人工智能大模型 机器学习基础 段小手 北京大学出版社 9787301308189

【基本信息】

人工智能大模型：机器学习基础
丛书名：无
著译者：段小手 著
出版日期：202505 版次：1 开本：16开
一级分类：参考 二级分类：一般图书
三级分类：C22普及读物 中图分类：TP18
第7事业部 | 责编：孙金鑫，蒲玉茜 执行编辑：孙金鑫，蒲玉茜
条码：9787301308189
定价：￥129.00
页码:320

【读者对象】

普通读者

【编辑推荐】

（1）故事化讲解：以故事为线索，跟主角一起轻松掌握机器学习精髓。
（2）阶梯式学习：从传统机器学习到Transformer架构，助力稳步掌握关键知识与技能。
（3）场景化教学：紧密贴合实际，聚焦生活案例，让算法原理在真实场景中落地。
（4）智能体开发指南：教你运用现有工具创建智能体，快速搭建个性化AI智能体。

【图书目录】

第1章 缘起——初识机器学习
1.1 机器学习是什么——从一个小任务说起
1.2 实践：数据可视化、模型训练与预测
1.2.1 对数据进行可视化分析
1.2.2 线性回归模型的训练
1.2.3 查看模型参数并做出预测
1.3 模型怎么评估
1.3.1 回归任务和分类任务
1.3.2 怎么评估模型的性能
1.4 什么是模型的泛化能力
1.4.1 训练集和测试集
1.4.2 模型的过拟合和欠拟合
1.4.3 什么是正则化
1.5 小结和练习
第 2 章 Z 书记的考验——一些经典机器学习算法
2.1 领导的雄心与 N 村的产业
2.2 水果种植基地的病虫害与逻辑回归
2.2.1 土壤条件与病虫害数据集
2.2.2 逻辑回归模型的训练与评估
2.2.3 逻辑回归的原理是什么
2.3 银饰工坊与决策树
2.3.1 银饰工坊销售数据集
2.3.2 决策树模型的训练与可视化
2.3.3 决策树模型的工作原理
2.3.4 简单说一下随机森林
2.4 四季花海与支持向量机
2.4.1 游客流量数据集
2.4.2 训练支持向量机模型并可视化
2.4.3 SVM 的基本原理
2.5 谁是优秀销售商——无监督学习算法
2.5.1 没有标签的数据集
2.5.2 使用 K-Means 算法完成聚类
2.5.3 K-Means 是如何工作的
2.6 小结与练习
第 3 章 大赛在即——深度学习登场
3.1 比赛数据是非结构化数据
3.2 亮个相吧，深度学习
3.2.1 什么是神经网络
3.2.2 动手训练一个神经网络
3.2.3 模型在测试集上的表现如何
3.3 掰开揉碎看模型
3.3.1 模型的几个层和激活函数
3.3.2 优化器与学习率
3.3.3 模型的损失函数
3.4 卷积神经网络
3.4.1 什么是卷积
3.4.2 动手训练 CNN
3.4.3 神经网络的关键参数和步骤
3.5 小结与练习
第4章 你听说过生成式模型吗
4.1 什么是生成式模型
4.2 玩一个生成式模型游戏
4.2.1 数据版“你画我猜”
4.2.2 生成式模型的核心思想
4.2.3 什么是表征学习
4.3 一点概率论知识
4.3.1 样本空间与概率密度函数
4.3.2 什么是似然性
4.3.3 最大似然估计
4.4 生成式模型家族来报到
4.4.1 两大家族都是谁
4.4.2 显式密度建模家族的两大分支
4.4.3 隐式密度建模家族的代表
4.5 小结与练习
第5章 教会机器“写”数字——变分自编码器
5.1 先介绍一下自编码器
5.2 动手搭建一个自编码器
5.2.1 MNIST 数据集
5.2.2 先定义一个编码器
5.2.3 接下来创建解码器
5.2.4 把编码器和解码器“串”起来
5.2.5 看看自编码器写的数字
5.2.6 瞧一瞧潜在空间
5.3 再试试变分自编码器
5.3.1 多变量正态分布
5.3.2 创建 VAE 的编码器
5.3.3 解码器与 KL 散度
5.3.4 看看 VAE 写的数字
5.4 小结与练习
第6章 又回银饰工坊——生成对抗网络
6.1 银饰工坊的烦恼
6.2 深度卷积生成对抗网络
6.2.1 数据加载与处理
6.2.2 创建生成器
6.2.3 创建判别器
6.2.4 训练我们的 DCGAN 模型
6.3 条件生成对抗网络
6.3.1 CGAN 模型的生成器
6.3.2 CGAN 的判别器
6.3.3 合并生成器与判别器并训练
6.3.4 让 CGAN“画”出我们想要的图样
6.4 小结与练习
第7章 驰援 T 市——自回归模型
7.1 T 市需要招聘外国人
7.2 自回归模型与长短期记忆网络
7.2.1 去哪里找训练数据
7.2.2 麻烦的文本数据——向量化
7.2.3 搭建 LSTM 网络模型
7.2.4 嵌入层和 LSTM 层
7.2.5 LSTM 模型的训练
第4章 你听说过生成式模型吗
4.1 什么是生成式模型
4.2 玩一个生成式模型游戏
4.2.1 数据版“你画我猜”
4.2.2 生成式模型的核心思想
4.2.3 什么是表征学习
