實戰機器學習/人工智慧技術叢書

作者：鮑亮//崔江濤//李倩|責編:夏毓彥
出版社：清華大學
ISBN：9787302591214

出版日期：2021/10/01
裝幀：平裝
頁數：382

人民幣：RMB 99 元售價：元

內容大鋼

    隨著互聯網、物聯網、雲計算等技術的不斷發展，許多領域都產生了大量的數據。利用機器學習技術分析海量數據，可以從數據中發現隱含的、有價值的規律和模式，進而用於預測並採取相應動作。在上述背景下，本書從理論、技術和應用三個層面入手，全面講解如何利用機器學習技術解決實際問題。
    本書共分26章，內容包括機器學習解決問題流程、問題分析與建模、數據探索與準備、特徵工程、模型訓練與評價、模型部署與應用、回歸模型、支持向量機、決策樹、集成學習、K近鄰演算法、貝葉斯方法、聚類演算法、關聯規則學習、神經網路基礎、正則化、深度學習中的優化、卷積神經網路、循環神經網路、自編碼器、基於深度學習的語音分離方法、基於深度學習的圖像去水印方法、基於LSTM的雲環境工作負載預測方法、基於QoS的服務組合問題、基於強化學習的投資組合方法、基於GAN模型的大數據系統參數優化方法。
    本書內容全面、示例豐富，適合機器學習初學者以及想要全面掌握機器學習技術的演算法開發人員，也適合高等院校和培訓機構人工智慧相關專業的師生教學參考。

作者介紹

鮑亮//崔江濤//李倩|責編:夏毓彥

第1章  機器學習解決問題流程
  1.1  機器學習基礎
    1.1.1  機器學習定義
    1.1.2  機器學習流派
    1.1.3  機器學習簡史
  1.2  機器學習解決實際問題的流程
  1.3  機器學習平台介紹
    1.3.1  阿里PAI
    1.3.2  第四範式先知（Sage EE）
    1.3.3  騰訊智能鈦機器學習（TI-ML）
    1.3.4  中科院EasyML
    1.3.5  百度機器學習BML
    1.3.6  華為AI開發平台ModelArts
    1.3.7  微軟Azure機器學習服務
    1.3.8  谷歌Cloud AutoML平台
    1.3.9  亞馬遜SageMaker
  1.4  本章小結
第2章  問題分析與建模
  2.1  問題分析
    2.1.1  明確和理解問題
    2.1.2  拆解和定位問題
  2.2  數據分析
    2.2.1  描述統計分析
    2.2.2  相關分析
    2.2.3  回歸分析
    2.2.4  分類分析
    2.2.5  聚類分析
  2.3  問題建模
  2.4  心臟病UCI數據集案例
    2.4.1  問題描述
    2.4.2  問題分析
    2.4.3  數據分析
    2.4.4  問題建模
  2.5  本章小結
第3章  數據探索與準備
  3.1  ETL技術
    3.1.1  ETL工作方式
    3.1.2  ETL實現模式
    3.1.3  ETL發展歷程
    3.1.4  主流ETL工具
  3.2  數據清洗
    3.2.1  數據缺失處理
    3.2.2  異常值處理
  3.3  採樣
    3.3.1  拒絕採樣
    3.3.2  重要性採樣
    3.3.3  馬爾可夫鏈蒙特卡洛採樣
  3.4  本章小結
第4章  特徵工程
  4.1  數據預處理

    4.1.1  特徵縮放
    4.1.2  特徵編碼
  4.2  特徵選擇
    4.2.1  過濾式選擇Filter
    4.2.2  包裹式選擇Wrapper
    4.2.3  嵌入式選擇Embedded
  4.3  降維
    4.3.1  主成分分析PCA
    4.3.2  線性判別分析
  4.4  本章小結
第5章  模型訓練與評價
  5.1  模型選擇
    5.1.1  基礎知識
    5.1.2  模型選擇的要素
  5.2  模型訓練
    5.2.1  留出法
    5.2.2  交叉驗證法
    5.2.3  自助法
  5.3  模型調優
    5.3.1  超參數調優
    5.3.2  神經架構搜索
    5.3.3  元學習
  5.4  模型評價
    5.4.1  分類問題
    5.4.2  回歸問題
    5.4.3  聚類問題
  5.5  本章小結
第6章  模型部署與應用
  6.1  機器學習模型格式
    6.1.1  scikit-learn
    6.1.2  TensorFlow
    6.1.3  PyTorch
  6.2  機器學習模型部署
    6.2.1  模型在平台內應用
    6.2.2  將模型封裝成可執行腳本
    6.2.3  基於容器和微服務的模型部署方式
    6.2.4  模型部署方式對比
  6.3  模型對外訪問介面
    6.3.1  REST架構
    6.3.2  RPC架構
    6.3.3  gRPC架構
    6.3.4  模型對外介面對比
  6.4  模型更新
    6.4.1  如何更新模型
    6.4.2  如何進行持續更新
  6.5  本章小結
第7章  回歸模型
  7.1  線性回歸
    7.1.1  線性回歸原理
    7.1.2  多項式回歸

