计算机 类型
8.1 豆瓣评分
可以朗读 语音朗读
162千字 字数
2021-03-01 发行日期
展开全部

主编推荐语

本书是面向机器学习新手的入门书，基于Python 3.7.3，341个公式+175段代码+167张插图，让你透彻掌握机器学习基础知识。

内容简介

本书从学习环境的搭建开始，图文并茂地介绍了学习机器学习所需的Python知识和数学知识，并在此基础上结合数学式、示例程序、插图等，抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等进行了介绍。

本书既有图形、代码，又有详细的数学式推导过程，大大降低了机器学习的学习门槛，即使没有学过Python、数学基础不太好，也可以看懂。

目录

  • 版权信息
  • 译者序一 献给机器学习初学者的小惊喜
  • 译者序二
  • 前言
  • 关于本书源码的测试环境和源码文件
  • 本书源码的测试环境
  • 下载源码文件
  • 注意
  • 免责声明
  • 关于著作权等
  • 第1章 学习前的准备
  • 1.1 关于机器学习
  • 1.1.1 学习机器学习的窍门
  • 1.1.2 机器学习中问题的分类
  • 1.1.3 本书的结构
  • 1.2 安装Python
  • 1.3 Jupyter Notebook
  • 1.3.1 Jupyter Notebook的用法
  • 1.3.2 输入Markdown格式文本
  • 1.3.3 更改文件名
  • 1.4 安装Keras和TensorFlow
  • 第2章 Python基础知识
  • 2.1 四则运算
  • 2.1.1 四则运算的用法
  • 2.1.2 幂运算
  • 2.2 变量
  • 2.2.1 利用变量进行计算
  • 2.2.2 变量的命名
  • 2.3 类型
  • 2.3.1 类型的种类
  • 2.3.2 检查类型
  • 2.3.3 字符串
  • 2.4 print语句的用法
  • 2.4.1 print语句的用法
  • 2.4.2 同时显示数值和字符串的方法1
  • 2.4.3 同时显示数值和字符串的方法2
  • 2.5 list（数组变量）
  • 2.5.1 list的用法
  • 2.5.2 二维数组
  • 2.5.3 创建连续的整数数组
  • 2.6 tuple（数组）
  • 2.6.1 tuple的用法
  • 2.6.2 读取元素
  • 2.6.3 长度为1的tuple
  • 2.7 if语句
  • 2.7.1 if语句的用法
  • 2.7.2 比较运算符
  • 2.8 for语句
  • 2.8.1 for语句的用法
  • 2.8.2 enumerate的用法
  • 2.9 向量
  • 2.9.1 NumPy的用法
  • 2.9.2 定义向量
  • 2.9.3 读取元素
  • 2.9.4 替换元素
  • 2.9.5 创建连续整数的向量
  • 2.9.6 ndarray的注意事项
  • 2.10 矩阵
  • 2.10.1 定义矩阵
  • 2.10.2 矩阵的大小
  • 2.10.3 读取元素
  • 2.10.4 替换元素
  • 2.10.5 生成元素为0和1的ndarray
  • 2.10.6 生成元素随机的矩阵
  • 2.10.7 改变矩阵的大小
  • 2.11 矩阵的四则运算
  • 2.11.1 矩阵的四则运算
  • 2.11.2 标量×矩阵
  • 2.11.3 算术函数
  • 2.11.4 计算矩阵乘积
  • 2.12 切片
  • 切片的用法
  • 2.13 替换满足条件的数据
  • bool数组的用法
  • 2.14 help
  • help的用法
  • 2.15 函数
  • 2.15.1 函数的用法
  • 2.15.2 参数与返回值
  • 2.16 保存文件
  • 2.16.1 保存一个ndarray类型变量
  • 2.16.2 保存多个ndarray类型变量
  • 第3章 数据可视化
  • 3.1 绘制二维图形
  • 3.1.1 绘制随机图形
  • 3.1.2 代码清单的格式
  • 3.1.3 绘制三次函数f(x)=(x-2)x(x+2)
  • 3.1.4 确定绘制范围
  • 3.1.5 绘制图形
  • 3.1.6 装饰图形
  • 3.1.7 并列显示多张图形
  • 3.2 绘制三维图形
  • 3.2.1 包含两个变量的函数
  • 3.2.2 用颜色表示数值：pcolor
  • 3.2.3 绘制三维图形：surface
  • 3.2.4 绘制等高线：contour
  • 第4章 机器学习中的数学
  • 4.1 向量
  • 4.1.1 什么是向量
  • 4.1.2 用Python定义向量
  • 4.1.3 列向量的表示方法
  • 4.1.4 转置的表示方法
  • 4.1.5 加法和减法
  • 4.1.6 标量积
  • 4.1.7 内积
  • 4.1.8 向量的模
