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

深入淺出Python人工智慧(新時代技術新未來)

  • 作者：段小手|責編:劉洋
  • 出版社：清華大學
  • ISBN：9787302720966
  • 出版日期：2026/08/01
  • 裝幀：平裝
  • 頁數：314
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以Python為工具、以實戰為核心，構建從入門到進階的AI完整學習體系，適合零基礎學習者、轉型從業者及AI愛好者。全書共18章，涵蓋傳統機器學習演算法、數據工程化能力、深度學習及生成式AI等核心內容，前言解析職業前景，結束語提供進階建議。
    本書貼合初學者認知規律，詳略安排得當、實用性強，以幽默的語言和貼近生活的實例引導讀者入門，配套可直接落地的Python代碼示例，避免了純理論堆砌。
    讀者對象包括零基礎入門者、跨崗轉型人員、院校學生、創業者及各類AI興趣愛好者，既可作為入門引路書，也可作為提升實戰能力的工具書。
作者介紹
段小手|責編:劉洋
    段小手，君兮科技創始人，畢業於北京大學。具有10余年國內一線互聯網/電子商務公司項目管理經驗。其負責的跨境電子商務項目曾獲得「國家發改委電子商務示範項目」「中關村現代服務業試點項目」「北京市信息化基礎設施提升項目」「北京市外貿綜合公共平台」等專項政策支持。目前重點研究領域為機器學習和深度學習等方面。
目錄
第1章  概述
  1.1  什麼是人工智慧——從一個小故事開始
  1.2  人工智慧的一些應用場景——蝙蝠公司的業務單元
  1.3  人工智慧應該如何入門——世上無難事
    1.3.1  從一種編程語言開始
    1.3.2  熟悉機器學習中的基本概念
    1.3.3  了解機器學習中最常見的演算法
    1.3.4  掌握對數據進行處理的技巧
    1.3.5  學會讓模型更好地工作
    1.3.6  動手，一定要動手操作
  1.4  有監督學習與無監督學習
  1.5  機器學習中的分類與回歸
  1.6  模型的泛化、過擬合與欠擬合
  1.7  本章小結
第2章  基於Python語言的環境配置
  2.1  Python的下載和安裝
  2.2  Jupyter Notebook的安裝與使用
    2.2.1  使用pip進行Jupyter Notebook的下載和安裝
    2.2.2  運行Jupyter Notebook
    2.2.3  Jupyter Notebook的使用
  2.3  一些必需庫的安裝及功能簡介
    2.3.1  Numpy——基礎科學計算庫
    2.3.2  Scipy——強大的科學計算工具集
    2.3.3  pandas——數據分析的利器
    2.3.4  matplotlib——畫出優美的圖形
  2.4  scikit-learn——非常流行的Python機器學習庫
  2.5  本章小結
第3章  K最近鄰演算法——近朱者赤，近墨者黑
  3.1  K最近鄰演算法的原理
  3.2  K最近鄰演算法的用法
    3.2.1  K最近鄰演算法在分類任務中的應用
    3.2.2  K最近鄰演算法處理多元分類任務
    3.2.3  K最近鄰演算法用於回歸分析
  3.3  K最近鄰演算法項目實戰——酒的分類
    3.3.1  對數據集進行分析
    3.3.2  生成訓練數據集和測試數據集
    3.3.3  使用K最近鄰演算法進行建模
    3.3.4  使用模型對新樣本的分類進行預測
  3.4  本章小結
第4章  廣義線性模型——「耿直」的演算法模型
  4.1  線性模型基本概念
    4.1.1  線性模型的一般公式
    4.1.2  線性模型的圖形表示
    4.1.3  線性模型的特點
  4.2  最基本的線性模型——線性回歸
    4.2.1  線性回歸的基本原理
    4.2.2  線性回歸的性能表現
  4.3  使用L2正則化的線性模型——嶺回歸
    4.3.1  嶺回歸的原理
    4.3.2  嶺回歸的參數調節

