機(jī)器學(xué)習(xí)入門(mén)與實(shí)戰(zhàn)——基于scikit-learn和Keras
定 價(jià)：59.8 元
- 作者：張海濤
- 出版時(shí)間：2021/5/1
- ISBN：9787121409509
- 出 版 社：電子工業(yè)出版社
- 中圖法分類(lèi)：TP181
- 頁(yè)碼：232
- 紙張：
- 版次：01
- 開(kāi)本：16開(kāi)
本書(shū)以scikit-learn和Keras框架作為實(shí)戰(zhàn)平臺(tái)，講解了傳統(tǒng)機(jī)器學(xué)習(xí)的主流技術(shù)和最新深度學(xué)習(xí)的研究成果。其中，"第一篇 傳統(tǒng)機(jī)器學(xué)習(xí)”包括第1～10章，介紹了機(jī)器學(xué)習(xí)概念、監(jiān)督學(xué)習(xí)算法（回歸分析、Logistic回歸、k近鄰、決策樹(shù)、樸素貝葉斯、支持向量機(jī)）、無(wú)監(jiān)督學(xué)習(xí)算法（神經(jīng)網(wǎng)絡(luò)、聚類(lèi)、降維）；"第二篇 深度學(xué)習(xí)”包括第11～15章，介紹了深度學(xué)習(xí)的概念、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)等。 本書(shū)的編寫(xiě)旨在體現(xiàn)"做中學(xué)”理念，讀者在學(xué)習(xí)初期不必過(guò)多糾纏于算法理論，而是通過(guò)實(shí)際案例快速入門(mén)，進(jìn)而激發(fā)興趣，自主完善理論學(xué)習(xí)，最終順利跨入人工智能的殿堂。本書(shū)可以作為高校數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)、人工智能等專(zhuān)業(yè)的教材，也可以作為致力于開(kāi)展人工智能研究的讀者快速入門(mén)的參考資料。
張海濤，博士，教授。1992年9月—1996年7月，遼寧工程技術(shù)大學(xué)電子與信息工程系，學(xué)習(xí)；1996年9月—2002年7月，遼寧工程技術(shù)大學(xué)電子與信息工程系，教師；2002年9月—2016年7 月，遼寧工程技術(shù)大學(xué)軟件學(xué)院，團(tuán)委書(shū)記、黨委副書(shū)記、副院長(zhǎng)；2016年7月—2018年9月，遼寧工程技術(shù)大學(xué)葫蘆島校區(qū)教務(wù)處，副處長(zhǎng)；2018年9月—至今 遼寧工程技術(shù)大學(xué)軟件學(xué)院（騰訊云人工智能學(xué)院），常務(wù)副院長(zhǎng)。
第一篇 傳統(tǒng)機(jī)器學(xué)習(xí)
第1章 機(jī)器學(xué)習(xí)概述 2
1.1 機(jī)器學(xué)習(xí)概念 2
1.1.1 什么是機(jī)器學(xué)習(xí) 2
1.1.2 機(jī)器學(xué)習(xí)有什么用 2
1.1.3 機(jī)器學(xué)習(xí)的分類(lèi) 3
1.2 機(jī)器學(xué)習(xí)理論基礎(chǔ) 9
1.2.1 過(guò)擬合和欠擬合 9
1.2.2 損失函數(shù) 9
1.2.3 模型性能度量方法 11
1.2.4 學(xué)習(xí)曲線 14
1.2.5 算法模型性能優(yōu)化 17
1.3 scikit-learn簡(jiǎn)介 21
1.3.1 關(guān)于scikit-learn 21
1.3.2 安裝scikit-learn 21
1.3.3 scikit-learn數(shù)據(jù)集 21
習(xí)題 27
參考文獻(xiàn) 30
第2章 回歸分析 31
2.1 一元線性回歸 31
2.1.1 一元線性回歸的實(shí)現(xiàn) 31
2.1.2 解一元線性回歸的
最小二乘法 34
2.1.3 模型評(píng)估 35
2.2 多元線性回歸 36
2.3 多項(xiàng)式回歸 36
