4.8
用户推荐指数
人工智能 类型
9.3 豆瓣评分
可以朗读 语音朗读
291千字 字数
2020-10-01 发行日期
展开全部

主编推荐语

轻松入门机器学习，理论实战并重，适合零基础学习者。

内容简介

本书内容轻松，但涵盖面很广，实战性也很强，主要包括机器学习的基本原理、机器学习相关的极简数学知识和Python语法、机器学习相关算法（线性回归、逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、监督学习和无监督学习、强化学习等内容及各项内容的实战案例等。 本书适合对AI感兴趣的程序员、项目经理、在校大学生以及任何想以零基础入门机器学习的人，用以入门机器学习领域，建立从理论到实战的知识通道。

目录

  • 版权信息
  • 内容提要
  • 推荐语
  • 前言
  • 资源与支持
  • 引子 AI菜鸟的挑战——100天上线智能预警系统
  • 第1课 机器学习快速上手路径——唯有实战
  • 1.1 机器学习的家族谱
  • 1.1.1 新手入门机器学习的3个好消息
  • 1.1.2 机器学习就是从数据中发现规律
  • 1.1.3 机器学习的类别——监督学习及其他
  • 1.1.4 机器学习的重要分支——深度学习
  • 1.1.5 机器学习新热点——强化学习
  • 1.1.6 机器学习的两大应用场景——回归与分类
  • 1.1.7 机器学习的其他应用场景
  • 1.2 快捷的云实战学习模式
  • 1.2.1 在线学习平台上的机器学习课程
  • 1.2.2 用Jupyter Notebook直接实战
  • 1.2.3 用Google Colab开发第一个机器学习程序
  • 1.2.4 在Kaggle上参与机器学习竞赛
  • 1.2.5 在本机上“玩”机器学习
  • 1.3 基本机器学习术语
  • 1.3.1 特征
  • 1.3.2 标签
  • 1.3.3 模型
  • 1.4 Python和机器学习框架
  • 1.4.1 为什么选择用Python
  • 1.4.2 机器学习和深度学习框架
  • 1.5 机器学习项目实战架构
  • 1.5.1 第1个环节：问题定义
  • 1.5.2 第2个环节：数据的收集和预处理
  • 1.5.3 第3个环节：选择机器学习模型
  • 1.5.4 第4个环节：训练机器，确定参数
  • 1.5.5 第5个环节：超参数调试和性能优化
  • 1.6 本课内容小结
  • 1.7 课后练习
  • 第2课 数学和Python基础知识——一天搞定
  • 2.1 函数描述了事物间的关系
  • 2.1.1 什么是函数
  • 2.1.2 机器学习中的函数
  • 2.2 捕捉函数的变化趋势
  • 2.2.1 连续性是求导的前提条件
  • 2.2.2 通过求导发现y如何随x而变
  • 2.2.3 凸函数有一个全局最低点
  • 2.3 梯度下降是机器学习的动力之源
  • 2.3.1 什么是梯度
  • 2.3.2 梯度下降：下山的隐喻
  • 2.3.3 梯度下降有什么用
  • 2.4 机器学习的数据结构——张量
  • 2.4.1 张量的轴、阶和形状
  • 2.4.2 标量——0D（阶）张量
  • 2.4.3 向量——1D（阶）张量
  • 2.4.4 矩阵——2D（阶）张量
  • 2.4.5 序列数据——3D（阶）张量
  • 2.4.6 图像数据——4D（阶）张量
  • 2.4.7 视频数据——5D（阶）张量
  • 2.4.8 数据的维度和空间的维度
  • 2.5 Python的张量运算
  • 2.5.1 机器学习中张量的创建
  • 2.5.2 通过索引和切片访问张量中的数据
  • 2.5.3 张量的整体操作和逐元素运算
  • 2.5.4 张量的变形和转置
  • 2.5.5 Python中的广播
  • 2.5.6 向量和矩阵的点积运算
  • 2.6 机器学习的几何意义
  • 2.6.1 机器学习的向量空间
  • 2.6.2 深度学习和数据流形
  • 2.7 概率与统计研究了随机事件的规律
  • 2.7.1 什么是概率
  • 2.7.2 正态分布
  • 2.7.3 标准差和方差
