突围算法(机器学习算法应用)
①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 34.34 4.3折 ￥ 79 全新
库存2件
作者刘凡平
出版社电子工业出版社
ISBN9787121392634
出版时间2020-08
装帧平装
开本16开
定价79元
货号30937476
上书时间2024-10-12
- 在售商品 暂无
- 平均发货时间 16小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
前言
致谢
感谢身边志同道合的同学、朋友、同事和曾经对我严厉要求的老师们，每次向他们请教学习、探讨交流，都能让我从不同角度看到新的观点。
衷心感谢我的家人，感谢他们在过去的时间里对我的理解和支持，为我营造了一个良好的写作环境，并鼓励我坚持认真写作，使得本书能够顺利编写完成。
在本书编写过程中得到了很多朋友的支持和帮助，限于篇幅，虽然不能一一对他们表示感谢，但是对他们同样心怀感激。
*后，感谢这个时代，给予每一个有理想的人赋予实现人生价值的机会！望不负自己，不负韶华！刘凡平
商品简介本书主要对算法的原理进行了介绍，并融合大量的应用案例，详细介绍使用机器学习模型的一般方法，帮助读者理解算法原理，学会模型设计。本书首先介绍数据理解、数据的处理与特征，帮助读者认识数据；然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用；接着根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速；*后通过多个应用案例帮助读者加强对前面知识点的理解。
作者简介
刘凡平，硕士，毕业于中国科学技术大学，专注于大数据分析、搜索引擎、机器学习和深度学习研究，曾任职于微软亚太研发集团，现任职于百度（中国）有限公司，曾出版《大数据搜索引擎原理分析及编程》、《大数据时代的算法》，是执着于将互联网技术演绎为艺术的完美追求者。
目录
第1章 引言1
1.1 人工智能概述2
1.1.1 人工智能的分类2
1.1.2 人工智能的应用3
1.2 人工智能与传统机器学习5
1.2.1 人工神经网络与生物神经网络5
1.2.2 落地的关键因素6
1.3 机器学习算法领域发展综述8
1.3.1 计算机视觉9
1.3.2 自然语言处理10
1.3.3 语音识别11
1.4 小结13
参考文献13
第2章 数据理解16
2.1 数据的三个基本维度17
2.1.1 集中趋势17
2.1.2 离散趋势19
2.1.3 分布形态20
2.2 数据的统计推论的基本方法22
2.2.1 数据抽样22
2.2.2 参数估计24
2.2.3 假设检验26
2.3 数据分析31
2.3.1 基本理念31
2.3.2 体系结构32
2.3.3 传统数据分析方法与示例33
2.3.4 基于数据挖掘的数据分析方法与示例35
2.3.5 工作流程38
2.3.6 数据分析技巧40
2.3.7 数据可视化43
2.4 小结45
参考文献45
第3章 数据处理与特征47
3.1 数据的基本处理48
3.1.1 数据预处理48
3.1.2 数据清洗中的异常值判定和处理49
3.1.3 数据清洗中的缺失值填充51
3.2 数据的特征缩放和特征编码54
3.2.1 特征缩放54
3.2.2 特征编码57
3.3 数据降维58
3.3.1 基本思想与方法58
3.3.2 变量选择59
3.3.3 特征提取61
3.4 图像的特征分析68
3.4.1 图像预处理68
3.4.2 传统图像特征提取74
3.4.3 指纹识别77
3.5 小结78
参考文献79
第4章 机器学习基础81
4.1 统计学习82
4.1.1 统计学习概述82
4.1.2 一般研发流程83
4.2 机器学习算法分类85
4.2.1 体系框架85
4.2.2 模型的形式88
4.3 机器学习的学习规则90
4.3.1 误差修正学习90
4.3.2 赫布学习规则91
4.3.3 最小均方规则92
4.3.4 竞争学习规则93
4.3.5 其他学习规则94
4.4 机器学习的基础应用95
4.4.1 基于最小二乘法的回归分析95
4.4.2 基于K-Means的聚类分析98
4.4.3 基于朴素贝叶斯的分类分析101
4.5 小结103
参考文献103
第5章 模型选择和结构设计105
5.1 传统机器学习模型选择106
5.1.1 基本原则106
5.1.2 经典模型107
5.2 经典回归模型的理解和选择108
5.2.1 逻辑回归108
5.2.2 多项式回归109
5.2.3 各类回归模型的简单对比112
5.3 经典分类模型的理解和选择113
5.3.1 K近邻算法113
5.3.2 支持向量机114
5.3.3 多层感知器115
5.3.4 AdaBoost算法117
5.3.5 各类分类算法的简单对比118
5.4 经典聚类模型的理解和选择120
5.4.1 基于划分的聚类120
5.4.2 基于层次的聚类122
5.4.3 基于密度的聚类126
5.4.4 基于网格的聚类131
