机器学习开发实战
正版保障 假一赔十 可开发票
￥ 76.4 6.4折 ￥ 119 全新
库存100件
广东广州
认证卖家担保交易快速发货售后保障
作者(意)迪诺·埃斯波西托(Dino Esposito)，弗朗西斯科·埃斯波西托(Francesco Esposito)著
出版社机械工业出版社
ISBN9787111728245
出版时间2023-06
装帧平装
开本16开
定价119元
货号12967759
上书时间2024-08-27
商品详情
- 品相描述：全新
- 商品描述
-
目录
CONTENTS<br />目 录<br />译者序<br />前言<br />致谢<br />作者简介<br />第一部分 机器学习基础<br />第1章 人类是如何学习的 2<br />1.1 迈向思考型机器 2<br />1.1.1 机器推理的曙光 3<br />1.1.2 哥德尔不完备定理 3<br />1.1.3 计算机的形式化 3<br />1.1.4 迈向人类思想的形式化 4<br />1.1.5 人工智能学科的诞生 5<br />1.2 学习机理 6<br />1.2.1 到底什么是智能软件 6<br />1.2.2 神经元是如何工作的 7<br />1.2.3 胡萝卜加大棒法<br />（软硬兼施） 10<br />1.2.4 应变能力 12<br />1.3 人工智能的形式 13<br />1.3.1 原始智能 13<br />1.3.2 专家系统 13<br />1.3.3 自治系统 15<br />1.3.4 人工的情感形式 17<br />1.4 本章小结 18<br />第2章 智能软件 19<br />2.1 应用人工智能 19<br />2.1.1 软件智能的发展 19<br />2.1.2 专家系统 20<br />2.2 通用人工智能 22<br />2.2.1 无监督学习 22<br />2.2.2 监督学习 24<br />2.3 本章小结 26<br />第3章 映射问题和算法 27<br />3.1 基本问题 27<br />3.1.1 对象分类 28<br />3.1.2 结果预测 30<br />3.1.3 对象分组 31<br />3.2 更复杂的问题 33<br />3.2.1 图像分类 33<br />3.2.2 目标检测 34<br />3.2.3 文本分析 34<br />3.3 自动机器学习 35<br />3.3.1 AutoML平台的<br />特性 35<br />3.3.2 运行中的AutoML Model Builder 37<br />3.4 本章小结 40<br />第4章 机器学习解决方案的<br />一般步骤 42<br />4.1 数据收集 42<br />4.1.1 组织中的数据驱动文化 43<br />4.1.2 存储选项 44<br />4.2 数据准备 45<br />4.2.1 提高数据质量 45<br />4.2.2 清理数据 46<br />4.2.3 特征工程 47<br />4.2.4 最终确定训练数据集 48<br />4.3 模型选择及训练 50<br />4.3.1 算法备忘录 51<br />4.3.2 神经网络案例 53<br />4.3.3 评估模型性能 54<br />4.4 模型部署 55<br />4.4.1 选择合适的主机平台 55<br />4.4.2 公开API 56<br />4.5 本章小结 56<br />第5章 数据因素 58<br />5.1 数据质量 58<br />5.1.1 数据有效性 58<br />5.1.2 数据收集 59<br />5.2 数据完整性 60<br />5.2.1 完备性 61<br />5.2.2 专享性 61<br />5.2.3 及时性 61<br />5.2.4 准确性 61<br />5.2.5 一致性 62<br />5.3 到底什么是数据科学家 62<br />5.3.1 工作中的数据科学家 62<br />5.3.2 数据科学家工具箱 63<br />5.3.3 数据科学家和软件<br />开发人员 63<br />5.4 本章小结 64<br />第二部分 .NET中的机器学习<br />第6章 .NET方式 66<br />6.1 为什么用或不用Python 67<br />6.1.1 为什么在机器学习中<br />Python如此受欢迎 67<br />6.1.2 Python机器学习库的<br />分类 68<br />6.1.3 基于Python模型的端到<br />端解决方案 70<br />6.2 ML.NET简介 72<br />6.2.1 在ML.NET中创建和<br />使用模型 72<br />6.2.2 学习环境的要素 74<br />6.3 本章小结 78<br />第7章 实现ML.NET管道 79<br />7.1 从数据开始 79<br />7.1.1 探索数据集 80<br />7.1.2 应用公共数据转换 80<br />7.1.3 