互联网
类型
可以朗读
语音朗读
214千字
字数
2023-09-01
发行日期
展开全部
主编推荐语
突破传统学习束缚，借助ChatGPT的神奇力量，解锁AI无限可能。
内容简介
随着机器学习和深度学习技术的不断发展和进步，它们的复杂性也在不断增强。对于初学者来说，学习这两个领域可能会遇到许多难题和挑战，如理论知识的缺乏、数据处理的困难、算法选择的不确定性等。
此时，ChatGPT可以提供强有力的帮助。利用ChatGPT，读者可以更轻松地理解机器学习和深度学习的概念和技术，并解决学习过程中遇到的各种问题和疑惑。此外，ChatGPT还可以为读者提供更多的实用经验和技巧，帮助他们更好地掌握机器学习和深度学习的基本原理和方法。
本书主要内容包括探索性数据分析、有监督学习（线性回归、SVM、决策树等）、无监督学习（降维、聚类等），以及深度学习的基础原理和应用等。
目录
- 版权信息
- 前言
- 第1章 让ChatGPT告诉我们什么是机器学习
- 1.1 问问ChatGPT什么是机器学习
- 1.1.1 机器学习的定义
- 1.1.2 通俗解释机器学习
- 1.1.3 举个例子解释机器学习
- 1.2 问问ChatGPT机器学习有什么用
- 1.2.1 机器学习的常见用途
- 1.2.2 机器学习可以预测彩票吗
- 1.2.3 机器学习能帮我赚钱吗
- 1.3 机器学习有什么应用案例
- 1.3.1 机器学习的应用案例
- 1.3.2 普通人可以使用机器学习做些什么
- 1.3.3 初创企业如何使用机器学习
- 1.4 机器学习系统有哪些类型
- 1.4.1 机器学习系统的大致分类
- 1.4.2 什么是监督学习
- 1.4.3 什么是无监督学习
- 1.5 机器学习面临哪些挑战
- 1.5.1 机器学习面临的总体挑战有哪些
- 1.5.2 什么是欠拟合
- 1.5.3 什么是过拟合
- 1.5.4 什么是早停
- 1.6 机器学习模型该如何测试和验证
- 1.6.1 测试与验证模型的整体思路
- 1.6.2 分类模型的评估指标
- 1.6.3 回归模型的评估指标
- 1.7 习题
- 第2章 让ChatGPT告诉我们机器学习的基本流程
- 2.1 让ChatGPT帮我们找数据
- 2.1.1 有哪些适合机器学习任务的数据集
- 2.1.2 适合新手的简单数据集
- 2.1.3 该去哪里下载数据集
- 2.1.4 如何打开数据文件
- 2.2 让ChatGPT帮我们安装Anaconda
- 2.2.1 为什么选择Anaconda
- 2.2.2 Anaconda的下载与安装
- 2.2.3 在Anaconda中使用Jupyter Notebook
- 2.2.4 在Jupyter Notebook中读取数据
- 2.3 让ChatGPT教我们进行探索性数据分析
- 2.3.1 什么是探索性数据分析
- 2.3.2 如何进行探索性数据分析
- 2.3.3 查看数据基本信息和格式
- 2.3.4 检查重复值与缺失值
- 2.3.5 数据预处理
- 2.3.6 数据可视化
- 2.3.7 查看数据的统计信息
- 2.4 试试训练一下模型
- 2.4.1 让ChatGPT给出示例代码
- 2.4.2 特征工程与数据集拆分
- 2.4.3 模型的训练与验证
- 2.5 习题
- 第3章 让ChatGPT带我们玩转线性模型
- 3.1 让ChatGPT告诉我们什么是线性模型
- 3.1.1 用简单的例子理解线性回归
- 3.1.2 简单介绍线性回归的原理
- 3.1.3 什么是梯度下降
- 3.2 线性模型也可以用于分类
- 3.2.1 简要介绍逻辑回归
- 3.2.2 用一个例子演示逻辑回归的用法
- 3.2.3 逻辑回归预测的概率
- 3.3 什么是正则化
- 3.3.1 什么是正则化
- 3.3.2 使用L2正则化的线性模型
- 3.3.3 使用L1正则化的线性模型
- 3.4 习题
- 第4章 让ChatGPT带我们玩转支持向量机
- 4.1 让ChatGPT解释非线性问题的基本概念
- 4.1.1 非线性问题的示例数据
- 4.1.2 用支持向量机解决非线性问题
- 4.1.3 支持向量机的原理
- 4.2 支持向量机的核函数
- 4.2.1 什么是径向基函数核函数
- 4.2.2 什么是多项式核函数
- 4.2.3 不同核函数的对比
