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:
本店所有商品

  • [正版]快乐机器学习 机器学习初学入门 统计学基础 AI人工智能技术书籍 机器学习的各类算法和调参技巧 人工智能深度学习
  • 本店所有图书均支持7天无理由退换并运费险,请放心购买。
    • 作者: 王圣元著
    • 出版社: 电子工业出版社
    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:
    粉象优品图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 王圣元著
    • 出版社:电子工业出版社
    • 开本:16开
    • ISBN:9784101013453
    • 版权提供:电子工业出版社

                                                                                                  店铺公告

    本店存在书、古旧书、收藏书、二手书等特殊商品,因受采购成本限制,可能高于定价销售,明码标价,介意者勿拍!

    1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍,避免价格争议!

    2.店铺无纸质均开具电子,请联系客服开具电子版


    内容介绍

        学习并精通任何一门学科无外乎要经过四个步骤:它是什么?它可行吗?怎么学它?如何学好它?机器学习也不例外,《快乐机器学习》就以这四个步骤来介绍机器学习。《快乐机器学习》第1章介绍“机器学习是什么”,即从定义开始,详细介绍机器学习涉及的知识、数据和性能度量。第2章介绍“机器学习可行吗”,即介绍机器具备学习样本以外的数据的能力。第3章介绍“机器学习怎么学”,即介绍机器如何选择出*优模型。作者在这3章的写作上花费的时间*多,光这3章的内容就绝对会让读者有所收获。第4~14章介绍“如何学好机器学习”,重点介绍机器学习的各类算法和调参技巧。第15 章介绍机器学习中的一些非常实用的经验,包括学习策略、目标设定、误差分析和偏差与方差分析。作者写作本书的目的是深入浅出介绍机器学习,使看似复杂、晦涩的专业知识变得通俗易懂,让那些想入门的读者感觉门槛没有那么高,让有基础的读者感觉内容也很丰富。为了达到这两个目的,本书用有趣的引言故事来激起读者的阅读兴趣,用清晰的思维导图来明晰结构,用自画图表来增强美感,用公式推导来讲透原理,达到趣、美、准、全,让每位读者从本书中获益,快乐地学习机器学习。《快乐机器学习》非常适合机器学习初学者、高校相关专业学生及有一定数学和统计学基础的高中生学习。


    目录

    目录

    第1章 机器学习是什么——机器学习定义 1
    引言 2
    1.1 数据 5
    1.1.1 结构型与非结构型数据 5
    1.1.2 原始数据与加工 7
    1.1.3 样本内数据与样本外数据 9
    1.2 机器学习类别 9
    1.2.1 有监督学习 10
    1.2.2 无监督学习 10
    1.2.3 半监督学习 11
    1.2.4 增强学习 11
    1.2.5 深度学习 11
    1.2.6 迁移学习 12
    1.3 性能度量 12
    1.3.1 误差函数 13
    1.3.2 回归度量 14
    1.3.3 分类度量 15
    1.4 总结 19
    参考资料 20

    第2章 机器学习可行吗——计算学习理论 22
    引言 23
    2.1 基础知识 25
    2.1.1 二分类 25
    2.1.2 对分 26
    2.1.3 增长函数 29
    2.1.4 突破点 30
    2.2 核心推导 31
    2.2.1 机器学习可行条件 31
    2.2.2 从已知推未知 33
    2.2.3 从民意调查到机器学习 35
    2.2.4 从单一到有限 36
    2.2.5 从有限到无限 37
    2.2.6 从无限到有限 38
    2.3 结论应用 39
    2.3.1 VC 不等式 39
    2.3.2 VC 维度 40
    2.3.3 模型复杂度 40
    2.3.4 样本复杂度 41
    2.4 总结 42
    参考资料 43
    技术附录 43

    第3章 机器学习怎么学——模型评估选择 47
    引言 48
    3.1 模型评估 52
    3.2 训练误差和测试误差 52
    3.2.1 训练误差 52
    3.2.2 真实误差 54
    3.2.3 测试误差 57
    3.2.4 学习理论 57
    3.3 验证误差和交叉验证误差 60
    3.3.1 验证误差 60
    3.3.2 交叉验证误差 61
    3.3.3 学习理论 62
    3.4 误差剖析 64
    3.4.1 误差来源 64
    3.4.2 偏差—方差权衡 66
    3.5 模型选择 67
    3.6 总结 70
    参考资料 71
    技术附录 71

    第4章 线性回归 73
    引言 74
    4.1 基础知识 75
    4.1.1 标量微积分 75
    4.1.2 向量微积分 76
    4.2 模型介绍 77
    4.2.1 核心问题 77
    4.2.2 通用线性回归模型 83
    4.2.3 特征缩放 84
    4.2.4 学习率设定 86
    4.2.5 数值算法比较 87
    4.2.6 代码实现 89
    4.3 总结 90
    参考资料 90

    第5章 对率回归 92
    引言 93
    5.1 基础内容 94
    5.1.1 联系函数 94
    5.1.2 函数绘图 95
    5.2 模型介绍 96
    5.2.1 核心问题 96
    5.2.2 查准和查全 102
    5.2.3 类别不平衡 104
    5.2.4 线性不可分 105
    5.2.5 多分类问题 106
    5.2.6 代码实现 109
    5.3 总结 110
    参考资料 111

    第6章 正则化回归 112
    引言 113
    6.1 基础知识 114
    6.1.1 等值线图 114
    6.1.2 坐标下降 116
    6.2 模型介绍 116
    6.2.1 核心问题 116
    6.2.2 模型对比 122
    6.2.3 *佳模型 125
    6.2.4 代码实现 126
    6.3 总结 126
    参考资料 127