    7.1.3  線性回歸案例
  7.2  正則線性模型
    7.2.1  正則線性模型原理
    7.2.2  L1、L2正則化對比
  7.3  邏輯回歸
    7.3.1  邏輯回歸原理
    7.3.2  邏輯回歸案例
  7.4  本章小結
第8章  支持向量機
  8.1  緒論
  8.2  支持向量機原理
    8.2.1  函數間隔
    8.2.2  對偶問題
    8.2.3  軟間隔SVM
    8.2.4  KKT條件
    8.2.5  支持向量
    8.2.6  核函數
    8.2.7  SMO
    8.2.8  合頁損失函數
  8.3  SVR回歸方法
  8.4  SVM預測示例
  8.5  本章小結
第9章  決策樹
  9.1  緒論
  9.2  決策樹基本概念
    9.2.1  特徵選擇
    9.2.2  信息增益
    9.2.3  信息增益率
    9.2.4  基尼係數
  9.3  ID3演算法
    9.4  C4.5  演算法
    9.4.1  決策樹生成
    9.4.2  決策樹剪枝
  9.5  CART演算法
    9.5.1  決策樹生成
    9.5.2  決策樹剪枝
  9.6  決策樹應用
  9.7  本章小結
第10章  集成學習
  10.1  bagging與隨機森林
    10.1.1  bagging
    10.1.2  隨機森林
    10.1.3  隨機森林的應用
    10.1.4  隨機森林的推廣
  10.2  boosting
    10.2.1  Adaboost
    10.2.2  前向分步演算法
    10.2.3  三大框架
  10.3  stacking與blending
  10.4  本章小結

第11章  K近鄰演算法
  11.1  KNN演算法
  11.2  距離的表示
  11.3  KD樹
  11.4  KNN心臟病預測實例
  11.5  本章小結
第12章  貝葉斯方法
  12.1  貝葉斯方法概述
  12.2  貝葉斯決策論
  12.3  樸素貝葉斯分類器
  12.4  貝葉斯網路
    12.4.1  貝葉斯網路概念
    12.4.2  貝葉斯網路學習
    12.4.3  貝葉斯網路推理
    12.4.4  貝葉斯網路的應用
  12.5  貝葉斯優化
    12.5.1  貝葉斯優化框架
    12.5.2  概率代理模型
    12.5.3  採集函數
    12.5.4  貝葉斯優化的應用
  12.6  貝葉斯優化迭代過程示例
  12.7  本章小結
第13章  聚類演算法
  13.1  聚類的評價指標
  13.2  距離計算
  13.3  聚類演算法
    13.3.1  基於層次的演算法
    13.3.2  基於分割的演算法
    13.3.3  基於密度的演算法
  13.4  本章小結
第14章  關聯規則學習
  14.1  關聯規則學習概述
  14.2  頻繁項集
  14.3  Apriori演算法
  14.4  FP-growth演算法
  14.5  本章小結
第15章  神經網路基礎
  15.1  神經網路概述
  15.2  神經網路原理
    15.2.1  神經元
    15.2.2  損失函數
    15.2.3  激活函數
    15.2.4  正向傳播
    15.2.5  反向傳播
  15.3  前饋神經網路
    15.3.1  前饋神經網路概述
    15.3.2  MNIST數據集多分類應用
  15.4  本章小結
第16章  正則化
  16.1  正則化概述