  • 2.8 本课内容小结
  • 2.9 课后练习
  • 第3课 线性回归——预测网店的销售额
  • 3.1 问题定义：小冰的网店广告该如何投放
  • 3.2 数据的收集和预处理
  • 3.2.1 收集网店销售额数据
  • 3.2.2 数据读取和可视化
  • 3.2.3 数据的相关分析
  • 3.2.4 数据的散点图
  • 3.2.5 数据集清洗和规范化
  • 3.2.6 拆分数据集为训练集和测试集
  • 3.2.7 把数据归一化
  • 3.3 选择机器学习模型
  • 3.3.1 确定线性回归模型
  • 3.3.2 假设（预测）函数——h（x）
  • 3.3.3 损失（误差）函数——L（w，b）
  • 3.4 通过梯度下降找到最佳参数
  • 3.4.1 训练机器要有正确的方向
  • 3.4.2 凸函数确保有最小损失点
  • 3.4.3 梯度下降的实现
  • 3.4.4 学习速率也很重要
  • 3.5 实现一元线性回归模型并调试超参数
  • 3.5.1 权重和偏置的初始值
  • 3.5.2 进行梯度下降
  • 3.5.3 调试学习速率
  • 3.5.4 调试迭代次数
  • 3.5.5 在测试集上进行预测
  • 3.5.6 用轮廓图描绘L、w和b的关系
  • 3.6 实现多元线性回归模型
  • 3.6.1 向量化的点积运算
  • 3.6.2 多变量的损失函数和梯度下降
  • 3.6.3 构建一个线性回归函数模型
  • 3.6.4 初始化权重并训练机器
  • 3.7 本课内容小结
  • 3.8 课后练习
  • 第4课 逻辑回归——给病患和鸢尾花分类
  • 4.1 问题定义：判断客户是否患病
  • 4.2 从回归问题到分类问题
  • 4.2.1 机器学习中的分类问题
  • 4.2.2 用线性回归+阶跃函数完成分类
  • 4.2.3 通过Sigmiod函数进行转换
  • 4.2.4 逻辑回归的假设函数
  • 4.2.5 逻辑回归的损失函数
  • 4.2.6 逻辑回归的梯度下降
  • 4.3 通过逻辑回归解决二元分类问题
  • 4.3.1 数据的准备与分析
  • 4.3.2 建立逻辑回归模型
  • 4.3.3 开始训练机器
  • 4.3.4 测试分类结果
  • 4.3.5 绘制损失曲线
  • 4.3.6 直接调用Sklearn库
  • 4.3.7 哑特征的使用
  • 4.4 问题定义：确定鸢尾花的种类
  • 4.5 从二元分类到多元分类
  • 4.5.1 以一对多
  • 4.5.2 多元分类的损失函数
  • 4.6 正则化、欠拟合和过拟合
  • 4.6.1 正则化
  • 4.6.2 欠拟合和过拟合
  • 4.6.3 正则化参数
  • 4.7 通过逻辑回归解决多元分类问题
  • 4.7.1 数据的准备与分析
  • 4.7.2 通过Sklearn实现逻辑回归的多元分类
  • 4.7.3 正则化参数——C值的选择
  • 4.8 本课内容小结
  • 4.9 课后练习
  • 第5课 深度神经网络——找出可能流失的客户
  • 5.1 问题定义：咖哥接手的金融项目
  • 5.2 神经网络的原理
  • 5.2.1 神经网络极简史
  • 5.2.2 传统机器学习算法的局限性
  • 5.2.3 神经网络的优势
  • 5.3 从感知器到单隐层网络
  • 5.3.1 感知器是最基本的神经元
  • 5.3.2 假设空间要能覆盖特征空间
  • 5.3.3 单神经元特征空间的局限性
  • 5.3.4 分层：加入一个网络隐层
  • 5.4 用Keras单隐层网络预测客户流失率
  • 5.4.1 数据的准备与分析
  • 5.4.2 先尝试逻辑回归算法
  • 5.4.3 单隐层神经网络的Keras实现
  • 5.4.4 训练单隐层神经网络
  • 5.4.5 训练过程的图形化显示
  • 5.5 分类数据不平衡问题：只看准确率够用吗
  • 5.5.1 混淆矩阵、精确率、召回率和F1分数
  • 5.5.2 使用分类报告和混淆矩阵
  • 5.5.3 特征缩放的魔力
  • 5.5.4 阈值调整、欠采样和过采样
  • 5.6 从单隐层神经网络到深度神经网络
  • 5.6.1 梯度下降：正向传播和反向传播