    第7章 支持向量机 128
    引言 129
    7.1 基础知识 133
    7.1.1 向量初体验 133
    7.1.2 拉格朗日量 136
    7.1.3 原始和对偶 137
    7.2 模型介绍 138
    7.2.1 硬间隔 SVM 原始问题 138
    7.2.2 硬间隔 SVM 对偶问题 144
    7.2.3 软间隔 SVM 原始问题 148
    7.2.4 软间隔 SVM 对偶问题 150
    7.2.5 空间转换 151
    7.2.6 核技巧 155
    7.2.7 核 SVM 158
    7.2.8 SMO 算法 159
    7.2.9 模型选择 161
    7.3 总结 162
    参考资料 164
    技术附录 164

    第8章 朴素贝叶斯 170
    引言 171
    8.1 基础知识 174
    8.1.1 两种概率学派 174
    8.1.2 两种独立类别 174
    8.1.3 两种学习算法 175
    8.1.4 两种估计方法 176
    8.1.5 两类概率分布 177
    8.2 模型介绍 179
    8.2.1 问题剖析 179
    8.2.2 朴素贝叶斯算法 182
    8.2.3 多元伯努利模型 183
    8.2.4 多项事件模型 184
    8.2.5 高斯判别分析模型 184
    8.2.6 多分类问题 186
    8.2.7 拉普拉斯校正 187
    8.2.8 *大似然估计和*大后验估计 188
    8.3 总结 190
    参考资料 191
    技术附录 191

    第9章 决策树 195
    引言 196
    9.1 基础知识 198
    9.1.1 多数规则 198
    9.1.2 熵和条件熵 198
    9.1.3 信息增益和信息增益比 200
    9.1.4 基尼指数 201
    9.2 模型介绍 201
    9.2.1 二分类决策树 201
    9.2.2 多分类决策树 209
    9.2.3 连续值分裂 210
    9.2.4 欠拟合和过拟合 211
    9.2.5 预修剪和后修剪 212
    9.2.6 数据缺失 215
    9.2.7 代码实现 218
    9.3 总结 219
    参考资料 219

    第10章 人工神经网络 220
    引言 221
    10.1 基本知识 223
    10.1.1 转换函数 223
    10.1.2 单输入单层单输出神经网络 224
    10.1.3 多输入单层单输出神经网络 224
    10.1.4 多输入单层多输出神经网络 225
    10.1.5 多输入多层多输出神经网络 225
    10.2 模型应用 227
    10.2.1 创建神经网络模型 227
    10.2.2 回归应用 230
    10.2.3 分类应用 238

    第11章 正向/反向传播 246
    引言 247
    11.1 基础知识 250
    11.1.1 神经网络元素 250
    11.1.2 链式法则 254
    11.2 算法介绍 254
    11.2.1 正向传播 254
    11.2.2 梯度下降 257
    11.2.3 反向传播 258
    11.2.4 代码实现 262
    11.3 总结 268
    参考资料 268
    技术附录 269

    第12章 集成学习 272
    引言 273
    12.1 结合假设 277
    12.1.1 语文和数学 277
    12.1.2 准确和多样 278
    12.1.3 独裁和民主 279
    12.1.4 学习并结合 279
    12.2 装袋法 280
    12.2.1 基本概念 280
    12.2.2 自助采样 280
    12.2.3 结合假设 281
    12.3 提升法 282
    12.3.1 基本概念 282
    12.3.2 *优加权 283
    12.3.3 结合假设 285
    12.4 集成方式 286
    12.4.1 同质学习器 286
    12.4.2 异质学习器 286
    12.5 总结 288
    参考资料 288

    第13章 随机森林和提升树 289
    引言 290
    13.1 基础知识 293
    13.1.1 分类回归树 293
    13.1.2 前向分布算法 294
    13.1.3 置换检验 295
    13.2 模型介绍 296
    13.2.1 随机森林 296
    13.2.2 提升树 302
    13.2.3 代码实现 306
    13.3 总结 307
    参考资料 307

    第14章 极度梯度提升 309
    引言 310
    14.1 基础知识 311
    14.1.1 树的重定义 311
    14.1.2 树的复杂度 313
    14.2 模型介绍 313
    14.2.1 XGB 简介 313
    14.2.2 XGB 的泛化度 314
    14.2.3 XGB 的精确度 315
    14.2.4 XGB 的速度 318
    14.2.5 代码实现 324
    14.3 总结 325
    参考资料 326

    第15章 本书总结 327
    15.1 正交策略 328
    15.2 单值评估指标 330
    15.3 偏差和方差 332
    15.3.1 理论定义 332
    15.3.2 实用定义 334
    15.3.3 *优误差 335
    15.3.4 两者权衡 336
    15.3.5 学习曲线 336

    结语 339
    作者介绍

    王圣元 金融风险管理师;特许另类投资分析师。学习及工作经历:现任新加坡某金融咨询公司总监。拥有新加坡国立大学量化金融学士学位和金融数学硕士学位;在新加坡国立大学攻读硕士学位期间,曾任金融数学课程的辅导老师,深受学生喜爱,在教课结束时被评为“优秀辅导老师”。 自我学习过程:获得金融风险管理师 (FRM) 和特许另类投资分析师 (CAIA) 认证,及 Coursera 颁发的机器学习、深度学习和TensorFlow实战的认证。平时坚持写作,是公众号“王的机器”的主理人,其中分享了关于金融工程、机器学习和量化投资的高质量文章。作者的信条是“Yearning for Learning, Leading by Reading, Distilling by Writing”(多学多读多写,终身渴望学习,通过读书保持领先,通过写作用心灌输)。
    关联推荐

    工作人士、大学生、有一定数学和统计基础的高中生
    1
    • 商品详情
    • 内容简介

    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