Swift机器学习 面向iOS的人工智能实战 9787111664994
全新正版 _可开发票_极速发货
￥ 51.13 5.7折 ￥ 89 全新
仅1件
天津西青
认证卖家担保交易快速发货售后保障
作者(乌)亚历山大·索诺夫琴科
出版社机械工业出版社
ISBN9787111664994
出版时间2021-01
装帧平装
开本16开
定价89元
货号1202182878
上书时间2024-09-17
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
译者序
原书前言
关于作者
关于评审者
章机器学习入门1
1.1什么是人工智能1
1.2机器学习的动机2
1.3什么是机器学习3
1.4机器学习的应用3
1.4.1数字信号处理4
1.4.2计算机视觉4
1.4.3自然语言处理4
1.4.4机器学习的其他应用5
1.5利用机器学习构建iOS智能应用程序5
1.6了解数据6
1.6.1特征7
1.6.2特征类型7
1.6.3选择适当的特征集8
1.6.4获取数据集9
1.6.5数据预处理10
1.7模型选择10
1.7.1机器学习算法类型10
1.7.2监督学习11
1.7.3无监督学习12
1.7.4强化学习13
1.7.5数学优化－学习的工作原理13
1.7.6移动端与服务器端的机器学习14
1.7.7了解移动平台的局限性15
1.8小结16
参考文献16
第2章分类－决策树学习17
2.1机器学习工具箱17
2.2个机器学习应用程序原型18
2.2.1工具19
2.2.2设置机器学习环境19
2.3IPythonnotebook速成21
2.4实践练习22
2.5用于“外星生命探索器”的机器学习23
2.6加载数据集24
2.7探索性数据分析25
2.8数据预处理28
2.8.1转换分类变量28
2.8.2从标签提取特征29
2.8.3独热编码29
2.8.4数据拆分30
2.9无处不在的决策树30
2.10训练决策树分类器30
2.10.1决策树可视化31
2.10.2预测33
2.10.3预测准确率评估33
2.10.4超参数调节35
2.10.5理解模型容量的权衡35
2.11决策树学习的工作原理36
2.11.1由数据自动生成决策树37
2.11.2组合熵37
2.11.3根据数据评估模型性能38
2.12在Swift中实现个机器学习应用程序42
2.13CoreML简介42
2.13.1CoreML特征42
2.13.2导出iOS模型42
2.13.3集成学习随机森林44
2.13.4训练随机森林44
2.13.5随机森林准确率评估44
2.13.6将CoreML模型导入iOS项目45
2.13.7iOS模型性能评估47
2.13.8决策树学习的优缺点50
2.14小结50
第3章k近邻分类器52
3.1距离计算52
3.1.1动态时间规整54
3.1.2在Swift中实现DTW56
3.2利用基于实例的模型进行分类和聚类58
3.3基于惯性传感器的人体运动识别59
3.4理解KNN算法59
3.4.1在Swift中实现KNN61
3.5基于KNN识别人体运动62
3.5.1冷启动问题63
3.5.2平衡数据集65
3.5.3选择适当的k值65
3.6高维空间中的推理66
3.7KNN的优点67
3.8KNN的缺点67
3.9改进的解决方案67
3.9.1概率解释67
3.9.2更多数据源68
3.9.3更智能的时间序列块68
3.9.4硬件加速68
3.9.5加速推理的决策树68
3.9.6利用状态迁移68
3.10小结68
参考文献69
第4章k－均值聚类70
4.1无监督学习70
4.2k－均值聚类算法概述71
4.3在Swift中实现k－均值72
4.3.1更新步骤74
4.3.2分配步骤74
4.4聚类地图中的对象75
4.5聚类个数选择77
4.6k－均值聚类－问题78
4.7k－均值＋＋79
4.8基于k－均值算法的图像分割82
4.9小结83
第5章关联规则学习84
5.1查看关联规则84
5.2定义数据结构85
5.3利用关联测度进行规则评估86
5.3.1支持度关联测度87
5.3.2置信度关联测度88
5.3.3提升度关联测度89
5.3.4确信度关联测度90
5.4问题分解90
5.5生成所有可能的规则90
5.6查找频繁项集91
5.7Apriori算法92