  • 5.6.2 深度神经网络中的一些可调超参数
  • 5.6.3 梯度下降优化器
  • 5.6.4 激活函数：从Sigmoid到ReLU
  • 5.6.5 损失函数的选择
  • 5.6.6 评估指标的选择
  • 5.7 用Keras深度神经网络预测客户流失率
  • 5.7.1 构建深度神经网络
  • 5.7.2 换一换优化器试试
  • 5.7.3 神经网络正则化：添加Dropout层
  • 5.8 深度神经网络的调试及性能优化
  • 5.8.1 使用回调功能
  • 5.8.2 使用TensorBoard
  • 5.8.3 神经网络中的过拟合
  • 5.8.4 梯度消失和梯度爆炸
  • 5.9 本课内容小结
  • 5.10 课后练习
  • 第6课 卷积神经网络——识别狗狗的图像
  • 6.1 问题定义：有趣的狗狗图像识别
  • 6.2 卷积网络的结构
  • 6.3 卷积层的原理
  • 6.3.1 机器通过“模式”进行图像识别
  • 6.3.2 平移不变的模式识别
  • 6.3.3 用滑动窗口抽取局部特征
  • 6.3.4 过滤器和响应通道
  • 6.3.5 对特征图进行卷积运算
  • 6.3.6 模式层级结构的形成
  • 6.3.7 卷积过程中的填充和步幅
  • 6.4 池化层的功能
  • 6.5 用卷积网络给狗狗图像分类
  • 6.5.1 图像数据的读入
  • 6.5.2 构建简单的卷积网络
  • 6.5.3 训练网络并显示误差和准确率
  • 6.6 卷积网络性能优化
  • 6.6.1 第一招：更新优化器并设置学习速率
  • 6.6.2 第二招：添加Dropout层
  • 6.6.3 “大杀器”：进行数据增强
  • 6.7 卷积网络中特征通道的可视化
  • 6.8 各种大型卷积网络模型
  • 6.8.1 经典的VGGNet
  • 6.8.2 采用Inception结构的GoogLeNet
  • 6.8.3 残差网络ResNet
  • 6.9 本课内容小结
  • 6.10 课后练习
  • 第7课 循环神经网络——鉴定留言及探索系外行星
  • 7.1 问题定义：鉴定评论文本的情感属性
  • 7.2 循环神经网络的原理和结构
  • 7.2.1 什么是序列数据
  • 7.2.2 前馈神经网络处理序列数据的局限性
  • 7.2.3 循环神经网络处理序列问题的策略
  • 7.2.4 循环神经网络的结构
  • 7.3 原始文本如何转化成向量数据
  • 7.3.1 文本的向量化：分词
  • 7.3.2 通过One-hot编码分词
  • 7.3.3 词嵌入
  • 7.4 用SimpleRNN鉴定评论文本
  • 7.4.1 用Tokenizer给文本分词
  • 7.4.2 构建包含词嵌入的SimpleRNN
  • 7.4.3 训练网络并查看验证准确率
  • 7.5 从SimpleRNN到LSTM
  • 7.5.1 SimpleRNN的局限性
  • 7.5.2 LSTM网络的记忆传送带
  • 7.6 用LSTM鉴定评论文本
  • 7.7 问题定义：太阳系外哪些恒星有行星环绕
  • 7.8 用循环神经网络处理时序问题
  • 7.8.1 时序数据的导入与处理
  • 7.8.2 建模：CNN和RNN的组合
  • 7.8.3 输出阈值的调整
  • 7.8.4 使用函数式API
  • 7.9 本课内容小结
  • 7.10 课后练习
  • 第8课 经典算法“宝刀未老”
  • 8.1 K最近邻
  • 8.2 支持向量机
  • 8.3 朴素贝叶斯
  • 8.4 决策树
  • 8.4.1 熵和特征节点的选择
  • 8.4.2 决策树的深度和剪枝
  • 8.5 随机森林
  • 8.6 如何选择最佳机器学习算法
  • 8.7 用网格搜索超参数调优
  • 8.8 本课内容小结
  • 8.9 课后练习
  • 第9课 集成学习“笑傲江湖”
  • 9.1 偏差和方差——机器学习性能优化的风向标
  • 9.1.1 目标：降低偏差与方差
  • 9.1.2 数据集大小对偏差和方差的影响
  • 9.1.3 预测空间的变化带来偏差和方差的变化
