人工智能
类型
可以朗读
语音朗读
144千字
字数
2020-08-01
发行日期
展开全部
主编推荐语
本书详细介绍机器学习原理、模型设计与应用案例，助读者掌握算法及应用技巧。
内容简介
本书主要对算法的原理进行了介绍，并融合大量的应用案例，详细介绍使用机器学习模型的一般方法，帮助读者理解算法原理，学会模型设计。本书首先介绍数据理解、数据的处理与特征，帮助读者认识数据；然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用；接着根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速；最后通过多个应用案例帮助读者加强对前面知识点的理解。
目录
- 封面
- 前折页
- 版权信息
- 内容简介
- 前言
- 致谢
- 第1章 引言
- 1.1 人工智能概述
- 1.1.1 人工智能的分类
- 1.1.2 人工智能的应用
- 1.2 人工智能与传统机器学习
- 1.2.1 人工神经网络与生物神经网络
- 1.2.2 落地的关键因素
- 1.3 机器学习算法领域发展综述
- 1.3.1 计算机视觉
- 1.3.2 自然语言处理
- 1.3.3 语音识别
- 1.4 小结
- 参考文献
- 第2章 数据理解
- 2.1 数据的三个基本维度
- 2.1.1 集中趋势
- 2.1.2 离散趋势
- 2.1.3 分布形态
- 2.2 数据的统计推论的基本方法
- 2.2.1 数据抽样
- 2.2.2 参数估计
- 2.2.3 假设检验
- 2.3 数据分析
- 2.3.1 基本理念
- 2.3.2 体系结构
- 2.3.3 传统数据分析方法与示例
- 2.3.4 基于数据挖掘的数据分析方法与示例
- 2.3.5 工作流程
- 2.3.6 数据分析技巧
- 2.3.7 数据可视化
- 2.4 小结
- 参考文献
- 第3章 数据处理与特征
- 3.1 数据的基本处理
- 3.1.1 数据预处理
- 3.1.2 数据清洗中的异常值判定和处理
- 3.1.3 数据清洗中的缺失值填充
- 3.2 数据的特征缩放和特征编码
- 3.2.1 特征缩放
- 3.2.2 特征编码
- 3.3 数据降维
- 3.3.1 基本思想与方法
- 3.3.2 变量选择
- 3.3.3 特征提取
- 3.4 图像的特征分析
- 3.4.1 图像预处理
- 3.4.2 传统图像特征提取
- 3.4.3 指纹识别
- 3.5 小结
- 参考文献
- 第4章 机器学习基础
- 4.1 统计学习
- 4.1.1 统计学习概述
- 4.1.2 一般研发流程
- 4.2 机器学习算法分类
- 4.2.1 体系框架
- 4.2.2 模型的形式
- 4.3 机器学习的学习规则
- 4.3.1 误差修正学习
- 4.3.2 赫布学习规则
- 4.3.3 最小均方规则
- 4.3.4 竞争学习规则
- 4.3.5 其他学习规则
- 4.4 机器学习的基础应用
- 4.4.1 基于最小二乘法的回归分析
- 4.4.2 基于K-Means的聚类分析
- 4.4.3 基于朴素贝叶斯的分类分析
- 4.5 小结
- 参考文献
- 第5章 模型选择和结构设计
- 5.1 传统机器学习模型选择
- 5.1.1 基本原则
- 5.1.2 经典模型
- 5.2 经典回归模型的理解和选择
- 5.2.1 逻辑回归
- 5.2.2 多项式回归
- 5.2.3 各类回归模型的简单对比
- 5.3 经典分类模型的理解和选择
- 5.3.1 K近邻算法
- 5.3.2 支持向量机
- 5.3.3 多层感知器
- 5.3.4 AdaBoost算法
- 5.3.5 各类分类算法的简单对比
- 5.4 经典聚类模型的理解和选择
- 5.4.1 基于划分的聚类
- 5.4.2 基于层次的聚类方法
- 5.4.3 基于密度的聚类
