由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版]新书 机器学习图解 [加] 路易斯·G·塞拉诺著 机器学习—图解
¥ ×1
店铺公告
为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。
温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货)。
关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。
书名: | 机器学习图解 |
出版社: | 清华大学出版社 |
出版日期 | 2023 |
ISBN号: | 9787302634645 |
|
阅读本书,即使读者仅掌握高中数学知识,也能理解和应用强大的机器学习技术!简单来讲,机器学习是一套以算法为基础的数据分析技术,当你提供更多数据时,算法可反馈更好的结果。ML支持许多尖端技术,如推荐系统、面部识别软件、智能扬声器,甚至包括自动驾驶汽车。本书不落窠臼,示例丰富,精选的练习十分有趣,插图清晰,讲解机器学习的核心概念。 《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语,只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目,包括垃圾邮件检测和图像识别模型;还将学习一些实用技能,以清理和准备数据。 • 分类和划分数据的监督算法 • 清理和简化数据的方法 • 机器学习包和工具 • 复杂数据集的神经网络和集成方法 读者阅读本书前,最好了解Python基础知识,不必了解机器学习知识。 |
|
Luis G. Serrano是量子人工智能领域的研究科学家。此前,他曾担任Google机器学习工程师和Apple公司首席人工智能教师。 |
|
目前,该领域中将理论与实践相结合、通俗易懂的著作较少。机器学习是人工智能的一部分,很多初学者往往把机器学习和深度学习作为人工智能入门的突破口,非科班出身的人士更是如此。当前,国内纵向复合型人才和横向复合型人才奇缺;具有计算机背景的人才主要还是以传统人工智能研究为主,跨学科人才较少。非科班人员在将机器学习应用于自己的研究时,往往对理论理解不透彻,且编程能力不足。针对这一现象,译者长期与出版社合作,翻译了一些经典实用、符合实际需求的著作,借此帮助人工智能、机器学习等相关领域的人士(包括非专业人士)使用机器学习解决自己所在领域的问题。 《机器学习图解》就是这样的著作!本书作者拥有密歇根大学数学博士学位,曾担任Google和Apple工程师,是机器学习布道者。本书是他这些年的成果结晶。本书将理论与实践结合,以图的形式讲解机器学习经典算法。全书共13章。第1章、第2章、第4章主要对机器学习基本概念、机器学习类型、优化训练过程进行介绍。 这对初学者形成机器学习思维习惯非常有益。第3章和第5~12章对9类经典的机器学习算法进行了系统介绍,包含问题提出、原理解释、代码实现等方面。第13章列举了真实示例。本书提供了丰富的代码和视频资源。建议读者一边阅读本书,一边动手实践,调试源码,并根据自己的实际需要研究问题,阅读文献并改进源码,解决自己的问题。本书可作为本科高年级和研究生教材,面向对编码感兴趣但不擅长数学的读者(非专业人士)。同时可作为计算机科学学者、企业工程师的参考书。
|
|
第1 章 什么是机器学习?这是一种常识,唯一特别之处在于由计算机完成···········1 1.1 我是否需要掌握大量的数学和编程背景知识才能理解机器学习············ 2 1.2 机器学习究竟是什么······· 3 1.3 如何让机器根据数据做出决策?记忆-制定-预测框架············· 6 1.4 本章小结····················· 12 第2 章 机器学习类型·····················15 2.1 标签数据和无标签数据的区别··························· 17 2.2 监督学习:处理标签数据的机器学习分支··············· 18 2.3 无监督学习:处理无标签 数据的机器学习分支······ 21 2.4 什么是强化学习············ 28 2.5 本章小结····················· 30 2.6 练习··························· 31 第3 章 在点附近画一条线:线性 回归····································33 3.1 问题:预测房屋的价格··· 35 3.2 解决方案:建立房价回归模型··························· 35 3.3 如何让计算机绘制出这 条线:线性回归算法······ 41 3.4 如何衡量结果?误差函数··························· 54 3.5 实际应用:使用Turi Create预测房价····················· 61 3.6 如果数据不在一行怎么办? 多项式回归·················· 63 3.7 参数和超参数··············· 64 3.8 回归应用····················· 65 3.9 本章小结····················· 66 3.10 练习························· 66 第4 章 优化训练过程:欠拟合、过拟合、测试和正则化······ 69 4.1 使用多项式回归的欠拟合和过拟合示例··············· 71 4.2 如何让计算机选择正确的模型?测试·················· 73 4.3 我们在哪里打破了黄金法则,如何解决呢?验证集························ 75 4.4 一种决定模型复杂度的数值方法:模型复杂度图··························· 76 4.5 避免过拟合的另一种选择:正则化························ 77 4.6 使用Turi Create 进行多项式回归、测试和正则化······ 85 4.7 本章小结····················· 89 4.8 练习··························· 90 第5 章 使用线来划分点: 感知器算法····································93 5.1 问题:我们在一个外星球上,听不懂外星人的语言······ 95 5.2 如何确定分类器的好坏?