機器學(xué)習(xí)開發(fā)者指南

定　價：￥59.00

作　者：	[阿根廷] 魯?shù)婪颉ぐ顚帲≧odolfo Bonnin）著，AI研習(xí)社譯
出版社：	人民郵電出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥59.00)

ISBN：	9787115529305	出版時間：	2020-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	214	字?jǐn)?shù)：

內(nèi)容簡介

　　本書將帶領(lǐng)讀者學(xué)習(xí)如何實施各種機器學(xué)習(xí)技術(shù)及其日常應(yīng)用的開發(fā)。本書分為9章，從易于掌握的語言基礎(chǔ)數(shù)據(jù)和數(shù)學(xué)模型開始，向讀者介紹機器學(xué)習(xí)領(lǐng)域中使用的各種庫和框架，然后通過有趣的示例實現(xiàn)回歸、聚類、分類、神經(jīng)網(wǎng)絡(luò)等，從而解決如圖像分析、自然語言處理和時間序列數(shù)據(jù)的異常檢測等實際問題。本書適合機器學(xué)習(xí)的開發(fā)人員、數(shù)據(jù)分析人員、機器學(xué)習(xí)領(lǐng)域的從業(yè)人員，以及想要學(xué)習(xí)機器學(xué)習(xí)的技術(shù)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，將有助于充分理解本書的內(nèi)容。

作者簡介

　　Rodolfo Bonnin是阿根廷國家科技大學(xué)的系統(tǒng)工程師，博士。他在德國斯圖加特大學(xué)學(xué)習(xí)并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，并于2008年開始研究和實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)，編寫支持CPU和GPU的神經(jīng)網(wǎng)絡(luò)前饋階段。最近，他一直致力于利用神經(jīng)網(wǎng)絡(luò)進行欺詐模式檢測的工作，并使用機器學(xué)習(xí)技術(shù)進行信號分類。他也是《Tensorflow機器學(xué)習(xí)項目實戰(zhàn)》的作者。