4.3 一点概率论知识
4.3.1 样本空间与概率密度函数
4.3.2 什么是似然性
4.3.3 最大似然估计
4.4 生成式模型家族来报到
4.4.1 两大家族都是谁
4.4.2 显式密度建模家族的两大分支
4.4.3 隐式密度建模家族的代表
4.5 小结与练习
第5章 教会机器“写”数字——变分自编码器
5.1 先介绍一下自编码器
5.2 动手搭建一个自编码器
5.2.1 MNIST 数据集
5.2.2 先定义一个编码器
5.2.3 接下来创建解码器
5.2.4 把编码器和解码器“串”起来
5.2.5 看看自编码器写的数字
5.2.6 瞧一瞧潜在空间
5.3 再试试变分自编码器
5.3.1 多变量正态分布
7.3 像素的艺术——PixelCNN
7.3.1 像素风小英雄来帮忙
7.3.2 创建掩码卷积层
7.3.3 创建残差块
7.3.4 训练 PixelCNN 模型
7.4 小结与练习
第8章 四季花海的泼天富贵——标准化流模型
8.1 暴涨的游客数量
8.2 什么是标准化流模型
8.2.1 标准化流模型的两部分
8.2.2 变量置换
8.2.3 雅可比行列式是什么
8.3 RealNVP 模型
8.3.1 什么是仿射耦合层
8.3.2 仿射耦合层对数据的处理
8.3.3 RealNVP 模型的训练方式
8.3.4 RealNVP 模型的训练与评估
8.4 小结与练习
第9章 愿你一路生花——扩散模型
9.1 你看花儿开得多好
9.2 什么是扩散模型
9.2.1 DDM 的前向扩散
9.2.2 扩散计划
9.2.3 DDM 的反向扩散
9.3 用于去噪的 U-Net
9.3.1 U-Net 的整体架构
9.3.2 U-Net 中关键组件的实现
9.3.3 U-Net 的“组装”
9.4 DDM 的训练
9.4.1 创建 DDM 的基本框架
9.4.2 DDM 中的图像生成框架
9.4.3 定义 DDM 的训练与测试步骤
9.4.4 DDM 的训练与调用
9.5 小结与练习
第 10 章 酒香也怕巷子深——试试 Transformer 模型
10.1 葡萄美酒怎么推
10.2 Transformer 模型是什么
10.2.1 Transformer 模型中的注意力
10.2.2 注意力头中的查询、键和值
10.2.3 因果掩码
10.2.4 Transformer 模块
10.2.5 位置编码
10.3 GPT 模型的搭建与训练
10.3.1 先简单处理一下数据
10.3.2 将文本转换为数值
10.3.3 创建因果掩码
10.3.4 创建 Transformer 模块
10.3.5 位置编码嵌入
10.3.6 建立 GPT 模型并训练
10.3.7 调用 GPT 模型生成文本
10.4 小结与练习
第 11 章 高效解决方案——Hugging Face
11.1 Hugging Face 是什么
11.2 什么是 Pipeline
11.3 文本生成任务
11.4 文本情感分析
11.5 问答系统
11.6 文本预测
11.7 文本摘要
11.8 小结与练习
第 12 章 我说你画——多模态模型
12.1 E 县风景美如画
12.2 什么是多模态模型
12.3 来看看 Stable Dif fusion
12.3.1 Stable Diffusion 的整体架构
12.3.2 Stable Diffusion 的文本编码器
12.3.3 什么是对比学习
12.4 开始实操吧
12.4.1 一些准备工作
12.4.2 创建 Pipeline
12.4.3 根据提示词生成图像
12.4.4 使用预训练 Pipeline 生成图像
12.5 小结与练习
第 11 章 高效解决方案——Hugging Face
11.1 Hugging Face 是什么
11.2 什么是 Pipeline
11.3 文本生成任务
11.4 文本情感分析
11.5 问答系统
11.6 文本预测
11.7 文本摘要
11.8 小结与练习
第 12 章 我说你画——多模态模型
12.1 E 县风景美如画
12.2 什么是多模态模型
12.3 来看看 Stable Dif fusion
12.3.1 Stable Diffusion 的整体架构
12.3.2 Stable Diffusion 的文本编码器
12.3.3 什么是对比学习
12.4 开始实操吧
12.4.1 一些准备工作
12.4.2 创建 Pipeline
12.4.3 根据提示词生成图像
12.4.4 使用预训练 Pipeline 生成图像
12.5 小结与练习
第 13 章 大结局——各自前程似锦
13.1 往事值得回味
13.2 他们都去哪儿了
13.3 未来已来——DeepSeek 与智能体
13.3.1 Cherry Studio 的下载与安装
13.3.2 将 DeepSeek 作为模型服务
13.3.3 创建一个简单智能体
13.3.4 与智能体交互
13.4 会不会重逢