机器学习与深度学习算法基础
正版图书，可开发票，请放心购买。
￥ 56.32 6.3折 ￥ 89 全新
库存10件
广东广州
认证卖家担保交易快速发货售后保障
作者贾壮
出版社北京大学出版社有限公司
ISBN9787301313473
出版时间2019-03
装帧平装
开本16开
定价89元
货号9887194
上书时间2024-07-02
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
贾壮，毕业于清华大学自动化系，专业为模式识别与智能系统方向。主要从事于机器学习与深度学习在图像处理以及地球物理领域内的相关应用研究，对机器学习相关算法有较深的理解。参与过多项机器学习相关工程项目，发表SCI期刊论文及会议论文数篇。曾获得国家奖学金、数学建模一等奖、优秀毕业生等奖项和荣誉称号。
目录
目 录
第一篇 经典机器学习模型
第1章 引言：从线性回归说起 2
1.1 什么是机器学习 3
1.1.1 传统算法与机器学习算法 4
1.1.2 线性回归 9
1.2 过拟合与正则化 10
1.2.1 样本量与过拟合 10
1.2.2 正则化方法 12
1.3 岭回归和lasso回归 14
1.3.1 岭回归 14
1.3.2 lasso回归 17
1.3.3 l1正则化和l2正则化 17
1.4 本章小结与代码实现 21
1.5 本章话题：机器学习的
一般原理 25
第2章 阴阳剖分：支持向量机模型 30
2.1 支持向量机模型的基本思路 30
2.1.1 支持向量机模型的
基本思路 31
2.1.2 支持向量机算法的
基本流程 34
2.2 数学形式与求解方法 34
2.2.1 数学知识补充 35
2.2.2 数学模型与理论推导 36
2.3 核方法与维度问题 38
2.3.1 核方法的含义 39
2.3.2 核函数SVM 39
2.4 软间隔支持向量机 41
2.4.1 软间隔的含义 41
2.4.2 软间隔SVM的损失
函数 42
2.5 本章小结与代码实现 44
2.6 本章话题：高维度，是灾难
还是契机？ 46
第3章 化直为曲：逻辑斯蒂回归 50
3.1 逻辑斯蒂回归的基本原理 50
3.1.1 分类问题与回归问题 51
3.1.2 逻辑斯蒂回归算法思路 53
3.2 逻辑斯蒂函数 56
3.2.1 逻辑斯蒂函数的由来 56
3.2.2 逻辑斯蒂函数的优势 58
3.3 逻辑斯蒂回归的数学原理 59
3.3.1 逻辑斯蒂回归的数学
形式 59
3.3.2 准确率和召回率 62
3.4 参数确定的方法 65
3.4.1 似然函数简介 65
3.4.2 逻辑斯蒂回归的损失
函数 66
3.5 多项逻辑斯蒂回归 67
3.5.1 多分类问题的逻辑斯蒂
回归 67
3.5.2 softmax函数 68
3.6 本章小结与代码实现 69
3.7 本章话题：广义线性模型 72
第4章 层层拷问：决策树模型 77
4.1 模型思路与算法流程 78
4.1.1 决策树的思路——
以读心术游戏为例 78
4.1.2 决策树模型的基本流程 81
4.1.3 决策树模型的关键问题 87
4.2 特征选择原则 87
4.2.1 信息增益原则 87
4.2.2 信息增益比原则 89
4.2.3 基尼系数原则 89
4.3 剪枝策略 90
4.4 常用决策树模型：ID3与
C4.5算法 92
4.4.1 ID3算法 92
4.4.2 C4.5算法 92
4.5 多变量决策树简介 93
4.6 本章小结与代码实现 94
4.7 本章话题：信息论与
特征选择 97
第5章 近朱者赤：k近邻模型 101
5.1 模型的思路和特点 101
5.1.1 模型思路 101
5.1.2 懒惰学习与迫切学习 103
5.2 模型的相关性质 105
5.2.1 数学形式 105
5.2.2 损失函数与误差 108
5.2.3 k近邻模型的改进 109