- 5.4.4 基于网格的聚类
- 5.4.5 聚类算法的简单对比
- 5.5 深度学习模型选择
- 5.5.1 分类问题模型
- 5.5.2 聚类问题模型
- 5.5.3 回归预测模型
- 5.5.4 各类深度学习模型的简单对比
- 5.6 深度学习模型结构的设计方向
- 5.6.1 基于深度的设计
- 5.6.2 基于升维或降维的设计
- 5.6.3 基于宽度和多尺度的设计
- 5.7 模型结构设计中的简单技巧
- 5.7.1 激活函数的选择
- 5.7.2 隐藏神经元的估算
- 5.7.3 卷积核串联使用
- 5.7.4 利用Dropout提升性能
- 5.8 小结
- 参考文献
- 第6章 目标函数设计
- 6.1 损失函数
- 6.1.1 一般简单损失函数
- 6.1.2 图像分类场景经典损失函数
- 6.1.3 目标检测中的经典损失函数
- 6.1.4 图像分割中的经典损失函数
- 6.1.5 对比场景中的经典损失函数
- 6.2 风险最小化和设计原则
- 6.2.1 期望风险、经验风险和结构风险
- 6.2.2 目标函数的设计原则
- 6.3 基于梯度下降法的目标函数优化
- 6.3.1 理论基础
- 6.3.2 常见的梯度下降法
- 6.3.3 改进方法
- 6.4 基于牛顿法的目标求解
- 6.4.1 基本原理
- 6.4.2 牛顿法的计算步骤
- 6.5 小结
- 参考文献
- 第7章 模型训练过程设计
- 7.1 数据选择
- 7.1.1 数据集筛选
- 7.1.2 难例挖掘
- 7.1.3 数据增强
- 7.2 参数初始化
- 7.2.1 避免全零初始化
- 7.2.2 随机初始化
- 7.3 拟合的验证与判断
- 7.3.1 过拟合的模型参数
- 7.3.2 不同算法场景中的欠拟合和过拟合
- 7.4 学习速率的选择
- 7.4.1 学习速率的一般观测方法
- 7.4.2 学习速率与批处理大小的关系
- 7.5 迁移学习
- 7.5.1 概念与基本方法
- 7.5.2 应用示例：基于VGG-16的迁移思路
- 7.6 分布式训练
- 7.6.1 数据并行
- 7.6.2 模型并行
- 7.7 小结
- 参考文献
- 第8章 模型效果的评估与验证
- 8.1 模型效果评估的一般性指标
- 8.1.1 分类算法的效果评估
- 8.1.2 聚类算法的效果评估
- 8.1.3 回归算法的效果评估
- 8.1.4 不同应用场景下的效果评估
- 8.2 交叉验证
- 8.2.1 基本思想
- 8.2.2 不同的交叉验证方法
- 8.3 模型的稳定性分析
- 8.3.1 计算的稳定性
- 8.3.2 数据的稳定性
- 8.3.3 模型性能
- 8.4 小结
- 参考文献
- 第9章 计算性能与模型加速
- 9.1 计算优化
- 9.1.1 问题与挑战
- 9.1.2 设备与推断计算
- 9.2 性能指标
- 9.2.1 计算平台的重要指标：算力和带宽
- 9.2.2 模型的两个重要指标：计算量和访存量
- 9.3 模型压缩与裁剪
- 9.3.1 问题背景
- 9.3.2 基本思路和方法
- 9.4 小结
- 参考文献
- 第10章 应用案例专题
- 10.1 求解二元一次方程
- 10.1.1 问题分析
- 10.1.2 模型设计
- 10.2 鸢尾花的案例分析
- 10.2.1 数据说明
- 10.2.2 数据理解和可视化
- 10.2.3 数据特征的降维
- 10.2.4 数据分类
- 10.2.5 数据聚类
- 10.3 形体识别
- 10.3.1 问题定义
- 10.3.2 应用形式
- 10.3.3 数据准备与处理
- 10.3.4 技术方案与模型设计
- 10.3.5 改进思考
- 10.4 小结
- 参考文献
- 后折页
- 封底
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
