 无监督学习
    4.1 聚类方法(Clustering Method)
    4.1.1 KMeans聚类
    4.1.2 谱聚类(Spectral Clustering)
    4.1.3 聚合聚类(Agglomerative Clustering)
    4.2 密度估计(Density Estimation)
    4.2.1 高斯混合模型(Gaussian Mixture Model)
    4.2.2 期望大化算法(Expectation Maximization,EM)
    4.3 降维与嵌入(Dimension Reduction & Embedding)
    4.3.1 主成分分析(Principal Component Analysis,PCA)
    4.3.2 局部线性嵌入(Locally Linear Embedding,LLE)
    4.3.3 随机邻居嵌入算法(t-SNE)
    4.4 实战:无监督方法实现异常检测(Anomaly Detection)
    4.4.1 异常检测问题与应用
    4.4.2 实现基于PCA的异常检测方法
    4.4.3 实现基于Mahalanobis距离的异常检测方法
    4.4.4 实现基于聚类的局部异常因子检测方法
    第5章 PyTorch高级机器学习实战概率图模型
    5.1 有向图:贝叶斯网络(Bayesian Network)
    5.1.1 有向图的概率分解
    5.1.2 条件独立性(Conditional Independence)
    5.2 无向图:马尔可夫随机场(Markov Random Field,MRF)
    5.2.1 无向图的概率分解
    5.2.2 具体应用:图像去噪(Image Denoising)
    5.3 隐马尔可夫模型(Hidden Markov Model,HMM)
    5.3.1 隐马尔可夫模型介绍
    5.3.2 前向后向算法(Forward-Backward Algorithm)
    5.3.3 放缩提升运算稳定性
    5.3.4 代码实现
    5.4 变分推断(Variational Inference,VI)
    5.4.1 后验分布优化与ELBO
    5.4.2 黑盒变分推断算法(Black-Box Variational Inference,BBVI)
    5.5 蒙特卡罗采样(Monte Carlo Sampling)
    5.5.1 拒绝采样(Rejection Sampling)
    5.5.2 马尔可夫链蒙特卡罗(Markov Chain Monte Carlo)
    5.5.3 吉布斯采样(Gibbs Sampling)
    ……

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购