关于数据集的注意事项 81<br />7.2 训练步骤 81<br />7.2.1 选择算法 82<br />7.2.2 评估算法的性能 82<br />7.2.3 计划测试阶段 83<br />7.2.4 指标预览 83<br />7.3 从客户端应用程序中预测价格 84<br />7.3.1 获取模型文件 84<br />7.3.2 设置ASP.NET应用程序 85<br />7.3.3 预测出租车费 85<br />7.3.4 设计适当的用户界面 87<br />7.3.5 质疑数据和解决问题的<br />方法 88<br />7.4 本章小结 88<br />第8章 ML.NET任务及算法 89<br />8.1 ML.NET的整体框架 89<br />8.1.1 涉及的类型和接口 89<br />8.1.2 数据表示 90<br />8.1.3 支持的目录 92<br />8.2 分类任务 94<br />8.2.1 二值分类 94<br />8.2.2 多分类 98<br />8.3 聚类任务 103<br />8.3.1 准备工作数据 103<br />8.3.2 训练模型 104<br />8.3.3 评估模型 105<br />8.4 迁移学习 107<br />8.4.1 建立图像分类器的步骤 108<br />8.4.2 应用必要的数据转换 108<br />8.4.3 模型的构建和训练 110<br />8.4.4 关于迁移学习的补充<br />说明 112<br />8.5 本章小结 112<br />第三部分 浅层学习基础<br />第9章 机器学习的数学基础 114<br />9.1 统计数据 114<br />9.1.1 统计平均值 115<br />9.1.2 统计众数 117<br />9.1.3 统计中位数 118<br />9.2 偏差和方差 119<br />9.2.1 统计学中的方差 120<br />9.2.2 统计学中的偏差 122<br />9.3 数据表示 122<br />9.3.1 五位数总结 122<br />9.3.2 直方图 123<br />9.3.3 散点图 124<br />9.3.4 散点图矩阵 125<br />9.3.5 以适当的比例绘图 125<br />9.4 本章小结 126<br />第10章 机器学习的度量 127<br />10.1 统计学与机器学习 127<br /> 10.1.1 机器学习的最终目标 128<br /> 10.1.2 从统计模型到机器学习<br />模型 129<br />10.2 机器学习模型的评价 130<br /> 10.2.1 从数据集到预测 131<br /> 10.2.2 测量模型的精度 132<br />10.3 准备处理数据 136<br /> 10.3.1 缩放 136<br /> 10.3.2 标准化 137<br /> 10.3.3 归一化 137<br />10.4 本章小结 137<br />第11章 如何进行简单预测：<br />线性回归 138<br />11.1 问题 138<br /> 11.1.1 根据数据指导预测结果 138<br /> 11.1.2 对关系进行假设 139<br />11.2 线性算法 141<br /> 11.2.1 总体思路 141<br /> 11.2.2 确定代价函数 142<br /> 11.2.3 普通的最小二乘算法 143<br /> 11.2.4 梯度下降算法 146<br /> 11.2.5 算法有多好 149<br />11.3 改进解决方案 149<br /> 11.3.1?多项式方法 149<br /> 11.3.2 正则化 150<br />11.4 本章小结 151<br />第12章 如何做出复杂的预测与<br />决定：决策树 152<br />12.1 问题 152<br /> 12.1.1 什么是树 153<br /> 12.1.2 机器学习中的树 153<br /> 12.1.3 基于树的算法示例 154<br />12.2 基于树的算法的设计原理 155<br /> 12.2.1 决策树与专家系统 155<br /> 12.2.2 树算法的种类 155<br />12.3 分类树 157<br /> 12.3.1 CART算法的实现 157<br /> 12.3.2 ID3算法的实现 160<br />12.4 回归树 162<br /> 12.4.1 算法的实现 162<br /> 12.4.2 剪枝 163<br />12.5 本章小结 164<br />第13章 如何做出更好的决策：<br />集成方法 165<br />13.1 问题 165<br />13.2 bagging技术 166<br /> 13.2.1 随机森林算法 166<br /> 13.2.2 算法步骤 168<br /> 13.2.3 优点与不足 169<br />13.3 boosting技术
— 没有更多了 —
以下为对购买帮助不大的评价