圖書目錄

目錄
第 1章　機器學(xué)習(xí)和統(tǒng)計科學(xué)　1
1．1　機器學(xué)習(xí)的發(fā)展　2
1．2　編程語言與庫　6
1．3　基本數(shù)學(xué)概念　11
1．3．1　統(tǒng)計學(xué)——不確定性建模的基本支柱　11
1．3．2　概率與隨機變量　14
1．3．3　概率函數(shù)的統(tǒng)計度量　21
1．3．4　微分基礎(chǔ)　22
1．3．5　預(yù)備知識　22
1．4　小結(jié)　27
第 2章　學(xué)習(xí)過程　28
2．1　理解問題　28
2．2　數(shù)據(jù)集定義與檢索　30
2．2．1　ETL過程　30
2．2．2　加載數(shù)據(jù)與使用Scipy和Pandas進行探索分析　31
2．2．3　與IPython交互　32
2．2．4　二維數(shù)據(jù)處理　34
2．3　特征工程　37
2．3．1　缺失數(shù)據(jù)估算　37
2．3．2　獨熱編碼　38
2．4　數(shù)據(jù)預(yù)處理　39
規(guī)范化和特征縮放　39
2．5　模型定義　41
提出正確的問題　41
2．6　損失函數(shù)定義　42
2．7　模型擬合和評價　43
數(shù)據(jù)集劃分　43
2．8　模型應(yīng)用與結(jié)果分析　44
2．8．1　回歸指標(biāo)　45
2．8．2　分類指標(biāo)　46
2．8．3　聚類質(zhì)量評估　48
2．9　小結(jié)　50
第3章　聚類　51
3．1　分組—— 一種人類行為　51
3．2　自動化聚類過程　52
3．3　尋找一個共同的中心—— K-means　53
3．3．1　K-means的優(yōu)缺點　56
3．3．2　K-means算法分解　56
3．3．3　K-means算法實現(xiàn)　58
3．4　最近鄰（Nearest Neighbors）　62
3．5　K-NN算法實現(xiàn)示例　64
3．6　算法擴展　67
3．7　小結(jié)　68
第4章　線性回歸和邏輯回歸　69
4．1　回歸分析　69
回歸的應(yīng)用　70
4．2　線性回歸　71
4．2．1　代價函數(shù)的確定　72
4．2．2　分析方法　74
4．2．3　協(xié)方差和相關(guān)性　75
4．2．4　尋找協(xié)方差和相關(guān)性的斜率和截距　77
4．2．5　梯度下降法　79
4．2．6　遞歸過程表示　83
4．3　實踐中的數(shù)據(jù)研究和線性回歸　86
4．3．1　鳶尾花數(shù)據(jù)集　87
4．3．2　線性回歸與梯度下降　93
4．4　邏輯回歸　103
4．4．1　線性回歸和邏輯回歸　103
4．4．2　logit函數(shù)　105
4．4．3　應(yīng)用邏輯回歸建立心臟疾病模型的實例　109
4．5　小結(jié)　112
第5章　神經(jīng)網(wǎng)絡(luò)　113
5．1　神經(jīng)模型的歷史　114
5．1．1　感知器模型　115
5．1．2　改進預(yù)測結(jié)果——ADALINE算法　116
5．1．3　感知器和ADALINE之間的異同　118
5．1．4　單層和多層感知器　120
5．2　使用單層感知器實現(xiàn)簡單的功能　124
5．2．1　定義并繪制傳遞函數(shù)類型　124
5．2．2　表示和理解傳遞函數(shù)　125
5．2．3　Sigmoid函數(shù)或邏輯函數(shù)　126
5．2．4　使用Sigmoid函數(shù)　126
5．2．5　修正線性單元　128
5．2．6　線性傳遞函數(shù)　129
5．2．7　定義損失函數(shù)　130
5．3　小結(jié)　136
第6章　卷積神經(jīng)網(wǎng)絡(luò)　137
6．1　卷積神經(jīng)網(wǎng)絡(luò)的起源　137
6．1．1　從卷積開始　138
6．1．2　卷積核和卷積　140
6．1．3　在實例中實現(xiàn)二維離散卷積　143
6．1．4　下采樣（池化）　146
6．1．5　通過Dropout操作提高效率　148
6．2　深度神經(jīng)網(wǎng)絡(luò)　149
6．2．1　深度卷積網(wǎng)絡(luò)框架的發(fā)展　149
6．2．2　深度卷積神經(jīng)網(wǎng)絡(luò)解決的問題類型　154
6．3　使用Keras部署一個深度神經(jīng)網(wǎng)絡(luò)　156
6．4　用Quiver開發(fā)卷積模型　158
6．4．1　用Quiver開發(fā)卷積網(wǎng)絡(luò)　158
6．4．2　遷移學(xué)習(xí)的實現(xiàn)　162
6．5　小結(jié)　167
第7章　循環(huán)神經(jīng)網(wǎng)絡(luò)　168
7．1　按順序解決問題—— RNN　168
7．1．1　RNN的定義　169
7．1．2　RNN的發(fā)展　169
7．2　LSTM　172
7．2．1　門和乘法運算　172
7．2．2　設(shè)置遺忘參數(shù)（輸入門）　174
7．2．3　設(shè)置保持參數(shù)　174
7．2．4　修改單元　175
7．2．5　輸出過濾后的單元狀態(tài)　175
7．3　采用電能消耗數(shù)據(jù)預(yù)測單變量時間序列　176
數(shù)據(jù)集的描述和加載　176
7．4　小結(jié)　182
第8章　近期的新模型及其發(fā)展　183
8．1　GAN　183
GAN的應(yīng)用類別　184
8．2　強化學(xué)習(xí)　188
8．2．1　馬爾可夫決策過程　189
8．2．2　優(yōu)化馬爾可夫過程　190
8．3　基本強化學(xué)習(xí)技術(shù)：Q學(xué)習(xí)　191
8．4　小結(jié)　193
第9章　軟件安裝與配置　194
9．1　Linux系統(tǒng)環(huán)境安裝　194
9．1．1　初始配置要求　195
9．1．2　Anaconda安裝　195
9．1．3　pip安裝　200
9．2　macOS X系統(tǒng)環(huán)境安裝　201
9．2．1　Anaconda安裝　201
9．2．2　pip安裝　204
9．3　Windows系統(tǒng)環(huán)境安裝　205
Anaconda安裝　205
9．4　小結(jié)　208
參考資料　209