人工智能入門 常用工具

張曉明

  • 出版商: 人民郵電
  • 出版日期: 2020-06-01
  • 售價: $354
  • 貴賓價: 9.5$336
  • 語言: 簡體中文
  • 頁數: 223
  • 裝訂: 平裝
  • ISBN: 7115505438
  • ISBN-13: 9787115505439

立即出貨 (庫存 < 3)

  • 人工智能入門 常用工具-preview-1
  • 人工智能入門 常用工具-preview-2
人工智能入門 常用工具-preview-1

買這商品的人也買了...

相關主題

商品描述

本書基於流行的Python語言,本書從案例出發,
展示各種工具的適用場景、關鍵用法和應用技巧。
本書分成四大單元,包括Python語法精講、
數據預處理和可視化、機器學習、深度學習4個單元。
涵蓋了Python、Pandas、Matplotlib、Seaborn、
Scikit-learn、TensorFlow、Keras等7種主流工具。

作者簡介

張曉明

網名大聖,國內早期的競價搜索工程師,曾就職雅虎、
阿里巴巴、中國移動等大型互聯網公司,擔任過數據專家、
技術總監等職務,服務過廣告、電商、移動運營商、互聯網金融等行業,
有15年以上的數據挖掘、機器學習一線工程經驗。
現為自由職業者、獨立諮詢顧問、獨立講師。

目錄大綱

目錄
第1章Python語法要素1
1.1用模塊組織代碼1
1.2模塊的兩種使用方式2
1.3編程的語法要素4
1.3.1變量4
1.3.2變量的數據類型和運算5
1.4代碼實戰1:計算二維空間兩個點的距離6
1.5數據結構7
1.5.1列表9
1.5.2字典10
1.6代碼實戰2:計算三維空間中兩個點的距離11

第2章語法結構13
2.1分支結構13
2.2循環結構14
2.2.1退出循環15
2.2.2else 16
2.3代碼實戰:計算高維空間兩個點的距離16

第3章函數和類18
3.1函數18
3.1.1定義函數18
3.1.2代碼實戰:距離函數19
3.2類和對象20
3.3類和繼承22
3.4小結24

第4章走進機器學習25
4.1不要關心概念26
4.2數據建模27
4.2.1用數學公式建模27
4.2.2用概率建模28
4. 3機器學習的功能30
4.3.1什麼是分類問題30
4.3.2什麼是回歸問題32
4.3.3什麼是聚類問題34
4.4小結36

第5章如何獲取數據37
5.1代碼實戰1:獲得鳶尾花數據集37
5.2專家解讀39
5.3代碼實戰2:獲得新聞數據集40
5.4專家解讀41
5.5代碼實戰3:生成不均衡數據集41
5.6專家解讀42
5.7小結44

第6章讀取外部數據45
6.1代碼實戰1:從文件讀取數據45
6.2專家解讀46
6.2.1對時間的處理47
6.2.2大文件迭代47
6.2.3CSV文件的寫操作48
6.3libsvm格式文件的讀寫49
6 .4專家解讀50
6.5代碼實戰2:從MySQL讀取數據51

第7章數據可視化探索53
7.1作者建議53
7.2代碼實戰1:觀察分佈54
7.3代碼實戰2:觀察變量間關係59
7.4小結63

第8章數據清洗65
8.1代碼實戰1:特徵類型校準65
8.2代碼實戰2:數據分佈可視化67
8.3代碼實戰3:處理缺失值69
8.4代碼實戰4:經驗法則和異常值處理72
8.5代碼實戰5:方差分析和變量篩選75

第9章如何做回歸79
9.1代碼實戰1:經典回歸79
9.2專家解讀82
9.3代碼實戰2:多元線性回歸84
9.4專家解讀86
9.5代碼實戰3:嶺回歸86
9.6專家解讀87
9.7代碼實戰4:Lasso回歸88
9.8專家解讀89
9.9代碼實戰5:KDE回歸90
9.10專家解讀93
9.11小結95

第10章支持向量機和圖像分類96
10.1代碼實戰1:支持向量機和圖像識別96
10.2專家解讀101
10.3代碼實戰2:核技巧104
10.4代碼實戰3:軟間隔vs硬間隔108
10.5小結109

第11章模型評估和優化110
11.1代碼實戰1:如何評估模型的分數111
11.2專家解讀112
11.3代碼實戰2:繪製ROC曲線114
11.4專家解讀117
11.5代碼實戰3:使用交叉驗證對模型評分118
11.6小結121

第12章神經網絡和深度學習122
12.1神經網絡122
12.1.1M-P神經元模型124
12.1.2前饋神經網絡124
12.2卷積神經網絡125
12.2.1CNN的典型結構示意126
12.2.2卷積層127
12.2.3ReLU層128
12.2.4池化層129
12.2.5全連接層129
12.3BP算法129
12 .4盤點著名的CNN架構130

第13章深度學習的硬件和軟件133
13.1為什麼是GPU 133
13.1.1GPU和矩陣運算134
13.1.2CUDA 135
13.2深度學習框架136
13.2 .1框架的意義137
13.2.2各種框架盤點138
13.2.3什麼是Keras 139
13.3小結142

第14章TensorFlow入門143
14.1初識143
14.2專家解讀144
14. 3代碼實戰:線性回歸148
14.4小結152

第15章Keras入門必讀153
15.1代碼實戰1:用Keras做線性回歸模型154
15.2專家解讀157
15.2.1序列模型和函數式模型的區別158
15.2.2激活層的簡寫159
15.2.3Keras的scikit-learn接口160
15.3代碼實戰2:手寫數字識別161
15.4專家解讀168
15.5小結172

第16章識別交通標誌174
16.1認識數據174
16.2從圖片文件到張量176
16.3搭建網絡模型181
16.4訓練模型183
16.5圖像增強改進187
16. 6小結191

第17章站在巨人的肩膀上193
17.1代碼實戰1:用VGG16做圖像識別194
17.2代碼實戰2:特徵提取196
17.3代碼實戰3:遷移學習197
17.4經典網絡通覽203
17.4.1VGG16 204
17.4.2GoogLeNet(Inception) 207
17.4.3ResNet 211
17.5小結214
附錄工作環境搭建說明215