- 4.3 支持向量机用于回归任务
- 4.3.1 支持向量机回归的原理
- 4.3.2 不同核函数的支持向量机回归模型
- 4.4 支持向量机的超参数
- 4.4.1 支持向量机的C值
- 4.4.2 支持向量机的gamma值
- 4.4.3 支持向量机的epsilon值
- 4.5 习题
- 第5章 让ChatGPT带我们玩转决策树
- 5.1 让ChatGPT介绍一下决策树算法
- 5.1.1 决策树算法的简要介绍
- 5.1.2 决策树算法的应用案例
- 5.2 决策树算法基础知识
- 5.2.1 树结构基本概念
- 5.2.2 决策树的构建过程
- 5.2.3 决策树中的参数
- 5.3 决策树算法的实现
- 5.3.1 决策树的特征选择
- 5.3.2 决策树的剪枝
- 5.3.3 决策树用于回归问题
- 5.4 决策树算法的不足与改进
- 5.4.1 决策树算法的局限性
- 5.4.2 决策树算法的改进
- 5.5 习题
- 第6章 让ChatGPT带我们玩转集成学习
- 6.1 让ChatGPT介绍一下集成学习算法
- 6.1.1 集成学习算法有哪些类型
- 6.1.2 集成学习算法有哪些实现方式
- 6.1.3 集成学习算法的优势和劣势
- 6.2 基本的集成学习算法
- 6.2.1 Stacking算法
- 6.2.2 随机森林算法
- 6.2.3 AdaBoost算法
- 6.3 高级的集成学习算法
- 6.3.1 GBDT算法
- 6.3.2 XGBoost算法
- 6.3.3 LightGBM算法
- 6.4 习题
- 第7章 让ChatGPT带我们玩转模型优化
- 7.1 让ChatGPT介绍模型优化的基本概念
- 7.1.1 模型优化的重要性和基本概念
- 7.1.2 模型优化的目标和指标
- 7.1.3 模型优化方法的分类
- 7.2 让ChatGPT介绍损失函数
- 7.2.1 损失函数的基本概念
- 7.2.2 损失函数的种类
- 7.2.3 如何选择损失函数
- 7.3 让ChatGPT介绍学习率
- 7.3.1 学习率的基本概念
- 7.3.2 学习率对模型的影响
- 7.3.3 使用随机搜索找到最优学习率
- 7.4 让ChatGPT介绍模型的超参数
- 7.4.1 一些常见的超参数及其概念
- 7.4.2 使用交叉验证法调整超参数
- 7.5 习题
- 第8章 让ChatGPT带我们玩转数据降维
- 8.1 让ChatGPT介绍数据降维的基本概念
- 8.1.1 数据降维的定义和背景
- 8.1.2 数据降维在数据分析中的重要性
- 8.1.3 常见的数据降维方法
- 8.2 让ChatGPT带我们玩转PCA
- 8.2.1 PCA的定义和基本思想
- 8.2.2 PCA的数学原理和算法
- 8.2.3 PCA算法的实现
- 8.3 让ChatGPT带我们玩转ICA
- 8.3.1 ICA的定义和基本思想
- 8.3.2 ICA的数学原理和算法
- 8.3.3 ICA算法的实现
- 8.4 让ChatGPT带我们玩转t-SNE
- 8.4.1 t-SNE的定义和基本思想
- 8.4.2 t-SNE的数学原理和算法
- 8.4.3 t-SNE算法的实现
- 8.5 习题
- 第9章 让ChatGPT带我们玩转聚类算法
- 9.1 让ChatGPT介绍聚类算法的基本概念
- 9.1.1 聚类算法的定义和背景
- 9.1.2 介绍聚类算法的应用领域
- 9.1.3 聚类算法和分类算法的区别
- 9.2 让ChatGPT带我们玩转K-Means
- 9.2.1 K-Means算法的基本思想
- 9.2.2 K-Means算法的步骤和流程
- 9.2.3 K-Means算法的优缺点
- 9.3 让ChatGPT带我们玩转层次聚类
- 9.3.1 层次聚类算法的基本思想
- 9.3.2 凝聚层次聚类算法的原理与实现
- 9.3.3 分裂层次聚类算法的原理与实现
- 9.3.4 层次聚类算法的优缺点
- 9.4 让ChatGPT带我们玩转密度聚类
- 9.4.1 密度聚类算法的数学原理
- 9.4.2 DBSCAN算法的原理与实现
- 9.4.3 密度聚类算法的优缺点
- 9.5 习题
- 第10章 让ChatGPT带我们玩转神经网络
- 10.1 让ChatGPT介绍神经网络的基本概念