5.4.5 聚类算法的简单对比131
5.5 深度学习模型选择132
5.5.1 分类问题模型132
5.5.2 聚类问题模型138
5.5.3 回归预测模型139
5.5.4 各类深度学习模型的简单对比140
5.6 深度学习模型结构的设计方向141
5.6.1 基于深度的设计141
5.6.2 基于升维或降维的设计144
5.6.3 基于宽度和多尺度的设计145
5.7 模型结构设计中的简单技巧146
5.7.1 激活函数的选择146
5.7.2 隐藏神经元的估算147
5.7.3 卷积核串联使用148
5.7.4 利用Dropout提升性能149
5.8 小结150
参考文献151
第6章 目标函数设计154
6.1 损失函数155
6.1.1 一般简单损失函数155
6.1.2 图像分类场景经典损失函数156
6.1.3 目标检测中的经典损失函数158
6.1.4 图像分割中的经典损失函数159
6.1.5 对比场景中的经典损失函数161
6.2 风险最小化和设计原则165
6.2.1 期望风险、经验风险和结构风险165
6.2.2 目标函数的设计原则166
6.3 基于梯度下降法的目标函数优化167
6.3.1 理论基础167
6.3.2 常见的梯度下降法169
6.3.3 改进方法169
6.4 基于牛顿法的目标求解173
6.4.1 基本原理173
6.4.2 牛顿法的计算步骤174
6.5 小结175
参考文献176
第7章 模型训练过程设计178
7.1 数据选择179
7.1.1 数据集筛选179
7.1.2 难例挖掘180
7.1.3 数据增强181
7.2 参数初始化183
7.2.1 避免全零初始化183
7.2.2 随机初始化184
7.3 拟合的验证与判断185
7.3.1 过拟合的模型参数185
7.3.2 不同算法场景中的欠拟合和过拟合187
7.4 学习速率的选择188
7.4.1 学习速率的一般观测方法188
7.4.2 学习速率与批处理大小的关系189
7.5 迁移学习189
7.5.1 概念与基本方法189
7.5.2 应用示例：基于VGG-16的迁移思路190
7.6 分布式训练191
7.6.1 数据并行191
7.6.2 模型并行193
7.7 小结194
参考文献194
第8章 模型效果的评估与验证196
8.1 模型效果评估的一般性指标197
8.1.1 分类算法的效果评估197
8.1.2 聚类算法的效果评估201
8.1.3 回归算法的效果评估205
8.1.4 不同应用场景下的效果评估206
8.2 交叉验证208
8.2.1 基本思想208
8.2.2 不同的交叉验证方法209
8.3 模型的稳定性分析210
8.3.1 计算的稳定性210
8.3.2 数据的稳定性211
8.3.3 模型性能212
8.4 小结213
参考文献213
第9章 计算性能与模型加速215
9.1 计算优化216
9.1.1 问题与挑战216
9.1.2 设备与推断计算216
9.2 性能指标217
9.2.1 计算平台的重要指标：算力和带宽217
9.2.2 模型的两个重要指标：计算量和访存量218
9.3 模型压缩与裁剪219
9.3.1 问题背景219
9.3.2 基本思路和方法220
9.4 小结221
参考文献221
第10章 应用案例专题223
10.1 求解二元一次方程224
10.1.1 问题分析224
10.1.2 模型设计225
10.2 鸢尾花的案例分析226
10.2.1 数据说明226
10.2.2 数据理解和可视化227
10.2.3 数据特征的降维230
10.2.4 数据分类231
10.2.5 数据聚类235
10.3 形体识别237
10.3.1 问题定义237
10.3.2 应用形式239
10.3.3 数据准备与处理241
10.3.4 技术方案与模型设计243
10.3.5 改进思考245
10.4 小结246
参考文献246
内容摘要
本书主要对算法的原理进行了介绍，并融合大量的应用案例，详细介绍使用机器学习模型的一般方法，帮助读者理解算法原理，学会模型设计。本书首先介绍数据理解、数据的处理与特征，帮助读者认识数据；然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用；接着根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速；最后通过多个应用案例帮助读者加强对前面知识点的理解。
主编推荐
"1.强调数据。介绍数据理解、数据的处理与特征，帮助读者认识数据。
2.注重基础。从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用。
3.落点项目。根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速。
4.突出应用。通过多个应用案例帮助读者加强对前面知识点的理解。"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价