機(jī)器學(xué)習(xí)觀止：核心原理與實(shí)踐

定　價：￥168.00

作　者：	林學(xué)森著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥84.00)

ISBN：	9787302557449	出版時間：	2021-03-01	包裝：	平裝
開本：	16	頁數(shù)：	772	字?jǐn)?shù)：

內(nèi)容簡介

　　《機(jī)器學(xué)習(xí)觀止——核心原理與實(shí)踐》在寫作伊始，就把讀者設(shè)想為一位雖然沒有任何AI基礎(chǔ)，但對技術(shù)本身抱有濃厚興趣、喜歡“抽絲剝繭”、探究真相的“有識之士”。有別于市面上部分AI技術(shù)書籍從一開始就直接講解各種“高深莫測”算法的敘述手法，《機(jī)器學(xué)習(xí)觀止——核心原理與實(shí)踐》嘗試先從零開始構(gòu)建基礎(chǔ)技術(shù)點(diǎn)，而后“循序漸進(jìn)”地引領(lǐng)讀者前進(jìn)，最終“直搗黃龍”，贏取最后的勝利。全書據(jù)此分為5篇，共31章，內(nèi)容基本覆蓋了由AI發(fā)展歷史、數(shù)學(xué)基礎(chǔ)知識、機(jī)器學(xué)習(xí)算法等經(jīng)典知識點(diǎn)以及深度學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)等較新理論知識所組成的AI核心技術(shù)。同時注重“理論聯(lián)系實(shí)踐”，通過多個章節(jié)重點(diǎn) 介紹了如何在工程項(xiàng)目中運(yùn)用AI來解決問題的諸多經(jīng)驗(yàn)以及相應(yīng)的模型算法，以期讓讀者既能享受到“知其所以然”的樂趣，還能體會到“知其然”的輕松和愉悅。《機(jī)器學(xué)習(xí)觀止——核心原理與實(shí)踐》適合對AI感興趣的讀者閱讀，從事AI領(lǐng)域工作的研究人員、工程開發(fā)人員、高校本科生和研究生都可以從《機(jī)器學(xué)習(xí)觀止——核心原理與實(shí)踐》中學(xué)到機(jī)器學(xué)習(xí)的相關(guān)知識。

作者簡介

　　林學(xué)森，香港中文大學(xué)研究生學(xué)歷，現(xiàn)為某世界100強(qiáng)科技公司首席技術(shù)專家、資深架構(gòu)師。在系統(tǒng)軟件、人工智能、軟件工具鏈、分布式系統(tǒng)等領(lǐng)域具備多年的技術(shù)研發(fā)與項(xiàng)目管理經(jīng)驗(yàn)。另著有《深入理解Android內(nèi)核設(shè)計思想》《Android應(yīng)用程序開發(fā)權(quán)威指南》等書籍。

圖書目錄

目錄

機(jī)器學(xué)習(xí)基礎(chǔ)知識篇

第1章人工智能概述 002
1.1 人工智能的定義 002
1.2 人工智能發(fā)展簡史 003
1.3 人工智能經(jīng)典流派 016
1.4 人工智能與機(jī)器學(xué)習(xí) 027
1.5 如何選擇機(jī)器學(xué)習(xí)算法 029
1.6 機(jī)器學(xué)習(xí)的典型應(yīng)用場景 032
1.7 本書的組織結(jié)構(gòu) 043

第2章機(jī)器學(xué)習(xí)中的數(shù)學(xué)基礎(chǔ) 045
2.1 微分學(xué) 045
2.2 線性代數(shù) 047
2.3 概率論 060
2.4 統(tǒng)計學(xué) 065
2.5 最優(yōu)化理論 068
2.6 其他 088

第3章機(jī)器學(xué)習(xí)模型的度量指標(biāo) 099
3.1 Precision、Recall和mAP 099
3.2 F1 Score 101
3.3 混淆矩陣 102
3.4 ROC 103
3.5 AUC 105
3.6 PRC 107
3.7 工業(yè)界使用的典型AI指標(biāo) 108

