機器學習圖解
[加] 路易斯·G·塞拉諾(Luis G. Serrano)著 郭濤 譯
- 出版商: 清華大學
- 出版日期: 2023-07-01
- 定價: $768
- 售價: 8.5 折 $653
- 語言: 簡體中文
- 頁數: 775
- 裝訂: 平裝
- ISBN: 7302634645
- ISBN-13: 9787302634645
-
相關分類:
Machine Learning
- 此書翻譯自: Grokking Machine Learning
立即出貨
買這商品的人也買了...
-
$475多語自然語言處理:從原理到實踐 (Multilingual Natural Language Processing Applications: From Theory to Practice)
-
$250NLTK 基礎教程 — 用 NLTK 和 Python 庫構建機器學習應用 (NLTK Essentials)
-
$301精通 Python 自然語言處理 (Mastering Natural Language Processing with Python)
-
$301自然語言處理技術入門與實戰
-
$594$564 -
$327深度學習技術圖像處理入門
-
$354$336 -
$280$238 -
$301詳解 FPGA:人工智能時代的驅動引擎
-
$880$695 -
$780$585 -
$650$513 -
$600$468 -
$254程序員的數學4:圖論入門
-
$520$411 -
$620$484 -
$630$498 -
$580$458 -
$880$695 -
$420$378 -
$880$695 -
$458深度學習與醫學圖像處理
-
$600$468 -
$419$398 -
$720$562
商品描述
《機器學習圖解》是一本以簡明易懂的方式介紹機器學習算法和技術的書籍。即使讀者僅掌握高中數學知識,也能理解和應用強大的機器學習技術。書中不涉及深奧的術語,通過基本的代數知識提供清晰的解釋。
本書的內容包括以下方面:
-
分類和劃分數據的監督算法:介紹使用監督學習算法對數據進行分類和劃分的方法。
-
清理和簡化數據的方法:介紹如何處理數據中的噪音和缺失值,以及簡化數據的方法。
-
機器學習包和工具:介紹常用的機器學習包和工具,如Python中的Scikit-learn等。
-
復雜數據集的神經網絡和集成方法:介紹使用神經網絡和集成方法處理復雜數據集的技巧和方法。
書中的示例豐富,練習題有趣,插圖清晰,並且重點講解機器學習的核心概念。閱讀本書前,讀者需要具備一定的Python基礎知識,但不需要事先了解機器學習的知識。
目錄大綱
第1 章 什麽是機器學習?這是一種常識,唯一特別之處在於由電腦完成···········1
1.1 我是否需要掌握大量的數學和編程背景知識才能理解機器學習············ 2
1.2 機器學習究竟是什麽······· 3
1.3 如何讓機器根據數據做出決策?記憶-制定-預測框架············· 6
1.4 本章小結····················· 12
第2 章 機器學習類型·····················15
2.1 標簽數據和無標簽數據的區別··························· 17
2.2 監督學習:處理標簽數據的機器學習分支··············· 18
2.3 無監督學習:處理無標簽
數據的機器學習分支······ 21
2.4 什麽是強化學習············ 28
2.5 本章小結····················· 30
2.6 練習··························· 31
第3 章 在點附近畫一條線:線性
回歸····································33
3.1 問題:預測房屋的價格··· 35
3.2 解決方案:建立房價回歸模型··························· 35
3.3 如何讓電腦繪制出這
條線:線性回歸算法······ 41
3.4 如何衡量結果?誤差函數··························· 54
3.5 實際應用:使用Turi Create預測房價····················· 61
3.6 如果數據不在一行怎麽辦?
