[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

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