5.8Swift中的Apriori算法实现93
5.9运行Apriori算法94
5.10在实际数据上运行Apriori算法95
5.11Apriori算法的优缺点96
5.12建立适应性强的用户体验96
5.13小结97
参考文献98
第6章线性回归和梯度下降99
6.1了解回归任务99
6.2简单线性回归简介100
6.2.1利用最小二乘法拟合回归线102
6.2.2利用简单线性回归预测未来105
6.3特征缩放106
6.4特征标准化107
6.4.1多元线性回归109
6.5在Swift中实现多元线性回归109
6.5.1多元线性回归的梯度下降111
6.5.2特征标准化115
6.5.3理解并改善线性回归的局限性117
6.6利用正则化解决线性回归问题120
6.6.1岭回归和Tikhonov正则化120
6.6.2弹性网回归121
6.7小结121
参考文献122
第7章线性分类器和逻辑回归123
7.1回顾分类任务123
7.1.1线性分类器123
7.1.2逻辑回归124
7.2Swift中的逻辑回归实现125
7.2.1逻辑回归中的预测部分126
7.2.2训练逻辑回归127
7.2.3成本函数128
7.3预测用户意图130
7.3.1处理日期130
7.4针对具体问题选择回归模型131
7.5偏差－方差权衡131
7.6小结132
第8章神经网络133
8.1究竟什么是人工神经网络134
8.2构建神经元134
8.2.1非线性函数135
8.3构建神经网络138
8.4在Swift中构建一个神经网络层138
8.5利用神经元构建逻辑函数139
8.6在Swift中实现层140
8.7训练神经网络141
8.7.1梯度消失问题141
8.7.2与生物类比141
8.8基本神经网络子程序142
8.8.1BNNS示例143
8.9小结145
第9章卷积神经网络146
9.1理解用户情感146
9.2计算机视觉问题概述147
9.3卷积神经网络概述149
9.4池化操作149
9.5卷积运算150
9.5.1CNN中的卷积运算152
9.6构建网络153
9.6.1输入层155
9.6.2卷积层155
9.6.3全连接层156
9.6.4非线性层156
9.6.5池化层156
9.6.6正则化层156
9.7损失函数157
9.8批量训练网络157
9.9训练用于面部表情识别的CNN158
9.10环境设置158
9.11深度学习框架159
9.11.1Keras159
9.12加载数据160
9.13拆分数据161
9.14数据扩充162
9.15创建网络163
9.16绘制网络结构165
9.17训练网络167
9.18绘制损失值167
9.19预测168
9.20以HDF5格式保存模型169
9.21转换为CoreML格式169
9.22可视化卷积滤波器170
9.23在iOS上部署CNN171
9.24小结173
参考文献174
0章自然语言处理175
10.1移动开发领域中的NLP175
10.2文字联想游戏176
10.3PythonNLP库178
10.4文本语料178
10.5常用NLP方法和子任务179
10.5.1标记分割179
10.5.2词干提取181
10.5.3词形还原182
10.5.4词性标注182
10.5.5命名实体识别184
10.5.6删除停止词和标点符号185
10.6分布式语义假设186
10.7词向量表示186
10.8自编码器神经网络187
10.9Word2Vec187
10.10Gensim中的Word2Vec190
10.11向量空间特性190
10.12iOS应用程序191
10.12.1聊天机器人剖析191
10.12.2语音输入192
10.12.3NSLinguisticTagger及其相关193
10.12.4iOS上的Word2Vec195
10.12.5文本－语音输出196
10.12.6UIReferenceLibraryViewController197
10.12.7集成197
10.13Word2Vec的各种相关算法199
10.14发展趋势200
10.15小结200
1章机器学习库201
11.1机器学习和人工智能API201
11.2库202
11.3通用机器学习库202
11.3.1AIToolbox204
11.3.2BrainCore205