  • 4.2 求和符号
  • 4.2.1 带求和符号的数学式的变形
  • 4.2.2 通过内积求和
  • 4.3 累乘符号
  • 4.4 导数
  • 4.4.1 多项式的导数
  • 4.4.2 带导数符号的数学式的变形
  • 4.4.3 复合函数的导数
  • 4.4.4 复合函数的导数：链式法则
  • 4.5 偏导数
  • 4.5.1 什么是偏导数
  • 4.5.2 偏导数的图形
  • 4.5.3 绘制梯度的图形
  • 4.5.4 多变量的复合函数的偏导数
  • 4.5.5 交换求和与求导的顺序
  • 4.6 矩阵
  • 4.6.1 什么是矩阵
  • 4.6.2 矩阵的加法和减法
  • 4.6.3 标量积
  • 4.6.4 矩阵的乘积
  • 4.6.5 单位矩阵
  • 4.6.6 逆矩阵
  • 4.6.7 转置
  • 4.6.8 矩阵和联立方程式
  • 4.6.9 矩阵和映射
  • 4.7 指数函数和对数函数
  • 4.7.1 指数
  • 4.7.2 对数
  • 4.7.3 指数函数的导数
  • 4.7.4 对数函数的导数
  • 4.7.5 Sigmoid函数
  • 4.7.6 Softmax函数
  • 4.7.7 Softmax函数和Sigmoid函数
  • 4.7.8 高斯函数
  • 4.7.9 二维高斯函数
  • 第5章 有监督学习：回归
  • 5.1 一维输入的直线模型
  • 5.1.1 直线模型
  • 5.1.2 平方误差函数
  • 5.1.3 求参数（梯度法）
  • 5.1.4 直线模型参数的解析解
  • 5.2 二维输入的平面模型
  • 5.2.1 数据的表示方法
  • 5.2.2 平面模型
  • 5.2.3 平面模型参数的解析解
  • 5.3 D维线性回归模型
  • 5.3.1 D维线性回归模型
  • 5.3.2 参数的解析解
  • 5.3.3 扩展到不通过原点的平面
  • 5.4 线性基底函数模型
  • 5.5 过拟合问题
  • 5.6 新模型的生成
  • 5.7 模型的选择
  • 5.8 小结
  • 第6章 有监督学习：分类
  • 6.1 一维输入的二元分类
  • 6.1.1 问题设置
  • 6.1.2 使用概率表示类别分类
  • 6.1.3 最大似然估计
  • 6.1.4 逻辑回归模型
  • 6.1.5 交叉熵误差
  • 6.1.6 学习法则的推导
  • 6.1.7 通过梯度法求解
  • 6.2 二维输入的二元分类
  • 6.2.1 问题设置
  • 6.2.2 逻辑回归模型
  • 6.3 二维输入的三元分类
  • 6.3.1 三元分类逻辑回归模型
  • 6.3.2 交叉熵误差
  • 6.3.3 通过梯度法求解
  • 第7章 神经网络与深度学习
  • 7.1 神经元模型
  • 7.1.1 神经细胞
  • 7.1.2 神经元模型
  • 7.2 神经网络模型
  • 7.2.1 二层前馈神经网络
  • 7.2.2 二层前馈神经网络的实现
  • 7.2.3 数值导数法
  • 7.2.4 通过数值导数法应用梯度法
  • 7.2.5 误差反向传播法
  • 7.2.6 求
  • 7.2.7 求
  • 7.2.8 误差反向传播法的实现
  • 7.2.9 学习后的神经元的特性
  • 7.3 使用Keras实现神经网络模型
  • 7.3.1 二层前馈神经网络
  • 7.3.2 Keras的使用流程
  • 第8章 神经网络与深度学习的应用（手写数字识别）
  • 8.1 MINST数据集
  • 8.2 二层前馈神经网络模型
  • 8.3 ReLU激活函数
  • 8.4 空间过滤器
  • 8.5 卷积神经网络
  • 8.6 池化
  • 8.7 Dropout
  • 8.8 融合了各种特性的MNIST识别网络模型
  • 第9章 无监督学习
  • 9.1 二维输入数据
  • 9.2 K-means算法
  • 9.2.1 K-means算法的概要
  • 9.2.2 步骤0：准备变量与初始化
  • 9.2.3 步骤1：更新R
  • 9.2.4 步骤2：更新μ
  • 9.2.5 失真度量
  • 9.3 混合高斯模型
  • 9.3.1 基于概率的聚类
  • 9.3.2 混合高斯模型
  • 9.3.3 EM算法的概要
  • 9.3.4 步骤0：准备变量与初始化
  • 9.3.5 步骤1（步骤E）：更新γ
  • 9.3.6 步骤2（步骤M）：更新π、μ和Σ
  • 9.3.7 似然
  • 第10章 本书小结
  • 后记
  • 作者简介
展开全部

评分及书评

评分不足
2个评分
  • 用户头像
    给这本书评了
    4.0
    机器学习中的绝佳景色

    力图让读者用最短的时间看到机器学习世界中的绝佳景色

      转发
      评论

    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。