误差函数··················· 108 5.3 如何找到一个好的分类器?感知器算法················ 115 5.4 感知器算法编程实现···· 123 5.5 感知器算法的应用······· 128 5.6 本章小结··················· 129 5.7 练习························· 130 第6 章 划分点的连续方法:逻辑分类器··································133 6.1 逻辑分类器:连续版感知器分类器··················· 134 6.2 如何找到一个好的逻辑分类器?逻辑回归算法······· 144 6.3 对逻辑回归算法进行编程························· 150 6.4 实际应用:使用Turi Create对IMDB 评论进行分类························· 154 6.5 多分类:softmax 函数·· 156 6.6 本章小结··················· 157 6.7 练习························· 158 第7 章 如何衡量分类模型?准确率和其他相关概念·················· 159 7.1 准确率:模型的正确频率是多少······················ 160 7.2 如何解决准确率问题?定义不同类型的误差以及如何进行衡量············· 161 7.3 一个有用的模型评价工具 ROC 曲线·················· 170 7.4 本章小结··················· 179 7.5 练习························· 181 第8 章 使用概率最大化: 朴素贝叶斯模型··············· 183 8.1 生病还是健康?以贝叶斯定理为主角的故事······· 184 8.2 用例:垃圾邮件检测模型························· 188 8.3 使用真实数据构建垃圾邮件检测模型············· 201 8.4 本章小结··················· 204 8.5 练习························· 205 第9 章 通过提问划分数据:决策树····························· 207 9.1 问题:需要根据用户可能下载的内容向用户推荐 应用························· 213 9.2 解决方案:构建应用推荐系统························· 214 9.3 超出“是”或“否”之类的问题················ 228 9.4 决策树的图形边界······· 231 9.5 实际应用:使用Scikit-Learn 构建招生模型····· 234 9.6 用于回归的决策树······· 238 9.7 应用························· 241 9.8 本章小结··················· 242 9.9 练习························· 242 第10 章 组合积木以获得更多力量: 神经网络························245 10.1 以更复杂的外星球为例,开 启神经网络学习········ 247 10.2 训练神经网络··········· 258 10.3 Keras 中的神经网络编程······················· 264 10.4 用于回归的神经网络·· 272 10.5 用于更复杂数据集的其他架构················· 273 10.6 本章小结················· 275 10.7 练习······················· 276 第11 章 用风格寻找界限:支持向量机和内核方法··········279 11.1 使用新的误差函数构建更好的分类器··········· 281 11.2 Scikit-Learn 中的SVM编程······················· 287 11.3 训练非线性边界的SVM: 内核方法················· 289 11.4 本章小结················· 308 11.5 练习······················· 309 第12 章 组合模型以最大化结果: 集成学习························311 12.1 获取朋友的帮助········ 312 12.2 bagging:随机组合弱学习器以构建强学习器····· 314 12.3 AdaBoost:以智能方式组合弱学习器以构建强学习器···················· 319 12.4 梯度提升:使用决策树构建强学习器··········· 327 12.5 XGBoost:一种梯度提升 的极端方法·············· 332 12.6 集成方法的应用········ 340 12.7 本章小结················· 341 12.8 练习······················· 341 第13 章 理论付诸实践:数据工程和 机器学习真实示例········· 343 13.1 泰坦尼克号数据集····· 344 13.2 清洗数据集:缺失值及其处理方法·············· 348 13.3 特征工程:在训练模型之前转换数据集中的特征······················· 350 13.4 训练模型················· 355 13.5 调整超参数以找到最佳模型:网格搜索········ 359 13.6 使用k 折交叉验证来重用训练和验证数据········ 362 13.7 本章小结················· 363 13.8 练习······················· 364 以下内容可扫封底二维码下载 附录A 习题解答·························· 365 附录B 梯度下降背后的数学原理: 使用导数和斜率下山········ 398 附录C 参考资料·························· 416
|
|
|
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格