- 10.1.1 神经网络的起源
- 10.1.2 神经网络的发展历史
- 10.1.3 神经网络的应用
- 10.2 神经网络的结构
- 10.2.1 神经元的定义和结构
- 10.2.2 神经网络的输入层
- 10.2.3 神经网络的隐藏层
- 10.2.4 神经网络的输出层
- 10.2.5 神经网络的激活函数
- 10.3 神经网络中的传播算法
- 10.3.1 神经网络的前向传播
- 10.3.2 神经网络的反向传播
- 10.4 神经网络的局限性和未来发展
- 10.5 习题
- 第11章 让ChatGPT带我们玩转Keras
- 11.1 让ChatGPT介绍一下Keras
- 11.1.1 Keras简介
- 11.1.2 Keras有什么优点
- 11.1.3 Keras的安装和配置
- 11.2 用Keras搭建简单的神经网络
- 11.2.1 Keras中内置的数据集
- 11.2.2 Keras中的Sequential模型
- 11.2.3 Sequential模型中的输入层、隐藏层和输出层
- 11.2.4 Sequential模型中的隐藏层
- 11.2.5 Sequential模型中的输出层
- 11.3 模型的训练参数
- 11.3.1 模型的优化器
- 11.3.2 模型的损失函数
- 11.3.3 模型的评估指标
- 11.4 神经网络的超参数
- 11.4.1 神经网络的学习率
- 11.4.2 模型的神经元数量
- 11.4.3 模型的正则化系数
- 11.5 习题
- 第12章 让ChatGPT带我们玩转图像分类
- 12.1 让ChatGPT介绍一下计算机视觉
- 12.1.1 计算机视觉的基本概念
- 12.1.2 数字图像的表示
- 12.2 让ChatGPT介绍卷积神经网络
- 12.2.1 卷积神经网络的原理
- 12.2.2 模型中的卷积层和池化层
- 12.2.3 计算机视觉模型的激活函数
- 12.3 图像分类任务实战
- 12.3.1 没数据？找Kaggle
- 12.3.2 对图像数据进行预处理
- 12.3.3 搭建模型并训练
- 12.3.4 模型的评估与调用
- 12.4 习题
- 第13章 让ChatGPT带我们玩转自然语言处理
- 13.1 让ChatGPT介绍一下自然语言处理
- 13.1.1 自然语言处理的概念与历史
- 13.1.2 自然语言处理中的神经网络
- 13.2 让ChatGPT带我们认识RNN与LSTM
- 13.2.1 RNN的概念和原理
- 13.2.2 LSTM的概念和原理
- 13.2.3 文本生成应用——让ChatGPT写首诗
- 13.3 让ChatGPT带我们认识文本表示
- 13.3.1 什么是独热编码
- 13.3.2 什么是词袋模型
- 13.3.3 什么是TF-IDF
- 13.4 来个项目实战吧
- 13.4.1 数据准备与预处理
- 13.4.2 对台词内容进行分词处理
- 13.4.3 模型训练与评估
- 13.5 习题
- 第14章 让ChatGPT带我们玩转迁移学习
- 14.1 让ChatGPT介绍一下迁移学习
- 14.1.1 迁移学习的概念
- 14.1.2 迁移学习的研究历程
- 14.2 让ChatGPT介绍迁移学习的实现
- 14.2.1 预训练模型的选择
- 14.2.2 使用BERT进行文本分类的简单示例
- 14.2.3 Python中的Transformer库
- 14.3 让ChatGPT介绍Transformer架构
- 14.3.1 什么是Transformer架构
- 14.3.2 什么是自注意力机制
- 14.3.3 什么是残差连接
- 14.4 实战迁移学习
- 14.4.1 工具准备和数据读取
- 14.4.2 数据处理与加载
- 14.4.3 模型的创建与自定义
- 14.4.4 模型的训练
- 14.4.5 模型的验证
- 14.4.6 使用模型进行推理
- 14.4.7 上传结果并评分
- 14.5 习题
- 附录 ChatGPT使用指南
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
北京大学出版社
北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。