5.3 距离函数与参数选择 111
5.3.1 距离函数 111
5.3.2 参数选择的影响 114
5.4 本章小结与代码实现 115
5.5 本章话题：相似性度量 119
第6章 执果索因：朴素贝叶斯
模型 123
6.1 贝叶斯方法的基本概念 123
6.1.1 贝叶斯学派与频率
学派 124
6.1.2 全概率公式与贝叶斯
公式 127
6.2 朴素贝叶斯的原理和方法 133
6.2.1 朴素贝叶斯的“朴素”
假设 133
6.2.2 拉普拉斯平滑 135
6.3 朴素贝叶斯算法的步骤与
流程 137
6.4 生成式模型与判别式模型 138
6.5 本章小结与代码实现 138
6.6 本章话题：贝叶斯思维与
先验概念 141
第7章 提纲挈领：线性判别分析与
主成分分析 144
7.1 线性降维的基本思路 144
7.2 LDA 146
7.2.1 投影的技巧 146
7.2.2 类内距离和类间距离 147
7.2.3 LDA的求解 149
7.3 PCA 151
7.3.1 基变换与特征降维 151
7.3.2 方差最大化与PCA原理
推导 154
7.3.3 PCA的实现步骤 158
7.4 LDA与PCA：区别与
联系 158
7.5 本章小结与代码实现 159
7.5.1 LDA实验：鸢尾花
数据集降维分类 159
7.5.2 PCA实验：手写数字
数据集降维 161
7.6 本章话题：矩阵的直观解释
与应用 162
第8章 曲面平铺：流形学习 166
8.1 流形与流形学习 166
8.2 Isomap的基本思路与
实现方法 170
8.2.1 测地距离的概念 170
8.2.2 计算测地距离：图论中的
Floyd算法 172
8.2.3 由距离到坐标：多维尺度
变换方法 173
8.3 Isomap算法步骤 175
8.4 LLE的基本思路与
实现方法 175
8.4.1 LLE的基本思想 175
8.4.2 局部线性重构 176
8.5 LLE算法步骤 177
8.6 本章小结与代码实现 178
8.7 本章话题：黎曼、非欧几何
与流形感知 180
第9章 物以类聚：聚类算法 185
9.1 无监督方法概述 185
9.2 聚类的基本目标和评价
标准 187
9.2.1 聚类的基本目标 187
9.2.2 聚类的评价标准 188
9.3 基于中心的k-means
算法 191
9.3.1 k-means算法的基本
思路 191
9.3.2 k-means算法步骤 193
9.3.3 k-means算法的局
限性 195
9.4 层次聚类算法 196
9.4.1 层次聚类的基本原理 196
9.4.2 层次聚类的AGNES
算法 199
9.5 密度聚类算法：DBSCAN 200
9.5.1 DBSCAN算法的基本
思路 200
9.5.2 DBSCAN算法步骤 201
9.6 本章小结与代码实现 203
9.7 本章话题：Science上的一种
巧妙聚类算法 205
第10章 字典重构：稀疏编码 209
10.1 稀疏编码的思路 209
10.1.1 神经生物学的发现 210
10.1.2 过完备性与稀疏性 210
10.2 稀疏编码的数学形式 213
10.3 字典学习中的“字典” 215
10.3.1 传统算法中的
“字典” 215
10.3.2 “字典”学习的意义 216
10.4 本章小结与代码实现 217
10.5 本章话题：压缩感知理论
简介 220
第11章 教学相长：直推式支持
向量机 223
11.1 半监督学习简介 223
11.2 T-SVM模型 227
11.2.1 T-SVM的基本思路 227
11.2.2 T-SVM算法步骤 228
11.3 本章小结与代码实现 229
11.4 本章话题：不同样本集场景
下的问题处理策略 233
第12章 群策群力：集成学习 236
12.1 自举汇聚和提升 236