  4.4  使用L1正則化的線性模型——套索回歸
    4.4.1  套索回歸的原理
    4.4.2  套索回歸的參數調節
    4.4.3  套索回歸與嶺回歸的對比
  4.5  本章小結
第5章  樸素貝葉斯——打雷啦，下雨收衣服啊
  5.1  樸素貝葉斯基本概念
    5.1.1  貝葉斯定理
    5.1.2  樸素貝葉斯的簡單應用
  5.2  樸素貝葉斯演算法的不同方法
    5.2.1  貝努利樸素貝葉斯
    5.2.2  高斯樸素貝葉斯
    5.2.3  多項式樸素貝葉斯
  5.3  樸素貝葉斯實戰——判斷腫瘤是良性還是惡性
    5.3.1  對數據集進行分析
    5.3.2  使用高斯樸素貝葉斯進行建模
    5.3.3  高斯樸素貝葉斯學習曲線
  5.4  本章小結
第6章  決策樹與隨機森林——來玩「讀心術」
  6.1  決策樹
    6.1.1  決策樹基本原理
    6.1.2  決策樹的構建
    6.1.3  決策樹的優勢和不足
  6.2  隨機森林
    6.2.1  隨機森林的基本概念
    6.2.2  隨機森林的構建
    6.2.3  隨機森林的優勢和不足
  6.3  隨機森林實例——要不要和相親對象進一步發展
    6.3.1  數據集的準備
    6.3.2  用get dummies處理數據
    6.3.3  用決策樹建模並做出預測
  6.4  本章小結
第7章  支持向量機SVM——專治線性不可分
  7.1  支持向量機SVM基本概念
    7.1.1  支持向量機SVM的原理
    7.1.2  支持向量機SVM的核函數
  7.2  SVM的核函數與參數選擇
    7.2.1  不同核函數的SVM對比
    7.2.2  支持向量機的gamma參數調節
    7.2.3  SVM演算法的優勢與不足
  7.3  SVM實例——加利福尼亞房價回歸分析
    7.3.1  初步了解數據集
    7.3.2  使用SVR進行建模
  7.4  本章小結
第8章  神經網路——曾入「冷宮」，如今「得寵」
  8.1  神經網路的發展歷程
    8.1.1  神經網路的起源
    8.1.2  第一個感知器學習法則
    8.1.3  神經網路之父——Geoffrey Hinton
  8.2  神經網路的原理及使用

    8.2.1  神經網路的原理
    8.2.2  神經網路中的非線性矯正
    8.2.3  神經網路的參數設置
  8.3  神經網路實例——手寫識別
    8.3.1  使用MNIST數據集
    8.3.2  訓練MLP神經網路
    8.3.3  使用模型進行數字識別
  8.4  本章小結
第9章  數據預處理、降維、特徵提取及聚類——快刀斬亂麻
  9.1  數據預處理
    9.1.1  使用StandardScaler進行數據預處理
    9.1.2  使用MinMaxScaler進行數據預處理
    9.1.3  使用RobustScaler進行數據預處理
    9.1.4  使用Normalizer進行數據預處理
    9.1.5  通過數據預處理提高模型準確率
  9.2  數據降維
    9.2.1  主成分分析原理
    9.2.2  對數據降維以便於進行可視化
    9.2.3  原始特徵與PCA主成分之間的關係
  9.3  特徵提取
    9.3.1  主成分分析法用於特徵提取
    9.3.2  非負矩陣分解（NMF）用於特徵提取
  9.4  聚類演算法
    9.4.1  K均值聚類演算法
    9.4.2  凝聚聚類演算法
    9.4.3  DBSCAN演算法
  9.5  本章小結
第10章  數據表達與特徵工程——錦上再添花
  10.1  數據表達
    10.1.1  使用啞變數轉化類型特徵
    10.1.2  對數據進行裝箱處理
  10.2  數據「升維」
    10.2.1  向數據集添加互動式特徵
    10.2.2  向數據集添加多項式特徵
  10.3  自動特徵選擇
    10.3.1  使用單一變數法進行特徵選擇
    10.3.2  基於模型的特徵選擇
    10.3.3  迭代式特徵選擇
  10.4  本章小結
第11章  模型評估與優化——只有更好，沒有最好
  11.1  使用交叉驗證進行模型評估
    11.1.1  scikit-learn中的交叉驗證法
    11.1.2  隨機拆分驗證和留一交叉驗證
    11.1.3  為什麼要使用交叉驗證法
  11.2  使用網格搜索優化模型參數
    11.2.1  簡單網格搜索
    11.2.2  與交叉驗證結合的網格搜索
  11.3  分類模型的可信度評估
    11.3.1  分類模型中的預測概率
    11.3.2  分類模型中的決策函數

