二手正版用Python动手学机器学习9787115550583
¥
17.86
2.0折
¥
89
八五品
仅1件
作者伊藤真
出版社人民邮电出版社
ISBN9787115550583
出版时间2021-02
装帧平装
开本32开
定价89元
货号9787115550583
上书时间2024-06-07
商品详情
- 品相描述:八五品
- 商品描述
-
作者简介
伊藤真(作者)
日本栃木县人,目前居住在神奈川县。
2000年获得日本东北大学大学院信息科学博士学位,研究内容为小鼠导航行为的数理模型。2004年~2016年在冲绳科学技术大学院大学担任神经计算单元实验小组负责人,主要研究如何通过强化学习模型解释小鼠的选择行为和脑活动。
2017年入职Progress Technologies株式会社,研究人工智能的产业应用。
爱好是用瓦楞纸板做手工艺品。
郑明智(译者)
智慧医疗工程师。主要研究方向为医疗与前沿ICT技术的结合及其应用,密切关注人工智能、5G、量子计算等领域。译有《松本行弘:编程语言的设计与实现》《深度学习基础与实践》《详解深度学习》《白话机器学习的数学》等书。
司磊(译者)
硕士毕业于日本芝浦工业大学理工学研究科,研究方向为电气电子信息工学,该校智能系统实验室成员。目前在某智能设备厂商任系统工程师。喜欢读书、跑步、学习新知识以及尝试实现一些好玩的idea。
目录
章学习前的准备1
1.1关于机器学习2
1.1.1学习机器学习的窍门4
1.1.2机器学习中问题的分类5
1.1.3本书的结构6
1.2安装Python7
1.3Jupyter Notebook11
1.3.1Jupyter Notebook的用法11
1.3.2输入Markdown格式文本14
1.3.3更改文件名16
1.4安装Keras和TensorFlow17
第2章Python基础知识19
2.1四则运算20
2.1.1四则运算的用法20
2.1.2幂运算20
2.2变量21
2.2.1利用变量进行计算21
2.2.2变量的命名21
2.3类型22
2.3.1类型的种类22
2.3.2检查类型22
2.3.3字符串23
2.4print语句24
2.4.1print语句的用法24
2.4.2同时显示数值和字符串的方法124
2.4.3同时显示数值和字符串的方法225
2.5list(数组变量)26
2.5.1list的用法26
2.5.2二维数组27
2.5.3创建连续的整数数组28
2.6tuple(数组)29
2.6.1tuple的用法29
2.6.2读取元素29
2.6.3长度为1的tuple30
2.7if语句31
2.7.1if语句的用法31
2.7.2比较运算符32
2.8for语句33
2.8.1for语句的用法33
2.8.2enumerate的用法33
2.9向量34
2.9.1NumPy的用法34
2.9.2定义向量35
2.9.3读取元素36
2.9.4替换元素36
2.9.5创建连续整数的向量36
2.9.6ndarray的注意事项37
2.10矩阵38
2.10.1定义矩阵38
2.10.2矩阵的大小38
2.10.3读取元素39
2.10.4替换元素39
2.10.5生成元素为0和1的ndarray39
2.10.6生成元素随机的矩阵40
2.10.7改变矩阵的大小41
2.11矩阵的四则运算41
2.11.1矩阵的四则运算41
2.11.2标量×矩阵42
2.11.3算术函数42
2.11.4计算矩阵乘积43
2.12切片43
2.13替换满足条件的数据45
2.14help46
2.15函数47
2.15.1函数的用法47
2.15.2参数与返回值47
2.16保存文件49
2.16.1保存一个ndarray类型变量49
2.16.2保存多个ndarray类型变量49
第3章数据可视化51
3.1绘制二维图形52
3.1.1绘制随机图形52
3.1.2代码清单的格式53
3.1.3绘制三次函数f(x)=(x-2)x(x+2)53
3.1.4确定绘制范围54
3.1.5绘制图形55
3.1.6装饰图形55
3.1.7并列显示多张图形58
3.2绘制三维图形59
3.2.1包含两个变量的函数59
3.2.2用颜色表示数值:pcolor60
3.2.3绘制三维图形:surface62
3.2.4绘制等高线:contour64
第4章机器学习中的数学67
4.1向量68
4.1.1什么是向量68
4.1.2用Python定义向量69
4.1.3列向量的表示方法69
4.1.4转置的表示方法70
4.1.5加法和减法71
4.1.6标量积73
4.1.7内积74
4.1.8向量的模75
4.2求和符号76
4.2.1带求和符号的数学式的变形77
4.2.2通过内积求和79
4.3累乘符号79
4.4导数80
4.4.1多项式的导数80
4.4.2带导数符号的数学式的变形82
4.4.3复合函数的导数83
4.4.4复合函数的导数:链式法则84
4.5偏导数85
4.5.1什么是偏导数85
4.5.2偏导数的图形87
4.5.3绘制梯度的图形89
4.5.4多变量的复合函数的偏导数91
4.5.5交换求和与求导的顺序93