12.1.1 Bagging算法和Boosting
算法的基本思路 237
12.1.2 Bagging算法和Boosting
算法的区别与联系 240
12.2 Bagging算法的基本
步骤 241
12.3 Boosting算法的基本
步骤 242
12.4 Bagging算法：以随机
森林算法为例 243
12.4.1 随机森林算法 243
12.4.2 随机森林算法中的
随机性 244
12.5 Boosting算法：以Adaboost
算法为例 244
12.5.1 Adaboost算法的实现
步骤 245
12.5.2 Adaboost算法过程
分析 245
12.6 本章小结与代码实现 246
12.7 本章话题：Adaboost算法
中的分步策略 249
第二篇 深度学习模型与方法
第13章 神经网络与深度学习：从感知机模型到阿尔法狗 254
13.1 感知机模型 256
13.1.1 感知机模型的基本原理
与数学形式 256
13.1.2 感知机模型的缺陷与
改进 260
13.2 人工神经网络 262
13.2.1 生物神经元与感知机
模型 262
13.2.2 人工神经网络方法
简介 264
13.2.3 反向传播算法 265
13.2.4 神经网络的优势 267
13.3 需要深度学习的原因 268
13.4 神经网络模型的局限性 268
13.5 常用神经网络框架简介 270
13.6 本章话题：人工智能发展
大事年表 271
第14章 精细解剖：神经网络的
基本构成单元 273
14.1 神经元结构 273
14.1.1 M-P神经元结构 274
14.1.2 脉冲神经网络神经元 275
14.2 激活函数 277
14.2.1 Sigmoid函数和
tanh函数 277
14.2.2 ReLU函数及其
衍生体 280
14.2.3 大一统：Maxout 283
14.3 损失函数 286
14.3.1 交叉熵损失函数 286
14.3.2 l1损失函数和均方
误差损失函数 291
14.4 下降方法与策略 296
14.4.1 批量梯度下降与随机
梯度下降 297
14.4.2 AdaGrad算法和RMSProp
算法 298
14.4.3 不需要设置学习率的AdaDelta算法 299
14.4.4 动量相关的下降策略 299
14.5 本章话题：神经网络搭建与
训练技巧 300
14.5.1 数据增广 300
14.5.2 初始化 301
14.5.3 Dropout 301
14.5.4 批规范化 302
14.5.5 预训练与微调 302
14.5.6 学习率设置 303
第15章 机器之瞳：卷积神经网络与
计算机视觉 304
15.1 计算机视觉与自然图像 304
15.2 CNN的基本原理 308
15.2.1 卷积层 309
15.2.2 池化层 316
15.2.3 全连接层 319
15.3 经典CNN模型简介 320
15.3.1 源头：LeNet 320
15.3.2 崭露头角：AlexNet 322
15.3.3 向深而行：VGG 323
15.3.4 打破瓶颈：ResNet 324
15.3.5 多尺度融合：
GoogLeNet 327
15.4 用PyTorch实现一个卷积
神经网络 331
15.5 本章话题：谈谈卷积 338
第16章 时序利器：循环神经
网络 343
16.1 RNN的原理和结构 343
16.2 RNN的训练方法 348
16.3 LSTM网络和GRU
网络 350
16.3.1 LSTM网络的结构
和原理 350
16.3.2 GRU网络的结构
和原理 353
16.4 代码实现：用RNN模型
进行情感分析 354
16.5 本章话题：自然语言处理
任务 362
第17章 左右互搏：生成对抗
网络 365
17.1 对抗样本与神经网络的
攻击算法 365
17.1.1 聪明的汉斯 366
