





定价:89元
印次:1-4
ISBN:9787302566397
出版日期:2021.02.01
印刷日期:2024.07.08
图书责编:赵凯
图书分类:零售
本书全面系统地介绍了机器学习领域中的经典方法,并兼顾算法原理与实践运用。具体内容涉及回归分析(线性回归、多项式回归、非线性回归、岭回归,LASSO、弹性网络,以及RANSAC等)、分类(感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等)、聚类(K均值、EM算法、密度聚类、层次聚类,以及谱聚类等)、集成学习(随机森林、AdaBoost、梯度提升等)、蒙特卡洛采样(拒绝采样、自适应拒绝采样、重要性采样、吉布斯采样和马尔科夫链蒙特卡洛等)、降维与流形学习(SVD、PCA和MDS等),以及概率图模型(例如贝叶斯网络和隐马尔科夫模型)等话题。 更为重要的是,作者基于全新制定的学习路线图设计并组织了各章节的布局,使得全书的内容层层递进又紧密联系。这些安排旨在帮助读者深化理解原理细节,并建立完整而系统的全局观。在力求清晰阐述算法原理的同时,本书还基于机器学习经典框架scikit-learn提供了算法的应用实例,并使用Python编写代码,非常适合读者自学。 本书是机器学习及相关课程的教学参考书,适用于高等院校人工智能、机器学习或数据挖掘等相关专业的师生研习之用,也可供从事计算机应用,特别是数据科学相关专业的研发人员参考。
左飞 博士,技术作家、译者。著作涉及人工智能、图像处理和编程语言等多个领域,其中两部作品的繁体版在中国台湾地区发行。同时,他还翻译出版了包括《编码》在内的多部经典著作。曾荣获“最受读者喜爱的IT图书作译者奖”。他撰写的技术博客(https://baimafujinji.blog.csdn.net/)非常受欢迎,累计拥有近500万的访问量。补彬,算法工程师,毕业于澳大利亚墨尔本大学计算机科学系。目前就职于爱奇艺,从事业务安全相关算法研究工作。
前言 清晨你刚睁开惺忪的睡眼,公寓的智能管家Jarvis便通过心率、体温等信息监测到你醒了。窗帘缓缓拉开,耳边传来舒缓的音乐,高大白胖的机器人Baymax为你送来了清晨的第一杯咖啡。看着投影在空气中的天气预报,你扬起了嘴角。今天又是阳光明媚的一天!突然场景一转,万籁俱寂,眼前出现了无数以人为电池的机械虫茧。背后脚步声响起,你转头看见一个酷似施瓦辛格的T800型机器人正拿枪对着你。多年以后,当你在新闻里看到机器人三大定律时,准会想起第一次翻开这本书看到“机器学习”这个词的那个遥远的下午…… 上面这个荒诞不经的“梦”,糅合了多个有关人工智能的经典电影场景。人们一方面畅想着人工智能带来的便捷与美好; 另一方面又时刻警惕着技术进步可能带来的问题与危害。2016年3月,由Google旗下DeepMind公司开发的围棋机器人AlphaGo以4∶1战胜围棋世界冠军李世石。其后,AlphaGo化名“Master”在互联网上对战中日韩围棋高手六十余局无一败绩。次年5月,AlphaGo以3∶0完胜当时世界排名第一的围棋冠军柯洁。此后AlphaGo便不再参加围棋比赛,退隐江湖了。一时间机器人威胁论甚嚣尘上,仿佛电影中具备人类等级智能的机器人已经触手可及。事实上,这种级别的智能体离我们还有相当长的一段距离。美国作家霍华德·洛夫克拉夫特(Howard Lovecraft)有句名言: The oldest and strongest emotion of mankind is fear, and the oldest and strongest kind of fear is fear o...
目录
第1章机器学习初探
1.1初识机器学习
1.1.1从小蝌蚪找妈妈谈起
1.1.2机器学习的主要任务
1.2工欲善其事,必先利其器
1.2.1scikitlearn
1.2.2NumPy
1.2.3SciPy
1.2.4Matplotlib
1.2.5Pandas
1.3最简单的机器学习模型
1.3.1贝叶斯公式与边缘分布
1.3.2先验概率与后验概率
1.3.3朴素贝叶斯分类器原理
1.4泰坦尼克之灾
1.4.1认识问题及数据
1.4.2数据预处理
1.4.3特征筛选
1.4.4分类器的构建
1.4.5分类器的评估
第2章一元线性回归
2.1回归分析的性质
2.2回归的基本概念
2.2.1总体的回归函数
2.2.2随机干扰的意义
2.2.3样本的回归函数
2.3回归模型的估计
2.3.1普通最小二乘法原理
2.3.2一元线性回归的应用
2.3.3经典模型的基本假定
2.3.4总体方差的无偏估计
2.3.5估计参数的概率分布
2.4正态条件下的模型检验
2.4.1拟合优度的检验
2.4.2整体性假定检验
2.4.3单个参数的检验
2.5一元线性回归模型预测
2.5.1点预测
2.5.2区间预测
第3章多元线性回归
3.1多元线性回归模型
3.2多元回归模型估计
3.2.1最小二乘估计量
3.2... 查看详情
回归分析(线性回归、 多项式回归、 非线性回归、 岭回归、LASSO、 弹性网络, 以及 RANSAC 等)
分类(感知机、逻辑回归、 朴素贝叶斯、 决策树、 支持向量机、 神经网络等)
聚类(k均值、EM 算法、 密度聚类、 层次聚类以及谱聚类等)
集成学习(随机森林、AdaBoost、 梯度提升等)
蒙特卡洛采样(拒绝采样、 自适应拒绝采样、 重要性采样、 吉布斯采样和马尔可夫链蒙特卡洛等)
降维与流形学习(SVD、PCA 和 MDS 等)
概率图模型(贝叶斯网络和隐马尔可夫模型)