經(jīng)典機(jī)器學(xué)習(xí)篇

第4章回歸算法 112
4.1 回歸分析 112
4.2 線性回歸 112
4.3 邏輯回歸 115

第5章 K-NN算法 122
5.1 K-NN概述 122
5.2 K-NN分類算法 123
5.3 K-NN回歸算法 124
5.4 K-NN的優(yōu)缺點(diǎn) 125
5.5 K-NN工程范例 126

第6章 k-means 129
6.1 k-means概述 129
6.2 k-means核心算法 129
6.3 k-means算法的優(yōu)缺點(diǎn) 131
6.4 k-means工程范例 132

第7章樸素貝葉斯 135
7.1 樸素貝葉斯分類算法 135
7.2 樸素貝葉斯的實(shí)際應(yīng)用 137

第8章決策樹和隨機(jī)森林 141
8.1 決策樹 141
8.2 隨機(jī)森林 146

第9章支持向量機(jī) 149
9.1 SVM可以做什么 149
9.2 SVM的數(shù)學(xué)表述 151
9.4 硬間隔SVM 174
9.5 軟間隔SVM 177
9.6 核函數(shù)技巧 182
9.7 多分類SVM 187
9.8 SVM實(shí)踐 193

第10章 PCA降維 196
10.1 降維概述 196
10.2 PCA降維實(shí)現(xiàn)原理 197
10.3 PCA實(shí)例 200

第11章集成學(xué)習(xí) 202
11.1 集成學(xué)習(xí)概述 202
11.2 集成學(xué)習(xí)架構(gòu) 203
11.3 典型的集成方法 206

深度學(xué)習(xí)進(jìn)階篇

第12章深度神經(jīng)網(wǎng)絡(luò) 212
12.1 神經(jīng)元 212
12.2 激活函數(shù) 214
12.4 損失函數(shù) 224

第13章卷積神經(jīng)網(wǎng)絡(luò) 232
13.1 CNN發(fā)展歷史簡述 232
13.2 CNN的核心組成元素 233
13.3 CNN經(jīng)典框架 237
13.4 CNN的典型特性 249

第14章 RNN與LSTM 256
14.1 RNN 256
14.2 RNN的多種形態(tài) 257
14.3 RNN存在的不足 258
14.4 LSTM 259
14.5 LSTM核心框架 259
14.6 GRU 263

第15章深度強(qiáng)化學(xué)習(xí) 265
15.1 強(qiáng)化學(xué)習(xí)和MDP 265
15.2 MDP問題的解決方案分類 268
15.3 基于模型的動態(tài)規(guī)劃算法 269
15.4 基于無模型的強(qiáng)化學(xué)習(xí)算法 272
15.5 DQN 278
15.6 基于策略的強(qiáng)化學(xué)習(xí)算法 280

第16章 MCTS 285
16.1 MCTS概述 285
16.2 MCTS算法核心處理過程 286
16.3 UCB和UCT 286
16.4 MCTS實(shí)例解析 288

機(jī)器學(xué)習(xí)應(yīng)用實(shí)踐及相關(guān)原理

第17章數(shù)據(jù)集的建設(shè) 292
17.1 數(shù)據(jù)集建設(shè)的核心目標(biāo) 292
17.2 數(shù)據(jù)采集和標(biāo)注 294
17.3 數(shù)據(jù)分析和處理 299

第18章 CNN訓(xùn)練技巧 304
18.1 數(shù)據(jù)預(yù)處理 304
18.2 數(shù)據(jù)增強(qiáng) 308
18.3 CNN核心組件擇優(yōu) 309
18.4 參數(shù)初始化策略 310
18.5 模型過擬合解決方法 319
18.6 模型的可解釋性 328
18.7 Auto ML 346

第19章 CV和視覺識別經(jīng)典模型 348
19.1 CV發(fā)展簡史 348
19.2 視覺識別概述 353
19.3 R-CNN 359
19.4 Fast R-CNN 364
19.5 SPP-Net 365
19.6 Faster R-CNN 368
19.7 YOLO 375
19.8 SSD 383
19.9 不基于CNN來實(shí)現(xiàn)目標(biāo)識別 390