11.3.3Caffe205
11.3.4Caffe2205
11.3.5dlib206
11.3.6FANN206
11.3.7LearnKit206
11.3.8MLKit206
11.3.9Multilinear-math207
11.3.10MXNet207
11.3.11Shark207
11.3.12TensorFlow207
11.3.13tiny-dnn208
11.3.14Torch208
11.3.15YCML209
11.4仅用于推理的库209
11.4.1Keras210
11.4.2LibSVM210
11.4.3Scikit-learn210
11.4.4XGBoost210
11.5NLP库211
11.5.1Word2Vec211
11.5.2Twitter文本211
11.6语音识别211
11.6.1TLSphinx211
11.6.2OpenEars211
11.7计算机视觉212
11.7.1OpenCV212
11.7.2ccv212
11.7.3OpenFace212
11.7.4Tesseract213
11.8底层子程序库213
11.8.1Eigen213
11.8.2fmincg-c213
11.8.3IntuneFeatures214
11.8.4SigmaSwiftStatistics214
11.8.5STEM214
11.8.6Swix214
11.8.7LibXtract214
11.8.8libLBFGS215
11.8.9NNPACK215
11.8.10Upsurge215
11.8.11YCMatrix215
11.9选择深度学习框架216
11.10小结216
2章优化移动设备上的神经网络217
12.1提供完美的用户体验217
12.2计算卷积神经网络规模218
12.3无损压缩220
12.4紧凑型CNN架构221
12.4.1SqueezeNet221
12.4.2MobileNet221
12.4.3ShuffleNet222
12.4.4CondenseNet222
12.5防止神经网络扩大222
12.6有损压缩223
12.6.1推理优化224
12.7网络压缩示例226
12.8小结226
参考文献226
3章最佳实践227
13.1移动平台机器学习项目的生命周期227
13.1.1准备阶段227
13.1.2创建原型230
13.1.3移植或部署到移动平台233
13.1.4实际应用234
13.2最佳实践指南234
13.2.1基准测试234
13.2.2隐私和差异化隐私235
13.2.3调试和可视化236
13.2.4归档236
13.3机器学习问题237
13.3.1数据怪物237
13.3.2训练问题238
13.3.3产品设计噩梦238
13.4学习资源推荐240
13.4.1数学基本知识241
13.5小结242
内容摘要
本书首先从机器学习的基础知识开始，帮助你建立对机器学习基本概念的直观认识。然后探讨各种监督学习和无监督学习方法，以及如何使用Swift实现它们。之后通过常见的实际案例来深人讲解深度学习技术。在很后，深人^论模型压缩、GPU加速等核心主题，并提供一些建议，以帮助你避免在使用机器学习开发应用程序的过程中出现常见错误。通过本书的学习，你将能够开发用Swift编写的智能应用程序。本书是面向使用Swift开发智能应用程序的技术人员，以及从事机器学习研究的研发人员。
主编推荐
一本书理解Swift和机器学习，掌握构建智能iOS应用方法利用Swift与Core ML构建和部署机器学习模型，开发出用于NLP和CV的神经网络1.学会如何使用Python和Swift快速进行模型原型开发2.学会如何使用Core ML将预训练的模型部署到iOS3.学会通过无监督学习发现数据中隐藏的模式4.学会深入掌握聚类技术5.学会如何在iOS设备上应用紧凑架构的神经网络6.学会如何训练神经网络进行图像处理和自然语言处理本书是机器学习和Swift的完美指南，通过学习对机器学习原理和Swift实现方法、实际案例的详细讲解后，你将能够掌握如何开发使用Swift编写的可自学习的智能iOS应用程序。本书是面向想要开发iOS智能应用程序的iOS技术人员，以及从事基于Swift开展机器学习工作的开发人员。
— 没有更多了 —
以下为对购买帮助不大的评价