机器学精讲 人工智能 作者
一本一百多页的精简机器学入门手册，机器学类4.5星书，全彩印刷，扫描书中二维码可阅读补充内容，人工智能和机器学领域众多知名
￥ 44.75 6.5折 ￥ 69 全新
库存8件
作者作者
出版社人民邮电出版社
ISBN9787115518538
出版时间2020-01
版次1
装帧平装
开本16
页数196页
字数178千字
定价69元
货号xhwx_1201990753
上书时间2024-11-02
- 在售商品 暂无
- 平均发货时间 27小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
目录：
章绪论1
1.1什么是机器学1
1.2不同类型的学1
1.2.1监督学1
1.2.2非监督学2
1.2.3半监督学3
1.2.4强化学3
1.3监督学是如何工作的4
1.4为什么模型可以应用于新数据9
第2章符号和定义10
2.1符号10
2.1.1数据结构10
2.1.2大写西格玛符号12
2.1.3大写派符号12
2.1.4集合运算13
2.1.5向量运算13
2.1.6函数14
2.1.7max和argmax16
2.1.8赋值运算符16
2.1.9导数和梯度16
2.2变量18
2.3无偏估计值20
2.4贝叶斯准则21
2.5参数估计21
2.6参数与超参数23
2.7分类vs.回归23
2.8基于模型学vs.基于实例学24
2.9浅层学vs.深度学24
第3章基本算法26
3.1线回归26
3.1.1问题陈述26
3.1.2解决方案28
3.2对数几率回归30
3.2.1问题陈述31
3.2.2解决方案32
3.3决策树学34
3.3.1问题陈述34
3.3.2解决方案34
3.4支持向量机37
3.4.1处理噪声38
3.4.2处理固有非线39
3.5k近邻42
第4章算法剖析43
4.1一个算法的组成部分43
4.2梯度下降44
4.3机器学工程师如何工作50
4.4学算法的特51
第5章基本实践53
5.1特征工程53
5.1.1独热编码54
5.1.2装箱55
5.1.3归一化56
5.1.4标准化56
5.1.5处理特征缺失值57
5.1.6数据补全技术58
5.2选择学算法59
5.33个数据集61
5.4欠拟合与过拟合63
5.5正则化66
5.6模型效果评估67
5.6.1混淆矩阵69
5.6.2查准率/查全率70
5.6.3准确率71
5.6.4代价敏感准确率71
5.6.5roc曲线下面积72
5.7超参数调试73
交验证75
第6章神经网络和深度学77
6.1神经网络77
6.1.1多层感知机例子78
6.1.2前馈神经网络80
6.2深度学81
6.2.1卷轴神经网络83
6.2.2循环神经网络90
第7章问题与解决方案96
7.1核回归96
7.2多类别分类98
7.3单类别分类99
7.4多标签分类102
7.5集成学104
7.5.1提升法与装袋法105
7.5.2森林105
7.5.3梯度提升106
7.6学标注序列109
7.7序列到序列学111
7.8主动学113
7.9半监督学115
7.10单样本学118
7.11零样本学120
第8章作122
8.1处理不衡的数据集122
8.2组合模型124
8.3训练神经网络125
8.4正则化127
8.5处理多输入128
8.6处理多输出129
8.7迁移学130
8.8算法效率131
第9章非监督学135
9.1密度预估135
9.2聚类138
9.2.1k均值138
9.2.2dbscan和hdbscan140
9.2.3决定聚类簇个数141
9.2.4其他聚类算法145
9.3维度降低148
9.3.1主要成分分析149
9.3.2umap151
9.4异常值检测153
0章其他学形式154
10.1质量学154
10.2排序学156
10.3学159
10.3.1因子分解机161
10.3.2去噪自163
10.4自监督学：词嵌入164
1章结论167
11.1主题模型167
11.2高斯过程168
11.3广义线模型168
11.4概率图模型168
11.5马尔可夫链蒙特卡洛算法169
11.6基因算法170
11.7强化学170
术语表172
内容简介：
本书用简短的篇幅、精炼的语言，讲授机器学领域的知识和技能。全书共11章和一个术语表，依次介绍了机器学的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学、问题与解决方案、作、非监督学以及其他学方式等，涵盖了监督学和非监督学、支持向量机、神经网络、集成学、梯度下降、聚类分析、维度降低、自、迁移学、强化学、特征工程、超参数调试等众多核心概念和方法。全书后给出了一个较为详尽的术语表。本书能够帮助读者了解机器学是如何工作的，为进一步理解该领域的复杂问题和进行深入研究打好基础。本书适合想要学和掌握机器学的软件从业人员、想要运用机器学技术的数据科学家阅读，也适合想要了解机器学的一般读者参。
作者简介：
安德烈布可夫（andriy burkov）是一位机器学专家，目前居住于加拿大魁北克省。他拥有人工智能博士，尤其擅长自然语言处理技术。目前，他是高德纳（gartner）咨询公司机器学开发团队的主管。该团队的主要工作是，使用浅层和深度学技术，开发可用于生产环境的、的多语言文字抽取和标准化系统。
韩江雷，于新加坡南洋理工大学计算机科学学院，目前担任思爱普公司(新加坡)数据科学家，同时在南洋理工大学攻读博士。他的研究方向包括文本分析、数据挖掘以及机器学的垂直领域应用等。
— 没有更多了 —
以下为对购买帮助不大的评价