習(xí)題 41
參考文獻(xiàn) 42
第3章 Logistic回歸 43
3.1 分類(lèi)問(wèn)題概述 43
3.2 Logistic回歸分類(lèi) 44
3.2.1 Logistic回歸算法的原理 44
3.2.2 Logistic回歸算法實(shí)例 48
3.3 Softmax回歸——多元分類(lèi)
問(wèn)題 55
習(xí)題 58
參考文獻(xiàn) 59
第4章 k近鄰 60
4.1 k近鄰算法原理 60
4.1.1 KNN算法三要素 60
4.1.2 KNN算法之蠻力實(shí)現(xiàn)
原理 61
4.1.3 KNN算法之KD樹(shù)實(shí)現(xiàn)
原理 62
4.1.4 KNN算法之球樹(shù)實(shí)現(xiàn)
原理 64
4.1.5 KNN算法的擴(kuò)展 66
4.1.6 KNN算法小結(jié) 66
4.2 用scikit-learn實(shí)現(xiàn)KNN
算法 67
習(xí)題 72
參考文獻(xiàn) 72
第5章 決策樹(shù) 73
5.1 決策樹(shù)分類(lèi)原理 74
5.2 決策樹(shù)的學(xué)習(xí)過(guò)程 74
5.3 ID3算法的數(shù)學(xué)原理 75
5.3.1 什么是信息增益 75
5.3.2 ID3樹(shù)中最優(yōu)劃分屬性計(jì)算
舉例 76
5.4 scikit-learn決策樹(shù)算法實(shí)現(xiàn) 78
5.5 決策樹(shù)可視化 80
習(xí)題 83
參考文獻(xiàn) 84
第6章 樸素貝葉斯 85
6.1 基本原理 85
6.1.1 貝葉斯定理 85
6.1.2 樸素貝葉斯分類(lèi)器 86
6.2 樸素貝葉斯三種基本模型 88
6.3 樸素貝葉斯的應(yīng)用及特點(diǎn) 90
6.3.1 樸素貝葉斯常見(jiàn)的四種
應(yīng)用 90
6.3.2 樸素貝葉斯的優(yōu)缺點(diǎn) 90
6.3.3 提升樸素貝葉斯性能的
技巧 91
習(xí)題 93
參考文獻(xiàn) 94
第7章 支持向量機(jī) 95
7.1 支持向量機(jī)原理 95
7.1.1 支持向量機(jī)定義 95
7.1.2 線性可分性 95
7.1.3 損失函數(shù) 96
7.1.4 經(jīng)驗(yàn)風(fēng)險(xiǎn)與結(jié)構(gòu)風(fēng)險(xiǎn) 97
7.2 標(biāo)準(zhǔn)算法 99
7.2.1 線性SVM 99
7.2.2 非線性SVM 100
7.3 scikit-learn SVM分類(lèi)算法
實(shí)現(xiàn) 101
7.3.1 算法簡(jiǎn)單實(shí)現(xiàn) 101
7.3.2 算法的優(yōu)化 102
習(xí)題 106
參考文獻(xiàn) 107
第8章 神經(jīng)網(wǎng)絡(luò) 108
8.1 神經(jīng)網(wǎng)絡(luò)概述 108
8.1.1 神經(jīng)元模型 108
8.1.2 感知機(jī) 109
8.1.3 神經(jīng)網(wǎng)絡(luò) 110
8.1.4 梯度下降法與反向傳播 112
8.2 scikit-learn神經(jīng)網(wǎng)絡(luò)分類(lèi)算法
實(shí)現(xiàn) 118
習(xí)題 122
參考文獻(xiàn) 123
第9章 聚類(lèi) 124
9.1 聚類(lèi)概述 124
9.1.1 K-Means聚類(lèi)算法 124
9.1.2 均值漂移聚類(lèi) 127
9.1.3 基于密度的聚類(lèi)方法
（DBSCAN） 130
9.1.4 基于高斯混合模型（GMM）的
期望最大化（EM）聚類(lèi) 132
9.1.5 凝聚層次聚類(lèi) 133
9.2 scikit-learn聚類(lèi)算法的實(shí)現(xiàn) 136
習(xí)題 142
參考文獻(xiàn) 144
第10章 降維 145
10.1 降維方法概述 145
10.1.1 主成分分析（PCA） 145