17.1.2 生成对抗样本的思路 367
17.1.3 对抗样本的启发 368
17.2 GAN的原理 369
17.3 GAN算法的数学形式 370
17.4 经典GAN模型简介 372
17.4.1 DCGAN 372
17.4.2 pix2pix 374
17.5 动手搭建一个GAN
模型 375
17.6 本章话题：生成对抗网络
模型一些有趣的应用 382
第18章 尾声：无处不在的机器学习
与普惠的人工智能 384
18.1 人工智能和机器学习算法
的应用 384
18.2 机器学习处理实际问题的
基本流程 388
18.3 本书模型总结 389
18.4 相关学习资料推荐 390
内容摘要
本书从机器学习的概念与基本原理开始，介绍了机器学习及近年来流行的深度学习领域的经典模型。阅读本书可以让读者系统地了解机器学习和深度学习领域的基本知识，领会模型算法的思路与策略。本书分为两篇，共18章。一篇为经典机器学习模型，主要介绍常用的机器学习经典模型，包括线性回归、支持向量机模型、逻辑斯蒂回归、决策树模型、k近邻、朴素贝叶斯、线性判别分析和主成分分析、流形学习、聚类算法、稀疏编码、直推式支持向量机、集成算法。第二篇为深度学习模型与方法，剖析神经网络的基本要素，并介绍常用的深度学习模型，包括感知机、卷积神经网络、循环神经网络、生成对抗网络。本书试图从初学者的角度对机器学习和深度学习的经典算法进行详细阐述。本书插图丰富，语言通俗易懂，适合初入机器学习领域的“萌新”，也适合希望将机器学习算法应用到日常工作中的其他专业从业者，还可供对人工智能领域感兴趣的读者参考阅读。
主编推荐
1.全面：涉及机器学习领域中常见的经典模型，以及新兴的深度学习中的卷积神经网络、循环神经网络、生成对抗网络等模型。 2.细致：不仅对算法思路的进行了详细的梳理和分析，还对算法中每个步骤、每条公式的含义都进行了细致的讲解。 3.通用：让读者学习到经典模型的算法步骤和数学形式，更重要的是理解每个算法形成的思路和过程，培养算法思维，获得在日常工作和学习中更为通用的能力。 4.扩展：每章的*后一节都有一个关于相关话题的讨论，可以使读者拓展视野，增加阅读的深度、广度。
精彩内容
本书从机器学习的概念与基本原理开始，介绍了机器学习及近年来流行的深度学习领域的经典模型。阅读本书可以让读者系统地了解机器学习和深度学习领域的基本知识，领会模型算法的思路与策略。
本书分为两篇，共18章。第一篇为经典机器学习模型，主要介绍常用的机器学习经典模型，包括线性回归、支持向量机模型、逻辑斯蒂回归、决策树模型、k近邻、朴素贝叶斯、线性判别分析和主成分分析、流形学习、聚类算法、稀疏编码、直推式支持向量机、集成算法。第二篇为深度学习模型与方法，剖析神经网络的基本要素，并介绍常用的深度学习模型，包括感知机、卷积神经网络、循环神经网络、生成对抗网络。
本书试图从初学者的角度对机器学习和深度学习的经典算法进行详细阐述。本书插图丰富，语言通俗易懂，适合初入机器学习领域的“萌新”，也适合希望将机器学习算法应用到日常工作中的其他专业从业者，还可供对人工智能领域感兴趣的读者参考阅读。
媒体评论
从算法原理、算法思维到公式再到代码实战，图解13种经典机器学习算法+4种深度学习模型，不仅告诉你是什么，还告诉你为什么，以及怎么用！
机器学习+深度学习算法一本通 1.全面：涉及机器学习领域中常见的经典模型，以及新兴的深度学习中的卷积神经网络、循环神经网络、生成对抗网络等模型。
2.细致：不仅对算法思路的进行了详细的梳理和分析，还对算法中每个步骤、每条公式的含义都进行了细致的讲解。
3.通用：让读者学习到经典模型的算法步骤和数学形式，更重要的是理解每个算法形成的思路和过程，培养算法思维，获得在日常工作和学习中更为通用的能力。
4.扩展：每章的最后一节都有一个关于相关话题的讨论，可以使读者拓展视野，增加阅读的深度、广度。
— 没有更多了 —
以下为对购买帮助不大的评价