  • 9.2 Bagging算法——多个基模型的聚合
  • 9.2.1 决策树的聚合
  • 9.2.2 从树的聚合到随机森林
  • 9.2.3 从随机森林到极端随机森林
  • 9.2.4 比较决策树、树的聚合、随机森林、极端随机森林的效率
  • 9.3 Boosting算法——锻炼弱模型的“肌肉”
  • 9.3.1 AdaBoost算法
  • 9.3.2 梯度提升算法
  • 9.3.3 XGBoost算法
  • 9.3.4 Bagging算法与Boosting算法的不同之处
  • 9.4 Stacking/Blending算法——以预测结果作为新特征
  • 9.4.1 Stacking算法
  • 9.4.2 Blending算法
  • 9.5 Voting/Averaging算法——集成基模型的预测结果
  • 9.5.1 通过Voting进行不同算法的集成
  • 9.5.2 通过Averaging集成不同算法的结果
  • 9.6 本课内容小结
  • 9.7 课后练习
  • 第10课 监督学习之外——其他类型的机器学习
  • 10.1 无监督学习——聚类
  • 10.1.1 K均值算法
  • 10.1.2 K值的选取：手肘法
  • 10.1.3 用聚类辅助理解营销数据
  • 10.2 无监督学习——降维
  • 10.2.1 PCA算法
  • 10.2.2 通过PCA算法进行图像特征采样
  • 10.3 半监督学习
  • 10.3.1 自我训练
  • 10.3.2 合作训练
  • 10.3.3 半监督聚类
  • 10.4 自监督学习
  • 10.4.1 潜隐空间
  • 10.4.2 自编码器
  • 10.4.3 变分自编码器
  • 10.5 生成式学习
  • 10.5.1 机器学习的生成式
  • 10.5.2 生成式对抗网络
  • 10.6 本课内容小结
  • 10.7 课后练习
  • 第11课 强化学习实战——咖哥的冰湖挑战
  • 11.1 问题定义：帮助智能体完成冰湖挑战
  • 11.2 强化学习基础知识
  • 11.2.1 延迟满足
  • 11.2.2 更复杂的环境
  • 11.2.3 强化学习中的元素
  • 11.2.4 智能体的视角
  • 11.3 强化学习基础算法Q-Learning详解
  • 11.3.1 迷宫游戏的示例
  • 11.3.2 强化学习中的局部最优
  • 11.3.3 ε-Greedy策略
  • 11.3.4 Q-Learning算法的伪代码
  • 11.4 用Q-Learning算法来解决冰湖挑战问题
  • 11.4.1 环境的初始化
  • 11.4.2 Q-Learning算法的实现
  • 11.4.3 Q-Table的更新过程
  • 11.5 从Q-Learning算法到SARSA算法
  • 11.5.1 异策略和同策略
  • 11.5.2 SARSA算法的实现
  • 11.6 用SARSA算法来解决冰湖挑战问题
  • 11.7 Deep Q Network算法：用深度网络实现Q-Learning
  • 11.8 本课内容小结
  • 11.9 课后练习
  • 尾声 如何实现机器学习中的知识迁移及持续性的学习
  • 练习答案
展开全部

评分及书评

4.8
19个评分
  • 用户头像
    给这本书评了
    5.0
    确实不错

    看了几本入门书 不少有疏漏 或者有不少跳跃 这本确实可以

      转发
      评论
      用户头像
      给这本书评了
      5.0

      实操性很强的一本书。

        转发
        评论
        用户头像
        给这本书评了
        3.0
        开头很吸引，结尾有点空

        最大问题，开头的智能预警项目没有落地？？

          转发
          评论
        • 查看全部5条书评

        出版方

        人民邮电出版社

        人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。