  11.4  本章小結
第12章  建立演算法的管道模型——團結就是力量
  12.1  管道模型的概念及用法
    12.1.1  管道模型的基本概念
    12.1.2  使用管道模型進行網格搜索
  12.2  使用管道模型對股票漲幅進行回歸分析
    12.2.1  數據集準備
    12.2.2  建立包含預處理和MLP模型的管道模型
    12.2.3  向管道模型添加特徵選擇步驟
  12.3  使用管道模型進行模型選擇和參數調優
    12.3.1  使用管道模型進行模型選擇
    12.3.2  使用管道模型尋找更優參數
  12.4  本章小結
第13章  文本數據處理——親，見字如「數」
  13.1  文本數據的特徵提取、中文分詞及詞袋模型
    13.1.1  使用CountVectorizer對文本進行特徵提取
    13.1.2  使用分詞工具對中文文本進行分詞
    13.1.3  使用詞袋模型將文本數據轉為數組
  13.2  對文本數據進一步進行優化處理
    13.2.1  使用n-Gram改善詞袋模型
    13.2.2  使用tf-idf模型對文本數據進行處理
    13.2.3  刪除文本中的停用詞（stopwords）
  13.3  本章小結
第14章  項目實戰——從「讀書人」到「操盤手」
  14.1  簡單頁面的爬取
    14.1.1  準備Requests庫和User Agent
    14.1.2  確定一個目標網站並分析其結構
    14.1.3  進行爬取並保存為本地文件
  14.2  稍微複雜一點的爬取
    14.2.1  確定目標頁面並進行分析
    14.2.2  Python中的正則表達式
    14.2.3  使用BeautifulSoup進行HTML解析
    14.2.4  對目標頁面進行爬取並保存到本地
  14.3  對文本數據進行話題提取
    14.3.1  尋找目標網站並分析結構
    14.3.2  使用Selenium進行內容爬取
    14.3.3  使用潛在狄利克雷分佈進行話題提取
  14.4  本章小結
第15章  深度學習進階——走進新世界
  15.1  要搞深度學習，得有GPU
  15.2  使用Keras搭建模型
    15.2.1  非結構化數據
    15.2.2  全連接層神經網路的搭建與訓練
    15.2.3  在測試集表現如何
  15.3  卷積神經網路
    15.3.1  什麼是卷積操作
    15.3.2  卷積神經網路的搭建
    15.3.3  訓練與評估
  15.4  本章小結
第16章  會畫畫的AI——擴散模型

  16.1  什麼是生成式模型
  16.2  擴散模型
    16.2.1  DDM的前向擴散
    16.2.2  DDM的反向擴散
  16.3  擴散模型中的U-Net
    16.3.1  U-Net的整體架構
    16.3.2  U-Net中關鍵組件的實現
    16.3.3  U-Net的「組裝」
  16.4  DDM模型的訓練
    16.4.1  創建DDM的基本框架
    16.4.2  DDM中的圖像生成框架
    16.4.3  定義DDM的訓練與測試步驟
    16.4.4  DDM的訓練與調用
  16.5  本章小結
第17章  會寫作的AI——Transformer
  17.1  自然語言處理的發展
  17.2  Transformer是什麼
    17.2.1  Transformer中的注意力（attention）
    17.2.2  注意力頭中的查詢、鍵和值
    17.2.3  因果掩碼
    17.2.4  Transformer模塊
    17.2.5  位置編碼
  17.3  GPT模型搭建與訓練
    17.3.1  簡單處理數據
    17.3.2  將文本轉換為數值
    17.3.3  創建因果掩碼
    17.3.4  創建Transformer模塊
    17.3.5  位置編碼嵌入
    17.3.6  建立GPT模型並訓練
    17.3.7  調用GPT模型生成文本
  17.4  本章小結
第18章  結束語
  18.1  未來學習方向
    18.1.1  傳統機器學習的「深化與實戰」
    18.1.2  深度學習的「領域細分」
    18.1.3  AI工程化與落地能力
    18.1.4  前沿方向的「輕量級探索」
  18.2  技能磨煉與實際應用
    18.2.1  從「身邊小事」切入，做「輕量級項目」
    18.2.2  參與「開源/社區」，在「協作中成長」
    18.2.3  關注「業務邏輯」，避免「技術至上」
  18.3  最後的叮囑：保持好奇，穩步前行

  • 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