第20章自然語言處理和CNN 397
20.1 NLP簡述 397
20.2 NLP發(fā)展歷史 399
20.3 自然語言基礎(chǔ) 400
20.4 詞的表達(dá)方式 403
20.5 自然語言模型 405
20.6 word2vec 416
20.6.1 word2vec簡介 416
20.7 常用語料庫 420
20.8 NLP應(yīng)用：文本分類 424

第21章自然語言處理和CNN 430
21.1 應(yīng)用程序場景識別背景 430
21.2 特征向量 431
21.3 數(shù)據(jù)采集 432
21.4 算法模型 433
21.5 落地應(yīng)用 433

第22章軟件自動修復(fù) 436
22.1 什么是軟件自動修復(fù) 436
22.2 軟件自動修復(fù)基礎(chǔ)知識 437
22.3 階段1：缺陷定位 441
22.4 階段2：補(bǔ)丁生成 458
22.5 APR領(lǐng)域經(jīng)典框架 462

第23章基于強(qiáng)化學(xué)習(xí)的經(jīng)典應(yīng)用—AlphaGO 479
23.1 AlphaGO簡述 479
23.2 AlphaGO核心原理 480
23.3 策略網(wǎng)絡(luò) 481
23.4 估值網(wǎng)絡(luò) 483
23.5 MCTS 483

機(jī)器學(xué)習(xí)平臺篇

第24章分布式機(jī)器學(xué)習(xí)框架基礎(chǔ)知識 488
24.1 分布式機(jī)器學(xué)習(xí)核心理念 488
24.2 GPU硬件設(shè)備 491
24.3 網(wǎng)絡(luò)標(biāo)準(zhǔn) 498
24.4 分布式通信框架 500
24.5 經(jīng)典分布式ML框架Caffe-MPI 511

第25章 Tensorflow 514
25.1 Tensorflow安裝過程 514
25.2 Tensorflow基礎(chǔ)知識 516
25.3 Tensorflow分布式訓(xùn)練 533
25.4 Tensorflow分布式部署 549
25.5 Tensorflow范例解析 560
25.6 Tensorflow的“變種” 563

第26章 Caffe 568
26.1 Caffe的安裝 568
26.2 Caffe支持的數(shù)據(jù)集格式 587
26.3 Caffe中的網(wǎng)絡(luò)模型構(gòu)建 594
26.4 Google Protocol Buffer 598
26.5 Caffe2源碼結(jié)構(gòu) 600
26.6 Caffe工程范例 601
26.7 Caffe中的Model Zoo 607

第27章 scikit-learn 609
27.1 scikit-learn的安裝 610
27.2 scikit-learn中的機(jī)器學(xué)習(xí)算法 610
27.3 scikit-learn中的Model selection 613
27.4 scikit-learn中的預(yù)處理 619

第28章主流AI云平臺 628
28.1 Microsoft OpenPAI 628
28.2 Google Cloud 631
28.3 Baidu 631
28.4 Alibaba 637

第29章圖像處理基礎(chǔ) 650
29.1 光、色彩和人類視覺系統(tǒng) 650
29.2 圖像的顏色模型 653
29.3 圖像的基本屬性 655
29.4 圖像特征 659
29.5 圖像的典型特征描述子 661
29.6 圖像處理實(shí)例(圖像質(zhì)量檢測) 690

第30章程序切片技術(shù) 693
30.1 程序切片綜述 693
30.2 程序切片基礎(chǔ)知識 695
30.3 靜態(tài)切片技術(shù) 715
30.4 動態(tài)切片技術(shù) 721

第31章業(yè)界主流數(shù)據(jù)集分析 726
31.1 ImageNet簡述 726
31.2 ImageNet的構(gòu)建邏輯 726
31.3 ImageNet數(shù)據(jù)源的選擇與處理 730
31.4 ImageNet的下載 733

參考文獻(xiàn) 736