9787115518538
9787115518538+9787111642602 9787517077190
机器学习精讲 全彩+机器学习算法的数学解析与Python实现+机器学习中的数学 人工智能书籍
E1
书 名:机器学习精讲 全彩
作 者: 加拿大 安德烈 布可夫 Andriy Burkov
ISBN:9787115518538
价 格:69.00元
出版日期：2020-01
装 帧：平装
页 数：196
内容提要 本书用简短的篇幅、精炼的语言，讲授机器学习领域的知识和技能。全书共11章和一个术语表，依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、进阶作、非监督学习以及其他学习方式等，涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、参数调试等众多核心概念和方法。全书后给出了一个较为详尽的术语表。 本书能够帮助读者了解机器学习是如何工作的，为进一步理解该领域的复杂问题和进行深入研究打好基础。本书适合想要学习和掌握机器学习的软件从业人员、想要运用机器学习技术的数据科学家阅读，也适合想要了解机器学习的一般读者参考。
1章 绪论1 1.1 什么是机器学习1 1.2 不同类型的学习1 1.2.1 监督学习1 1.2.2 非监督学习2 1.2.3 半监督学习3 1.2.4 强化学习3 1.3 监督学习是如何工作的4 1.4 为什么模型可以应用于新数据9 2章 符号和定义10 2.1 符号10 2.1.1 数据结构10 2.1.2 大写西格玛(∑)符号12 2.1.3 大写派(Π)符号12 2.1.4 集合运算13 2.1.5 向量运算13 2.1.6 函数14 2.1.7 max和argmax16 2.1.8 赋值运算符16 2.1.9 导数和梯度16 2.2 随机变量18 2.3 无偏估计值20 2.4 贝叶斯准则21 2.5 参数估计21 2.6 参数与参数23 2.7 分类vs.回归23 2.8 基于模型学习vs.基于实例学习24 2.9 浅层学习vs.深度学习24 3章 基本算法26 3.1 线性回归26 3.1.1 问题陈述26 3.1.2 解决方案28 3.2 对数几率回归30 3.2.1 问题陈述31 3.2.2 解决方案32 3.3 决策树学习34 3.3.1 问题陈述34 3.3.2 解决方案34 3.4 支持向量机37 3.4.1 处理噪声38 3.4.2 处理固有非线性39 3.5 k近邻42 4章 算法剖析43 4.1 一个算法的组成部分43 4.2 梯度下降44 4.3 机器学习工程师如何工作50 4.4 学习算法的特性51 5章 基本实践53 5.1 特征工程53 5.1.1 独热编码54 5.1.2 装箱55 5.1.3 归一化56 5.1.4 标准化56 5.1.5 处理特征缺失值57 5.1.6 数据补全技术58 5.2 选择学习算法59 5.3 3个数据集61 5.4 欠拟合与过拟合63 5.5 正则化66 5.6 模型效果评估67 5.6.1 混淆矩阵69 5.6.2 查准率/查全率70 5.6.3 准确率71 5.6.4 代价敏感准确率71 5.6.5 ROC曲线下面积72 5.7 参数调试73 交验证75 6章 神经网络和深度学习77 6.1 神经网络77 6.1.1 多层感知机例子78 6.1.2 前馈神经网络80 6.2 深度学习81 6.2.1 卷轴神经网络83 6.2.2 循环神经网络90 7章 问题与解决方案96 7.1 核回归96 7.2 多类别分类98 7.3 单类别分类99 7.4 多标签分类102 7.5 集成学习104 7.5.1 提升法与装袋法105 7.5.2 随机森林105 7.5.3 梯度提升106 7.6 学习标注序列109 7.7 序列到序列学习111 7.8 主动学习113 7.9 半监督学习115 7.10 单样本学习118 7.11 零样本学习120 8章 进阶作122 8.1 处理不平衡的数据集122 8.2 组合模型124 8.3 训练神经网络125 8.4 进阶正则化127 8.5 处理多输入128 8.6 处理多输出129 8.7 迁移学习130 8.8 算法效率131 9章 非监督学习135 9.1 密度预估135 9.2 聚类138 9.2.1 k均值138 9.2.2 DBSCAN和HDBSCAN140 9.2.3 决定聚类簇个数141 9.2.4 其他聚类算法145 9.3 维度降低148 9.3.1 主要成分分析149 9.3.2 UMAP151 9.4 异常值检测153 10章 其他学习形式154 10.1 质量学习154 10.2 排序学习156 10.3 推荐学习159 10.3.1 因子分解机161 10.3.2 去噪自编码器163 10.4 自监督学习：词嵌入164 11章 结论167 11.1 主题模型167 11.2 高斯过程168 11.3 广义线性模型168 11.4 概率图模型168 11.5 马尔可夫链蒙特卡洛算法169 11.6 基因算法170 11.7 强化学习170 术语表172
