幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習開發者指南

  • 作者：(阿根廷)魯道夫·邦寧|責編:羅子超|譯者:AI研習社
  • 出版社：人民郵電
  • ISBN：9787115529305
  • 出版日期：2020/05/01
  • 裝幀：平裝
  • 頁數：214
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書將帶領讀者學習如何實施各種機器學習技術及其日常應用的開發。本書分為9章，從易於掌握的語言基礎數據和數學模型開始，向讀者介紹機器學習領域中使用的各種庫和框架，然後通過有趣的示例實現回歸、聚類、分類、神經網路等，從而解決如圖像分析、自然語言處理和時間序列數據的異常檢測等實際問題。
    本書適合機器學習的開發人員、數據分析人員、機器學習領域的從業人員，以及想要學習機器學習的技術愛好者閱讀。使用任何腳本語言的編程人員都可以閱讀本書，但如果熟悉Python語言的話，將有助於充分理解本書的內容。
作者介紹
(阿根廷)魯道夫·邦寧|責編:羅子超|譯者:AI研習社
    魯道夫·邦寧(Rodolfo Bonnin)是阿根廷國家科技大學的系統工程師和博士生。他還在德國斯圖加特大學攻讀並行編程和圖像理解的研究生課程。     自2005年以來，他一直在研究高性能計算，並於2008年開始研究和實現卷積神經網路，編寫支持CPU和GPU的神經網路前饋階段。最近，他一直致力於利用神經網路進行欺詐模式檢測的工作，並使用機器學習技術進行信號分類。     他也是《Tensorflow機器學習項目實戰》的作者。
目錄
第1章  機器學習和統計科學
  1.1  機器學習的發展
  1.2  編程語言與庫
  1.3  基本數學概念
    1.3.1  統計學——不確定性建模的基本支柱
    1.3.2  概率與隨機變數
    1.3.3  概率函數的統計度量
    1.3.4  微分基礎
    1.3.5  預備知識
  1.4  小結
第2章  學習過程
  2.1  理解問題
  2.2  數據集定義與檢索
    2.2.1  ETL過程
    2.2.2  載入數據與使用Scipy和Pandas進行探索分析
    2.2.3  與IPython交互
    2.2.4  二維數據處理
  2.3  特徵工程
    2.3.1  缺失數據估算
    2.3.2  獨熱編碼
  2.4  數據預處理
    規範化和特徵縮放
  2.5  模型定義
    提出正確的問題
  2.6  損失函數定義
  2.7  模型擬合和評價
    數據集劃分
  2.8  模型應用與結果分析
    2.8.1  回歸指標
    2.8.2  分類指標
    2.8.3  聚類質量評估
  2.9  小結
第3章  聚類
  3.1  分組——一種人類行為
  3.2  自動化聚類過程
  3.3  尋找一個共同的中心——K-means
    3.3.1  K-means的優缺點
    3.3.2  K-means演算法分解
    3.3.3  K-means演算法實現
  3.4  最近鄰（NearestNeighbors）
  3.5  K-NN演算法實現示例
  3.6  演算法擴展
  3.7  小結
第4章  線性回歸和邏輯回歸
  4.1  回歸分析
    回歸的應用
  4.2  線性回歸
    4.2.1  代價函數的確定
    4.2.2  分析方法
    4.2.3  協方差和相關性

    4.2.4  尋找協方差和相關性的斜率和截距
    4.2.5  梯度下降法
    4.2.6  遞歸過程表示
  4.3  實踐中的數據研究和線性回歸
    4.3.1  鳶尾花數據集
    4.3.2  線性回歸與梯度下降
  4.4  邏輯回歸
    4.4.1  線性回歸和邏輯回歸
    4.4.2  logit函數
    4.4.3  應用邏輯回歸建立心臟疾病模型的實例
  4.5  小結
第5章  神經網路
  5.1  神經模型的歷史
    5.1.1  感知器模型
    5.1.2  改進預測結果——ADALINE演算法
    5.1.3  感知器和ADALINE之間的異同
    5.1.4  單層和多層感知器
  5.2  使用單層感知器實現簡單的功能
    5.2.1  定義並繪製傳遞函數類型
    5.2.2  表示和理解傳遞函數
    5.2.3  Sigmoid函數或邏輯函數
    5.2.4  使用Sigmoid函數
    5.2.5  修正線性單元
    5.2.6  線性傳遞函數
    5.2.7  定義損失函數
  5.3  小結
第6章  卷積神經網路
  6.1  卷積神經網路的起源
    6.1.1  從卷積開始
    6.1.2  卷積核和卷積
    6.1.3  在實例中實現二維離散卷積
    6.1.4  下採樣（池化）
    6.1.5  通過Dropout操作提高效率
  6.2  深度神經網路
    6.2.1  深度卷積網路框架的發展
    6.2.2  深度卷積神經網路解決的問題類型
  6.3  使用Keras部署一個深度神經網路
  6.4  用Quiver開髮捲積模型
    6.4.1  用Quiver開髮捲積網路
    6.4.2  遷移學習的實現
  6.5  小結
第7章  循環神經網路
  7.1  按順序解決問題——RNN
    7.1.1  RNN的定義
    7.1.2  RNN的發展
  7.2  LSTM
    7.2.1  門和乘法運算
    7.2.2  設置遺忘參數（輸入門）
    7.2.3  設置保持參數
    7.2.4  修改單元

    7.2.5  輸出過濾后的單元狀態
  7.3  採用電能消耗數據預測單變數時間序列
    數據集的描述和載入
  7.4  小結
第8章  近期的新模型及其發展
  8.1  GAN
    GAN的應用類別
  8.2  強化學習
    8.2.1  馬爾可夫決策過程
    8.2.2  優化馬爾可夫過程
  8.3  基本強化學習技術：Q學習
  8.4  小結
第9章  軟體安裝與配置
  9.1  Linux系統環境安裝
    9.1.1  初始配置要求
    9.1.2  Anaconda安裝
    9.1.3  pip安裝
  9.2  macOSX系統環境安裝
    9.2.1  Anaconda安裝
    9.2.2  pip安裝
  9.3  Windows系統環境安裝
    Anaconda安裝
  9.4  小結
參考資料

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032