多項式回歸·················· 63
3.7 參數和超參數··············· 64
3.8 回歸應用····················· 65
3.9 本章小結····················· 66
3.10 練習························· 66
第4 章 優化訓練過程:欠擬合、過擬合、測試和正則化······ 69
4.1 使用多項式回歸的欠擬合和過擬合示例··············· 71
4.2 如何讓電腦選擇正確的模型?測試·················· 73
4.3 我們在哪裡打破了黃金法則,如何解決呢?驗證集························ 75
4.4 一種決定模型復雜度的數值方法:模型復雜度圖··························· 76
4.5 避免過擬合的另一種選擇:正則化························ 77
4.6 使用Turi Create 進行多項式回歸、測試和正則化······ 85
4.7 本章小結····················· 89
4.8 練習··························· 90
第5 章 使用線來劃分點: 感知器算法····································93
5.1 問題:我們在一個外星球上,聽不懂外星人的語言······ 95
5.2 如何確定分類器的好壞?誤差函數··················· 108
5.3 如何找到一個好的分類器?感知器算法················ 115
5.4 感知器算法編程實現···· 123
5.5 感知器算法的應用······· 128
5.6 本章小結··················· 129
5.7 練習························· 130
第6 章 劃分點的連續方法:邏輯分類器··································133
6.1 邏輯分類器:連續版感知器分類器··················· 134
6.2 如何找到一個好的邏輯分類器?邏輯回歸算法······· 144
6.3 對邏輯回歸算法進行編程························· 150
6.4 實際應用:使用Turi Create對IMDB 評論進行分類························· 154
6.5 多分類:softmax 函數·· 156
6.6 本章小結··················· 157
6.7 練習························· 158
第7 章 如何衡量分類模型?準確率和其他相關概念·················· 159
7.1 準確率:模型的正確頻率是多少······················ 160
7.2 如何解決準確率問題?定義不同類型的誤差以及如何進行衡量············· 161
7.3 一個有用的模型評價工具
ROC 曲線·················· 170
7.4 本章小結··················· 179
7.5 練習························· 181
第8 章 使用概率最大化:
樸素貝葉斯模型··············· 183
8.1 生病還是健康?以貝葉斯定理為主角的故事······· 184
8.2 用例:垃圾郵件檢測模型························· 188
8.3 使用真實數據構建垃圾郵件檢測模型············· 201
8.4 本章小結··················· 204
8.5 練習························· 205
第9 章 通過提問劃分數據:決策樹····························· 207
9.1 問題:需要根據用戶可能下載的內容向用戶推薦
應用························· 213
9.2 解決方案:構建應用推薦系統························· 214
9.3 超出“是”或“否”之類的問題················ 228
9.4 決策樹的圖形邊界······· 231
9.5 實際應用:使用Scikit-Learn 構建招生模型····· 234
9.6 用於回歸的決策樹······· 238
9.7 應用························· 241
9.8 本章小結··················· 242
9.9 練習························· 242
第10 章 組合積木以獲得更多力量:
神經網絡························245
10.1 以更復雜的外星球為例,開
啟神經網絡學習········ 247
10.2 訓練神經網絡··········· 258
10.3 Keras 中的神經網絡編程······················· 264
10.4 用於回歸的神經網絡·· 272
10.5 用於更復雜數據集的其他架構················· 273
10.6 本章小結················· 275
10.7 練習······················· 276
第11 章 用風格尋找界限:支持向量機和內核方法··········279
11.1 使用新的誤差函數構建更好的分類器··········· 281
11.2 Scikit-Learn 中的SVM編程······················· 287
11.3 訓練非線性邊界的SVM:
內核方法················· 289
11.4 本章小結················· 308
11.5 練習······················· 309
第12 章 組合模型以最大化結果:
集成學習························311
12.1 獲取朋友的幫助········ 312
12.2 bagging:隨機組合弱學習器以構建強學習器····· 314
12.3 AdaBoost:以智能方式組合弱學習器以構建強學習器···················· 319
12.4 梯度提升:使用決策樹構建強學習器··········· 327
12.5 XGBoost:一種梯度提升
的極端方法·············· 332
12.6 集成方法的應用········ 340
12.7 本章小結················· 341
12.8 練習······················· 341
第13 章 理論付諸實踐:數據工程和
機器學習真實示例········· 343
13.1 泰坦尼克號數據集····· 344
13.2 清洗數據集:缺失值及其處理方法·············· 348
13.3 特徵工程:在訓練模型之前轉換數據集中的特徵······················· 350
13.4 訓練模型················· 355
13.5 調整超參數以找到最佳模型:網格搜索········ 359
13.6 使用k 折交叉驗證來重用訓練和驗證數據········ 362
13.7 本章小結················· 363
13.8 練習······················· 364
以下內容可掃封底二維碼下載
附錄A 習題解答·························· 365
附錄B 梯度下降背後的數學原理:
使用導數和斜率下山········ 398
附錄C 參考資料·························· 416