机器学习之路
￥ 8.74 1.1折 ￥ 79 九五品
仅1件
江苏南京
认证卖家担保交易快速发货售后保障
作者阿布 胥嘉幸编著
出版社电子工业出版社
ISBN9787121321603
出版时间2017-08
版次1
装帧平装
开本16开
纸张胶版纸
页数315页
字数99999千字
定价79元
上书时间2024-08-17
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:机器学习之路
定价：79.00元
作者:阿布 胥嘉幸编著
出版社：电子工业出版社
出版日期：2017-08-01
ISBN：9787121321603
字数：405000
页码：315
版次：1
装帧：平装
开本：16开
商品重量：
编辑推荐
都说这年头不会点机器学习不好意思出门，但高深的数学理论，复杂的算法又让很多人忘而却步，不知从何下手，《机器学习篇》绕过理论障碍，打通了一条由浅入深的机器学习之路。丰富的实战案例讲解，介绍如何将机器学习技术运用到股票量化交易、图片渲染、图片识别等领域。
内容提要
机器学习需要一条脱离过高理论门槛的入门之路。本书《机器学习篇》从小红帽采蘑菇的故事开篇，介绍了基础的机器学习分类模型的训练（靠前章）。如何评估、调试模型？如何合理地发掘事物的特征？如何利用几个模型共同发挥作用？后续章节一步一步讲述了如何优化模型，更好地完成分类预测任务（第2章），并且初步尝试将这些技术运用到金融股票交易中（第3章）。自然界优选的非线性模型莫过于人类的大脑。《深度学习篇》从介绍并对比一些常见的深度学习框架开始（第4章），讲解了DNN模型的直观原理，尝试给出一些简单的生物学解释，完成简单的图片识别任务（第5章）。后续章节在此基础上，完成更为复杂的图片识别CNN模型（第6章）。接着，本书展示了使用Caffe完成一个完整的图片识别项目，从准备数据集，到完成识别任务（第7章）。后面简单描述了RNN模型（第8章），接着展示了一个将深度学习技术落地到图片处理领域的项目（第9章）。
目录
篇 机器学习篇 章 初识机器学习 .................................................................................... 21.1 机器学习——赋予机器“学习”的灵魂 ..................................................................... 21.1.1 小红帽识别毒蘑菇 ................................................................................................................... 21.1.2 三种机器学习问题 ................................................................................................................... 61.1.3 常用符号 .................................................................................................................................. 61.1.4 回顾 .......................................................................................................................................... 71.2 KNN——相似的邻居请投票 ........................................................................................ 71.2.1 模型原理 .................................................................................................................................. 71.2.2 鸢尾花卉数据集（IRIS） ....................................................................................................... 91.2.3 训练模型 .................................................................................................................................. 91.2.4 评估模型 ................................................................................................................................ 121.2.5 关于KNN ............................................................................................................................... 141.2.6 运用KNN 模型 ...................................................................................................................... 151.2.7 回顾 ........................................................................................................................................ 161.3 逻辑分类I：线性分类模型 ........................................................................................ 161.3.1 参数化的模型 ........................................................................................................................ 161.3.2 逻辑分类：预测..................................................................................................................... 181.3.3 逻辑分类：评估..................................................................................................................... 221.3.4 逻辑分类：训练..................................................................................................................... 231.3.5 回顾 ........................................................................................................................................ 241.4 逻辑分类II：线性分类模型 ....................................................................................... 241.4.1 寻找模型的权重..................................................................................................................... 24VI ?O 机器学习之路——Caffe、Keras、scikit-learn 实战1.4.2 去均值和归一化..................................................................................................................... 311.4.3 实现 ........................................................................................................................................ 331.4.4 回顾 ........................................................................................................................................ 34第2 章 机器学习进阶 .................................................................................. 352.1 特征工程 ...................................................................................................................... 352.1.1 泰坦尼克号生存预测 ............................................................................................................. 352.1.2 两类特征 ................................................................................................................................ 382.1.3 构造非线性特征..................................................................................................................... 412.1.4 回顾 ........................................................................................................................................ 452.2 调试模型 ...................................................................................................................... 462.2.1 模型调试的目标..................................................................................................................... 462.2.2 调试模型 ................................................................................................................................ 492.2.3 回顾 ........................................................................................................................................ 522.3 分类模型评估指标 ...................................................................................................... 532.3.1 混淆矩阵系指标..................................................................................................................... 532.3.2 评估曲线 ................................................................................................................................ 582.3.3 回顾 ........................................................................................................................................ 612.4 回归模型 ...................................................................................................................... 612.4.1 回归与分类 ............................................................................................................................ 612.4.2 线性回归 ................................................................................................................................ 622.4.3 波士顿房价预测..................................................................................................................... 662.4.4 泰坦尼克号生存预测：回归预测特征年龄Age .................................................................. 692.4.5 线性模型与非线性模型 ......................................................................................................... 722.4.6 回顾 ........................................................................................................................................ 732.5 决策树模型 .................................................................................................................. 732.5.1 信息与编码 ............................................................................................................................ 742.5.2 决策树 .................................................................................................................................... 762.5.3 对比线性模型和决策树模型的表现 ..................................................................................... 772.5.4 回顾 ........................................................................................................................................ 792.6 模型融合 ...................................................................................................................... 802.6.1 融合成群体（Ensamble） ..................................................................................................... 802.6.2 Bagging：随机森林（Random Forest） ............................................................................... 82目录 ?O VII2.6.3 Boosting：GBDT ................................................................................................................... 832.6.4 Stacking ......................................................................................
作者介绍
阿布：多年互联网金融技术从业经验，曾就职于奇虎360、百度互联网证券、百度金融等互联网型金融公司，现自由职业，个人量化交易者，擅长个人中小资金量化交易领域系统开发，以及为中小型量化私募资金提供技术解决方案、技术支持、量化培训等工作。|胥嘉幸：北京大学硕士，先后就职于百度金融证券、百度糯米搜索部门。多年致力于大数据机器学习方面的研究，有深厚的数学功底和理论支撑。在将机器学习技术融于传统金融量化领域方面颇有研究。
序言
-
【封面】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价