4.6矩阵95
4.6.1什么是矩阵95
4.6.2矩阵的加法和减法97
4.6.3标量积99
4.6.4矩阵的乘积100
4.6.5单位矩阵103
4.6.6逆矩阵105
4.6.7转置107
4.6.8矩阵和联立方程式109
4.6.9矩阵和映射111
4.7指数函数和对数函数113
4.7.1指数113
4.7.2对数115
4.7.3指数函数的导数118
4.7.4对数函数的导数120
4.7.5Sigmoid函数121
4.7.6Softmax函数123
4.7.7Softmax函数和Sigmoid函数127
4.7.8高斯函数128
4.7.9二维高斯函数129
第5章有监督学习:回归135
5.1一维输入的直线模型136
5.1.1直线模型138
5.1.2平方误差函数139
5.1.3求参数(梯度法)142
5.1.4直线模型参数的解析解148
5.2二维输入的平面模型152
5.2.1数据的表示方法154
5.2.2平面模型155
5.2.3平面模型参数的解析解157
5.3D维线性回归模型159
5.3.1D维线性回归模型160
5.3.2参数的解析解160
5.3.3扩展到不通过原点的平面164
5.4线性基底函数模型165
5.5过拟合问题171
5.6新模型的生成181
5.7模型的选择185
5.8小结186
第6章有监督学习:分类189
6.1一维输入的二元分类190
6.1.1问题设置190
6.1.2使用概率表示类别分类194
6.1.3优选似然估计196
6.1.4逻辑回归模型199
6.1.5交叉熵误差201
6.1.6学习法则的推导205
6.1.7通过梯度法求解209
6.2二维输入的二元分类210
6.2.1问题设置210
6.2.2逻辑回归模型214
6.3二维输入的三元分类219
6.3.1三元分类逻辑回归模型219
6.3.2交叉熵误差222
6.3.3通过梯度法求解223
第7章神经网络与深度学习227
7.1神经元模型229
7.1.1神经细胞229
7.1.2神经元模型230
7.2神经网络模型234
7.2.1二层前馈神经网络234
7.2.2二层前馈神经网络的实现237
7.2.3数值导数法242
7.2.4通过数值导数法应用梯度法246
7.2.5误差反向传播法251
7.2.6求.E/.vkj252
7.2.7求.E/.wji256
7.2.8误差反向传播法的实现262
7.2.9学习后的神经元的特性268
7.3使用Keras实现神经网络模型270
7.3.1二层前馈神经网络271
7.3.2Keras的使用流程273
第8章神经网络与深度学习的应用(手写数字识别)277
8.1MINST数据集278
8.2二层前馈神经网络模型279
8.3ReLU激活函数286
8.4空间过滤器291
8.5卷积神经网络295
8.6池化300
8.7Dropout301
8.8融合了各种特性的MNIST识别网络模型302
第9章无监督学习307
9.1二维输入数据308
9.2K-means算法310
9.2.1K-means算法的概要310
9.2.2步骤0:准备变量与初始化311
9.2.3步骤1:更新R313
9.2.4步骤2:更新μ315
9.2.5失真度量318
9.3混合高斯模型320
9.3.1基于概率的聚类320
9.3.2混合高斯模型323
9.3.3EM算法的概要328
9.3.4步骤0:准备变量与初始化329
9.3.5步骤1(步骤E):更新γ330
9.3.6步骤2(步骤M):更新π、μ和Σ332
9.3.7似然336
0章本书小结339
后记349
内容摘要
本书是面向机器学习新手的入门书,从学习环境的搭建开始,图文并茂地介绍了学习机器学习所需的Python知识和数学知识,并在此基础上结合数学式、示例程序、插图等,抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等进行了介绍。本书既有图形、代码,又有详细的数学式推导过程,大大降低了机器学习的学习门槛,即使没有学过Python、数学基础不太好,也可以看懂。
主编推荐
面向机器学习新手的入门书,透彻掌握机器学习基础知识
341个公式:推导过程全公开
175段代码:边试边学效率高
167张插图:以图配文好理解
支持Jupyter Notebook
配套源码&资源可下载
1.Jupyter Notebook交互式编程环境,让学习过程不枯燥
使用Jupyter Notebook,你可以在线编码、运行,并将结果绘图,还可以记笔记、随时修改代码并查看运行效果,在不断探索中掌握实战能力。
2.公式和代码一一对应,让理解更深入
通过一步一步地推导公式,手把手教你代码实践,一行行公式与一行行代码相结合,帮助你直观、透彻地理解算法流程。
3.循序渐近,真正适合初学者
从环境搭建讲起,然后介绍Python和数学基础知识,再介绍有监督学习中的回归和分类问题、神经网络模型和手写数字识别,以及无监督学习中的聚类问题,对每个知识点都有细致解释,力求通俗易懂。读完本书,你将掌握足以阅读经典专业书的能力。
— 没有更多了 —
以下为对购买帮助不大的评价