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

機器學習圖解

  • 作者：(加)路易斯·G.塞拉諾|責編:王軍|譯者:郭濤
  • 出版社：清華大學
  • ISBN：9787302634645
  • 出版日期：2023/07/01
  • 裝幀：平裝
  • 頁數：364
人民幣：RMB 128 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    閱讀本書，即使讀者僅掌握高中數學知識，也能理解和應用強大的機器學習技術！簡單來講，機器學習是一套以演算法為基礎的數據分析技術，當你提供更多數據時，演算法可反饋更好的結果。ML支持許多尖端技術，如推薦系統、面部識別軟體、智能揚聲器，甚至包括自動駕駛汽車。本書不落窠臼，示例豐富，精選的練習十分有趣，插圖清晰，講解機器學習的核心概念。
    《機器學習圖解》以簡明易懂的方式介紹機器學習的演算法和技術。本書不談深奧的術語，只通過基本代數知識提供清晰的解釋。你將使用Python構建有趣的項目，包括垃圾郵件檢測和圖像識別模型；還將學習一些實用技能，以清理和準備數據。
作者介紹
(加)路易斯·G.塞拉諾|責編:王軍|譯者:郭濤
    路易斯·G.塞拉諾（Luis G.Serrano）是Zapata Computing公司的量子人工智慧研究科學家。Luis曾在谷歌擔任機器學習工程師，在蘋果擔任首席人工智慧教育家，並在優達學城擔任人工智慧和數據科學內容負責人。Luis擁有密歇根大學數學博士學位、滑鐵盧大學數學學士和碩士學位，並在蒙特利爾魁北克大學Combinatoireet d'Informatique Math?matique實驗室擔任博士后研究員。Luis擁有一個關於機器學習的熱門YouTube頻道，訂閱者超過85000名，視頻總觀看數量超過400萬次。此外，Luis也經常在人工智慧和數據科學會議上發表演講。
目錄
第1章  什麼是機器學習？這是一種常識，唯一特別之處在於由電腦完成
  1.1  我是否需要掌握大量的數學和編程背景知識才能理解機器學習
  1.2  機器學習究竟是什麼
  1.3  如何讓機器根據數據做出決策？記憶-制定-預測框架
  1.4  本章小結
第2章  機器學習類型
  2.1  標籤數據和無標籤數據的區別
  2.2  監督學習：處理標籤數據的機器學習分支
  2.3  無監督學習：處理無標籤數據的機器學習分支
  2.4  什麼是強化學習
  2.5  本章小結
  2.6  練習
第3章  在點附近畫一條線：線性回歸
  3.1  問題：預測房屋的價格
  3.2  解決方案：建立房價回歸模型
  3.3  如何讓電腦繪製出這條線：線性回歸演算法
  3.4  如何衡量結果？誤差函數
  3.5  實際應用：使用TuriCreate預測房價
  3.6  如果數據不在一行怎麼辦？多項式回歸
  3.7  參數和超參數
  3.8  回歸應用
  3.9  本章小結
  3.10  練習
第4章  優化訓練過程：欠擬合、過擬合、測試和正則化
  4.1  使用多項式回歸的欠擬合和過擬合示例
  4.2  如何讓電腦選擇正確的模型？測試
  4.3  我們在哪裡打破了黃金法則，如何解決呢？驗證集
  4.4  一種決定模型複雜度的數值方法：模型複雜度圖
  4.5  避免過擬合的另一種選擇：正則化
  4.6  使用Turi Create進行多項式回歸、測試和正則化
  4.7  本章小結
  4.8  練習
第5章  使用線來劃分點：感知器演算法
  5.1  問題：我們在一個外星球上，聽不懂外星人的語言
  5.2  如何確定分類器的好壞？誤差函數
  5.3  如何找到一個好的分類器？感知器演算法
  5.4  感知器演算法編程實現
  5.5  感知器演算法的應用
  5.6  本章小結
  5.7  練習
第6章  劃分點的連續方法：邏輯分類器
  6.1  邏輯分類器：連續版感知器分類器
  6.2  如何找到一個好的邏輯分類器？邏輯回歸演算法
  6.3  對邏輯回歸演算法進行編程
  6.4  實際應用：使用Turi Create對IMDB評論進行分類
  6.5  多分類：softmax函數
  6.6  本章小結
  6.7  練習
第7章  如何衡量分類模型？準確率和其他相關概念
  7.1  準確率：模型的正確頻率是多少

  7.2  如何解決準確率問題？定義不同類型的誤差以及如何進行衡量
  7.3  一個有用的模型評價工具ROC曲線
  7.4  本章小結
  7.5  練習
第8章  使用概率最大化樸素貝葉斯模型
  8.1  生病還是健康？以貝葉斯定理為主角的故事
  8.2  用例：垃圾郵件檢測模型
  8.3  使用真實數據構建垃圾郵件檢測模型
  8.4  本章小結
  8.5  練習
第9章  通過提問劃分數據：決策樹
  9.1  問題：需要根據用戶可能下載的內容向用戶推薦應用
  9.2  解決方案：構建應用推薦系統
  9.3  超出「是」或「否」之類的問題
  9.4  決策樹的圖形邊界
  9.5  實際應用：使用Scikit-Learn構建招生模型
  9.6  用於回歸的決策樹
  9.7  應用
  9.8  本章小結
  9.9  練習
第10章  組合積木以獲得更多力量神經網路
  10.1  以更複雜的外星球為例，開啟神經網路學習
  10.2  訓練神經網路
  10.3  Keras中的神經網路編程
  10.4  用於回歸的神經網路
  10.5  用於更複雜數據集的其他架構
  10.6  本章小結
  10.7  練習
第11章  用風格尋找界限：支持向量機和內核方法
  11.1  使用新的誤差函數構建更好的分類器
  11.2  Scikit-Learn中的SVM編程
  11.3  訓練非線性邊界的SVM
內核方法
  11.4  本章小結
  11.5  練習
第12章  組合模型以最大化結果集成學習
  12.1  獲取朋友的幫助
  12.2  bagging：隨機組合弱學習器以構建強學習器
  12.3  AdaBoost：以智能方式組合弱學習器以構建強學習器
  12.4  梯度提升：使用決策樹構建強學習器
  12.5  XGBoost：一種梯度提升的極端方法
  12.6  集成方法的應用
  12.7  本章小結
  12.8  練習
第13章  理論付諸實踐：數據工程和機器學習真實示例
  13.1  泰坦尼克號數據集
  13.2  清洗數據集：缺失值及其處理方法
  13.3  特徵工程：在訓練模型之前轉換數據集中的特徵
  13.4  訓練模型
  13.5  調整超參數以找到最佳模型：網格搜索

  13.6  使用k折交叉驗證來重用訓練和驗證數據
  13.7  本章小結
  13.8  練習
以下內容可掃封底二維碼下載
附錄A  習題解答
附錄B  梯度下降背後的數學原理使用導數和斜率下山
附錄C  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