  16.2  數據集增強
  16.3  提前終止
  16.4  Dropout
  16.5  Batch Normalization
  16.6  本章小結
第17章  深度學習中的優化
  17.1  優化技術概述
  17.2  優化原理
    17.2.1  標準化
    17.2.2  梯度下降
    17.2.3  參數初始化
  17.3  自適應優化方法
  17.4  參數初始化方法
  17.5  本章小結
第18章  卷積神經網路
  18.1  卷積神經網路概述
  18.2  卷積神經網路原理
    18.2.1  局部連接
    18.2.2  權值共享
    18.2.3  池化層
  18.3  卷積神經網路的新方法
    18.3.1  1D/2D/3D卷積
    18.3.2  1×1卷積
    18.3.3  空洞卷積
    18.3.4  全卷積神經網路
  18.4  卷積神經網路的應用
    18.4.1  卷積神經網路的發展
    18.4.2  MNIST數據集分類示例
  18.5  本章小結
第19章  循環神經網路
  19.1  循環神經網路概述
  19.2  循環神經網路原理
    19.2.1  展開計算圖
    19.2.2  循環神經網路
    19.2.3  長期依賴
    19.2.4  LSTM
    19.2.5  GRU
    19.2.6  雙向RNN
    19.2.7  深度循環網路
    19.2.8  基於編碼?解碼的序列到序列架構
  19.3  各種RNN的優缺點及應用場景
  19.4  時間序列預測問題示例
  19.5  本章小結
第20章  自編碼器
  20.1  緒論
  20.2  自編碼器原理
    20.2.1  經典自編碼器
    20.2.2  去噪自編碼器
    20.2.3  稀疏自編碼器
    20.2.4  變分自編碼器

    20.2.5  堆疊自編碼器
    20.2.6  與神經網路融合的編碼器
  20.3  自編碼器優缺點及應用場景
  20.4  自編碼器應用
  20.5  本章小結
第21章  基於深度學習的語音分離方法
  21.1  問題背景
  21.2  問題定義
  21.3  相關工作
  21.4  VoiceFilter的實現方法
    21.4.1  說話人編碼器
    21.4.2  聲譜掩碼網路
    21.4.3  實驗效果
  21.5  本章小結
第22章  基於深度學習的圖像去水印方法
  22.1  圖像去水印的研究背景
  22.2  圖像修復問題的定義
  22.3  圖像修復的相關工作
    22.3.1  傳統修復方法
    22.3.2  基於深度學習的修復方法
    22.3.3  修復效果評價指標
    22.3.4  常用數據集
  22.4  方法實現
    22.4.1  基於內容編碼器的生成網路模型
    22.4.2  損失函數設計
    22.4.3  演算法步驟
    22.4.4  實驗結果展示
  22.5  本章小結
第23章  基於LSTM的雲環境工作負載預測方法
  23.1  工作負載預測的研究背景
  23.2  工作負載預測問題的定義
  23.3  工作負載預測的相關工作
    23.3.1  循環神經網路
    23.3.2  門控循環單元
  23.4  基於LSTM的工作負載預測
    23.4.1  負載數據預處理
    23.4.2  LSTM預測模型
    23.4.3  實驗結果與分析
  23.5  本章小結
第24章  基於QoS的服務組合問題
  24.1  服務組合問題的研究背景
  24.2  半自動服務組合問題的定義
  24.3  服務組合問題的相關工作
    24.3.1  求解最優解的方法
    24.3.2  基於元啟髮式演算法的方法
    24.3.3  基於強化學習的方法
  24.4  Q-learning演算法
  24.5  Q-learning演算法的實現
    24.5.1  狀態集設計
    24.5.2  動作集設計

    24.5.3  回報函數設計
    24.5.4  Q-learning演算法步驟
    24.5.5  實驗結果展示
  24.6  本章小結
第25章  基於強化學習的投資組合方法
  25.1  投資組合問題的研究背景
  25.2  投資組合指數增強問題的定義
    25.2.1  符號定義
    25.2.2  基本假設
    25.2.3  問題描述
    25.2.4  個股收益率和指數收益率
    25.2.5  目標函數
    25.2.6  約束條件
    25.2.7  問題的完整定義
  25.3  投資組合問題的研究方法
    25.3.1  基於統計模型的方法
    25.3.2  啟髮式演算法
    25.3.3  基於學習的演算法
  25.4  深度確定性策略梯度演算法
  25.5  投資組合問題的實現方法
    25.5.1  數據探索與準備
    25.5.2  模型訓練與評價
    25.5.3  實驗結果及分析
  25.6  本章小結
第26章  基於GAN模型的大數據系統參數優化方法
  26.1  大數據系統參數優化的研究背景
  26.2  大數據系統參數優化問題的定義
  26.3  大數據系統參數優化的方法
    26.3.1  基於模型的大數據系統參數優化方法
    26.3.2  基於評估的大數據系統參數優化方法
    26.3.3  基於搜索的大數據系統參數優化方法
    26.3.4  基於學習的大數據系統參數優化方法
    26.3.5  大數據系統參數優化問題的流程
  26.4  ACTGAN方法
    26.4.1  動機
    26.4.2  原理
    26.4.3  具體過程
    26.4.4  實驗結果
  26.5  本章小結
    26.5.1  總結
    26.5.2  展望
附錄1  名詞及解釋
附錄2  數據集
參考文獻

同類熱銷排行榜

最近瀏覽的商品

實戰機器學習/人工智慧技術叢書