10.1.2 線性判別分析（LDA） 148
10.1.3 局部線性嵌入（LLE） 150
10.1.4 拉普拉斯特征映射
?（LE） 151
10.2 scikit-learn降維算法實(shí)現(xiàn) 152
習(xí)題 157
參考文獻(xiàn) 158
第二篇 深度學(xué)習(xí)
第11章 深度學(xué)習(xí)概述 161
11.1 深度學(xué)習(xí)的概念 161
11.2 深度學(xué)習(xí)的分類(lèi)及特點(diǎn) 163
11.2.1 深度學(xué)習(xí)的分類(lèi) 163
11.2.2 深度學(xué)習(xí)的特點(diǎn) 164
11.3 深度學(xué)習(xí)的歷史及發(fā)展 164
11.4 深度學(xué)習(xí)的應(yīng)用 165
11.5 Keras簡(jiǎn)介 166
11.5.1 Keras深度學(xué)習(xí)庫(kù) 166
11.5.2 Keras安裝 168
11.5.3 Keras舉例 168
習(xí)題 169
參考文獻(xiàn) 170
第12章 卷積神經(jīng)網(wǎng)絡(luò) 171
12.1 卷積與池化操作 172
12.1.1 卷積層 172
12.1.2 池化層 174
12.2 典型的CNN架構(gòu) 175
12.2.1 LeNet-5 176
12.2.2 AlexNet 176
12.2.3 GoogLeNet 178
12.2.4 ResNet 180
12.3 使用Keras搭建卷積神經(jīng)
網(wǎng)絡(luò) 182
習(xí)題 185
參考文獻(xiàn) 185
第13章 循環(huán)神經(jīng)網(wǎng)絡(luò) 186
13.1 RNN 186
13.2 LSTM 190
13.3 循環(huán)神經(jīng)網(wǎng)絡(luò)案例 191
習(xí)題 195
參考文獻(xiàn) 195
第14章 生成對(duì)抗網(wǎng)絡(luò) 196
14.1 生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu) 196
14.1.1 生成對(duì)抗網(wǎng)絡(luò)模型原理 197
14.1.2 生成對(duì)抗網(wǎng)絡(luò)優(yōu)化原理 198
14.1.3 模型訓(xùn)練 199
14.1.4 對(duì)抗網(wǎng)絡(luò)的改進(jìn)模型 200
14.2 生成對(duì)抗網(wǎng)絡(luò)的構(gòu)建 201
14.2.1 生成模型的構(gòu)建 202
14.2.2 判別模型的構(gòu)建 202
14.2.3 條件生成對(duì)抗網(wǎng)絡(luò)的
構(gòu)建 204
14.3 生成對(duì)抗網(wǎng)絡(luò)案例 205
14.3.1 生成模型 205
14.3.2 判別模型 205
14.3.3 模型訓(xùn)練 206
習(xí)題 207
參考文獻(xiàn) 208
第15章 強(qiáng)化學(xué)習(xí) 209
15.1 問(wèn)題概述 209
15.2 價(jià)值函數(shù) 211
15.3 動(dòng)態(tài)規(guī)劃算法 212
15.3.1 策略迭代算法 212
15.3.2 價(jià)值迭代算法 213
15.4 蒙特卡洛算法 213
15.4.1 狀態(tài)價(jià)值函數(shù)估計(jì) 214
15.4.2 動(dòng)作價(jià)值函數(shù)估計(jì) 214
15.4.3 蒙特卡洛控制 215
15.5 時(shí)序差分算法 215
15.5.1 Sarsa算法 216
15.5.2 Q學(xué)習(xí) 216
15.6 深度強(qiáng)化學(xué)習(xí) 216
15.6.1 DQN算法 216
15.6.2 策略梯度算法 217
15.7 代碼案例 219
習(xí)題 223
參考文獻(xiàn) 224
書(shū)單推薦