书名：机器学习中的数学
ISBN：9787517077190
定价：89.8
作者：孙博 编著
CIP分类：TP181
主题键词：机器学习－教学参考资料
印张：23.75
页数：357页
字数：374千字
出版日期：2019.11.1
开本：16开170×230
销售分类：计算机/机器学习/数学
《机器学习中的数学》是一本介绍机器学习中涉及的数学知识的入门图书，本书从机器学习中的数学入门开始，以展示数学的友好性为原则，讲述了机器学习中的一些常见的数学知识。机器学习作为人工智能的核心技术，对于数学基础薄弱的人来说，其台阶是陡峭的，本书力争在陡峭的台阶前搭建一个斜坡，为读者铺平机器学习的数学之路。
《机器学习中的数学》共19章，分为线性代数、高等数学和概率3个组成部分。 1 部分包括向量、向量的点积与积、行列式、代数余子式、矩阵、矩阵和方程组、矩阵的秩、逆矩阵、高斯—诺尔当消元法、消元矩阵与置换矩阵、矩阵的LU分解、欧几里得距离、曼哈顿距离、切比雪夫距离、夹角余弦等；2部分包括导数、微分、不定积分、定积分、弧长、偏导、多重积分、参数方程、极坐标系、柱坐标系、球坐标系、梯度、梯度下降算法、方向导数、线性近似、二阶近似、泰勒公式、牛顿法、小二乘法、求解极值、拉格朗日乘子法、KKT条件、欧拉—拉格朗日方程等；3部分包括概率、古典概型、几何概型、互斥事件、独立事件、分布函数、离散型分布、连续型分布等。
《机器学习中的数学》内容全面，语言简练，实例典型，实用性强，立足于“友好数学”，与机器学习对接，适合想要了解机器学习与深度学习但数学基础较为薄弱的程序员阅读，也适合作为各大高等院校机器学习相关的教材。机器学习及数学爱好者、海量数据挖掘与分析人员、金融智能化从业人员等也可选择本书参考学习。
编辑：
数学，作为一门基础学科，是学习和研究现代科学技术必须掌握的基本工具。人工智能是目前计算机科学热门的一个领域，而机器学习作为实现人工智能的一种方法，其底层逻辑都是数学。
AI时代，得数学者得天下！
1、全书结合300余幅插图+100余个示例+50余个公式推导，用讲故事和实例的形式介绍人工智能、机器学习中的数学基础知识，趣味性较强。
2、全书以初中阶段数学知识为基础，内容由浅入深，涉及数学计算均列出详细步骤，可让读者快速入门。
3、注重数学的友好性，所述概念和术语均以理解为主，并选择比较简单的案例辅助读者理解，对重点内容反复强调。
4、本书大体上由线性代数、高数、概率三部分组成，每一部分仅对机器学习中常见的数学知识进行介绍。对于繁琐的计算以Python编程的方式实现，让程序员们有归属感。
书名: 机器学习算法的数学解析与Python实现
作者: 莫凡
定价: 89.00元
ISBN编号: 9787111642602
是否是套装: 否
出版社名称: 机械工业出版社
| 本书由资深工程师撰写，系统介绍机器学习中需要的主要数学知识，以及机器学习算法的实现和应用场景，为机器学习初学者制定了如何夯实基础的方案。本书以机器学习的算法为主线，深入剖析算法的概念和数学原理，以通俗形象的语言进行介绍，让读者无需了解太多前置数学知识，就能看懂数学公式的表达意思，从而深度掌握机器学习的思想和原理。主要内容包括：首先介绍机器学习基本概念及工具，然后从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中主要的算法，如线性回归算法、逻辑回归算法、KNN、朴素贝叶斯、决策分类、支持向量机分类、K-means聚类、神经网络分类、集成学习等。 |
前言
1章 机器学习概述 1
1.1 什么是机器学习 1
1.2 机器学习的几个需求层次 3
1.3 机器学习的基本原理 5
1.4 机器学习的基本概念 7
1.4.1 书中用到的术语介绍 7
1.4.2 机器学习的基本模式 11
1.4.3 优化方法 12
1.5 机器学习问题分类 14
1.6 常用的机器学习算法 15
1.7 机器学习算法的性能衡量指标 16
1.8 数据对算法结果的影响 18
2章 机器学习所需的环境 20
2.1 常用环境 20
2.2 Python简介 21
2.2.1 Python的安装 23
2.2.2 Python的基本用法 24
2.3 Numpy简介 25
2.3.1 Numpy的安装 26
2.3.2 Numpy的基本用法 26
2.4 Scikit-Learn简介 27
2.4.1 Scikit-Learn的安装 28
2.4.2 Scikit-Learn的基本用法 28
2.5 Pandas简介 29
2.5.1 Pandas的安装 30
2.5.2 Pandas的基本用法 31
3章 线性回归算法 33
3.1 线性回归：“钢铁直男”解决回归问题的正确方法 33
3.1.1 用于预测未来的回归问题 35
3.1.2 怎样预测未来 38
3.1.3 线性方程的“直男”本性 40
3.1.4 简单的回归问题—线性回归问题 44
3.2 线性回归的算法原理 46
3.2.1 线性回归算法的基本思路 46
3.2.2 线性回归算法的数学解析 48
3.2.3 线性回归算法的具体步骤 53
