科技 类型
可以朗读 语音朗读
468千字 字数
2024-04-01 发行日期
展开全部

主编推荐语

详解机器学习基础知识。

内容简介

本书分为两大部分：第一部分主要基于Scikit-Learn，介绍机器学习的基础算法；第二部分则使用TensorFlow和Keras，介绍神经网络与深度学习。此外，附录部分的内容也非常丰富，包括课后练习题解答、机器学习项目清单、SVM对偶问题、自动微分和特殊数据结构等。

书中内容广博，覆盖了机器学习的各个领域，不仅介绍了传统的机器学习模型，包括支持向量机、决策树、随机森林和集成方法，还提供了使用Scikit-Learn进行机器学习的端到端训练示例。作者尤其对深度神经网络进行了深入的探讨，包括各种神经网络架构、强化学习，以及如何使用TensorFlow/Keras库来构建和训练神经网络。

目录

  • 版权信息
  • O'Reilly Media，Inc. 介绍
  • 前言
  • 第一部分 机器学习的基础知识
  • 第1章 机器学习概览
  • 1.1 什么是机器学习
  • 1.2 为什么使用机器学习
  • 1.3 应用示例
  • 1.4 机器学习系统的类型
  • 1.5 机器学习的主要挑战
  • 1.6 测试和验证
  • 1.7 练习题
  • 第2章 端到端机器学习项目
  • 2.1 使用真实数据
  • 2.2 放眼大局
  • 2.3 获取数据
  • 2.4 探索和可视化数据以获得见解
  • 2.5 为机器学习算法准备数据
  • 2.6 选择和训练模型
  • 2.7 微调模型
  • 2.8 启动、监控和维护系统
  • 2.9 试试看
  • 2.10 练习题
  • 第3章 分类
  • 3.1 MNIST
  • 3.2 训练二元分类器
  • 3.3 性能测量
  • 3.4 多类分类
  • 3.5 错误分析
  • 3.6 多标签分类
  • 3.7 多输出分类
  • 3.8 练习题
  • 第4章 训练模型
  • 4.1 线性回归
  • 4.2 梯度下降
  • 4.3 多项式回归
  • 4.4 学习曲线
  • 4.5 正则化线性模型
  • 4.6 逻辑回归
  • 4.7 练习题
  • 第5章 支持向量机
  • 5.1 线性SVM分类
  • 5.2 非线性SVM分类
  • 5.3 SVM回归
  • 5.4 线性SVM分类器的工作原理
  • 5.5 对偶问题
  • 5.6 练习题
  • 第6章 决策树
  • 6.1 训练和可视化决策树
  • 6.2 做出预测
  • 6.3 估计类概率
  • 6.4 CART训练算法
  • 6.5 计算复杂度
  • 6.6 基尼杂质或熵
  • 6.7 正则化超参数
  • 6.8 回归
  • 6.9 对轴方向的敏感性
  • 6.10 决策树具有高方差
  • 6.11 练习题
  • 第7章 集成学习和随机森林
  • 7.1 投票分类器
  • 7.2 bagging和pasting
  • 7.3 随机森林
  • 7.4 提升法
  • 7.5 堆叠法
  • 7.6 练习题
  • 第8章 降维
  • 8.1 维度的诅咒
  • 8.2 降维的主要方法
  • 8.3 PCA
  • 8.4 随机投影
  • 8.5 LLE
  • 8.6 其他降维技术
  • 8.7 练习题
  • 第9章 无监督学习技术
  • 9.1 聚类算法：k均值和DBSCAN
  • 9.2 高斯混合模型
  • 9.3 练习题
  • 第二部分 神经网络与深度学习
  • 第10章 Keras人工神经网络简介
  • 10.1 从生物神经元到人工神经元
  • 10.2 使用Keras实现MLP
  • 10.3 微调神经网络超参数
  • 10.4 练习题
  • 第11章 训练深度神经网络
  • 11.1 梯度消失和梯度爆炸问题
  • 11.2 重用预训练层
  • 11.3 更快的优化器
  • 11.4 学习率调度
  • 11.5 通过正则化避免过拟合
  • 11.6 总结和实用指南
  • 11.7 练习题
  • 第12章 使用TensorFlow自定义模型和训练
  • 12.1 TensorFlow快速浏览
  • 12.2 像使用NumPy一样使用TensorFlow
  • 12.3 自定义模型和训练算法
  • 12.4 TensorFlow函数和图
  • 12.5 练习题
  • 第13章 使用TensorFlow加载和预处理数据
  • 13.1 tf.data API
  • 13.2 TFRecord格式
  • 13.3 Keras预处理层
  • 13.4 TensorFlow数据集项目
  • 13.5 练习题
  • 第14章 使用卷积神经网络进行深度计算机视觉
  • 14.1 视觉皮层的结构
  • 14.2 卷积层
  • 14.3 池化层
  • 14.4 使用Keras实现池化层
  • 14.5 CNN架构
  • 14.6 使用Keras实现ResNet-34 CNN
  • 14.7 使用Keras的预训练模型
  • 14.8 使用预训练模型进行迁移学习
  • 14.9 分类和定位
  • 14.10 物体检测
  • 14.11 物体跟踪
  • 14.12 语义分割
  • 14.13 练习题
  • 第15章 使用RNN和CNN处理序列
  • 15.1 循环神经元和层
  • 15.2 训练RNN
  • 15.3 预测时间序列
  • 15.4 处理长序列
  • 15.5 练习题
  • 第16章 基于RNN和注意力机制的自然语言处理
  • 16.1 使用字符RNN生成莎士比亚文本
  • 16.2 情感分析
  • 16.3 用于神经机器翻译的编码器-解码器网络
  • 16.4 注意力机制
  • 16.5 Transformer模型的雪崩
  • 16.6 视觉Transformer
  • 16.7 Hugging Face的Transformer库
  • 16.8 练习题
  • 第17章 自动编码器、GAN和扩散模型
  • 17.1 有效的数据表示
  • 17.2 使用不完备的线性自动编码器执行PCA
  • 17.3 堆叠式自动编码器
  • 17.4 卷积自动编码器
  • 17.5 去噪自动编码器
  • 17.6 稀疏自动编码器
  • 17.7 变分自动编码器
  • 17.8 生成Fashion MNIST图像
  • 17.9 生成对抗网络
  • 17.10 扩散模型
  • 17.11 练习题
  • 第18章 强化学习
  • 18.1 学习优化奖励
  • 18.2 策略搜索
  • 18.3 OpenAI Gym介绍
  • 18.4 神经网络策略
  • 18.5 评估动作：信用分配问题
  • 18.6 策略梯度
  • 18.7 马尔可夫决策过程
  • 18.8 时序差分学习
  • 18.9 Q学习
  • 18.10 实现深度Q学习
  • 18.11 深度Q学习的变体
  • 18.12 一些流行的RL算法概述
  • 18.13 练习题
  • 第19章 大规模训练和部署TensorFlow模型
  • 19.1 为TensorFlow模型提供服务
  • 19.2 将模型部署到移动设备或嵌入式设备
  • 19.3 在Web页面中运行模型
  • 19.4 使用GPU加速计算
  • 19.5 跨多个设备训练模型
  • 19.6 练习题
  • 致读者
  • 附录A 机器学习项目清单
  • 附录B 自动微分
  • 附录C 特殊数据结构
  • 附录D TensorFlow图
  • 作者介绍
  • 封面介绍
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。