3.3 在Python中使用线性回归算法 54
3.4 线性回归算法的使用场景 60
4章 Logistic回归分类算法 61
4.1 Logistic回归：换上“S型曲线马甲”的线性回归 61
4.1.1 分类问题：选择困难症患者的自我救赎 63
4.1.2 Logistic函数介绍 66
4.1.3 此回归非彼回归：“LR”辨析 70
4.2 Logistic回归的算法原理 71
4.2.1 Logistic回归算法的基本思路 71
4.2.2 Logistic回归算法的数学解析 74
4.2.3 Logistic回归算法的具体步骤 78
4.3 在Python中使用Logistic回归算法 78
4.4 Logistic回归算法的使用场景 81
5章 KNN分类算法 82
5.1 KNN分类算法：用多数表决进行分类 82
5.1.1 用“同类相吸”的办法解决分类问题 84
5.1.2 KNN分类算法的基本方法：多数表决 86
5.1.3 表决权问题 89
5.1.4 KNN的具体含义 89
5.2 KNN分类的算法原理 90
5.2.1 KNN分类算法的基本思路 90
5.2.2 KNN分类算法的数学解析 93
5.2.3 KNN分类算法的具体步骤 94
5.3 在Python中使用KNN分类算法 95
5.4 KNN分类算法的使用场景 96
6章 朴素贝叶斯分类算法 98
6.1 朴素贝叶斯：用骰子选择 98
6.1.1 从统计角度看分类问题 99
6.1.2 贝叶斯公式的基本思想 102
6.1.3 用贝叶斯公式进行选择 104
6.2 朴素贝叶斯分类的算法原理 106
6.2.1 朴素贝叶斯分类算法的基本思路 106
6.2.2 朴素贝叶斯分类算法的数学解析 108
6.2.3 朴素贝叶斯分类算法的具体步骤 111
6.3 在Python中使用朴素贝叶斯分类算法 111
6.4 朴素贝叶斯分类算法的使用场景 112
7章 决策树分类算法 114
7.1 决策树分类：用“老朋友”if-else进行选择 114
7.1.1 程序员的选择观：if-else 116
7.1.2 如何种植一棵有灵魂的“树” 118
7.1.3 决策条件的选择艺术 119
7.1.4 决策树的剪枝问题 122
7.2 决策树分类的算法原理 125
7.2.1 决策树分类算法的基本思路 125
7.2.2 决策树分类算法的数学解析 127
7.2.3 决策树分类算法的具体步骤 133
7.3 在Python中使用决策树分类算法 134
7.4 决策树分类算法的使用场景 135
8章 支持向量机分类算法 137
8.1 支持向量机：线性分类器的“王者” 137
8.1.1 距离是不同类别的天然间隔 139
8.1.2 何为“支持向量” 140
8.1.3 从更高维度看“线性不可分” 142
8.2 支持向量机分类的算法原理 146
8.2.1 支持向量机分类算法的基本思路 146
8.2.2 支持向量机分类算法的数学解析 150
8.2.3 支持向量机分类算法的具体步骤 153
8.3 在Python中使用支持向量机分类算法 154
8.4 支持向量机分类算法的使用场景 156
9章 K-means聚类算法 157
9.1 用投票表决实现“物以类聚” 157
9.1.1 聚类问题就是“物以类聚”的实施问题 159
9.1.2 用“K”来决定归属类别 162
9.1.3 度量“相似”的距离 164
9.1.4 聚类问题中的多数表决 165
9.2 K-means聚类的算法原理 168
9.2.1 K-means聚类算法的基本思路 168
9.2.2 K-means聚类算法的数学解析 169
9.2.3 K-means聚类算法的具体步骤 170
9.3 在Python中使用K-means聚类算法 171
9.4 K-means聚类算法的使用场景 172
10章 神经网络分类算法 174
10.1 用神经网络解决分类问题 174
10.1.1 神经元的“内心世界” 177
10.1.2 从神经元看分类问题 180
10.1.3 神经网络的“细胞”：人工神经元 181
10.1.4 构成网络的魔力 184
10.1.5 神经网络与深度学习 188
10.2 神经网络分类的算法原理 188
10.2.1 神经网络分类算法的基本思路 188
10.2.2 神经网络分类算法的数学解析 190
10.2.3 神经网络分类算法的具体步骤 193
10.3 在Python中使用神经网络分类算法 194
10.4 神经网络分类算法的使用场景 195
11章 集成学习方法 197
11.1 集成学习方法：三个臭皮匠赛过诸葛亮 197
11.1.1 集成学习方法与经典机器学习算法的关系 198
11.1.2 集成学习的主要思想 199
11.1.3 几种集成结构 200
11.2 集成学习方法的具体实现方式 202
11.2.1 Bagging算法 202
11.2.2 Boosting算法 202
11.2.3 Stacking算法 202
11.3 在Python中使用集成学习方法 203
11.4 集成学习方法的使用场景 205 |
