機器學習圖解
[加] 路易斯·G·塞拉諾（Luis G. Serrano）著 郭濤 譯
- 出版商: 清華大學
- 出版日期: 2023-07-01
- 定價: $768
- 售價: 8.5 折 $653
- 語言: 簡體中文
- 頁數: 775
- 裝訂: 平裝
- ISBN: 7302634645
- ISBN-13: 9787302634645
-
相關分類:
Machine Learning
- 此書翻譯自: Grokking Machine Learning
立即出貨
買這商品的人也買了...
-
$505多語自然語言處理：從原理到實踐 (Multilingual Natural Language Processing Applications: From Theory to Practice) -
$250NLTK 基礎教程 — 用 NLTK 和 Python 庫構建機器學習應用 (NLTK Essentials) -
$301精通 Python 自然語言處理 (Mastering Natural Language Processing with Python) -
$301自然語言處理技術入門與實戰 -
從零開始學架構：照著做，你也能成為架構師$594$564 -
$327深度學習技術圖像處理入門 -
程序員的數學 第2版$354$336 -
自己的塗鴉自己畫：超萌5000例，就是簡單可愛到爆炸！(附52個塗鴉教學影片)$280$221 -
詳解 FPGA：人工智能時代的驅動引擎$354$336 -
TypeScript 邁向專家之路：零基礎 JavaScript 打通 Angular、React 與 Vue.js 前端框架實戰 (Essential TypeScript: From Beginner to Pro)$880$695 -
Software Architecture in Practice, 4/e (繁體中文版)$780$616 -
Python 教學手冊$650$514 -
Python 投資停看聽：運用 Open data 打造自動化燈號，學會金融分析精準投資法（iT邦幫忙鐵人賽系列書）$600$468 -
程序員的數學4：圖論入門$299$284 -
輕鬆學量子程式設計｜從量子位元到量子演算法$520$410 -
Python：量化交易 Ta-Lib 技術指標 139個活用技巧$620$484 -
IT 工程師必需！Linux 快速入門實戰手冊 - 從命令列、系統設定到開發環境建置, 實體機、虛擬機、容器化、WSL、雲端平台全適用$630$498 -
凡人也能懂的白話人工智慧演算法 (Grokking Artificial Intelligence Algorithms)$580$435 -
手術刀般精準的 FRM - 用 Python 科學管控財金風險 (基礎篇)$880$695 -
量子科技入門$420$378 -
手術刀般精準的 FRM - 用 Python 科學管控財金風險 (實戰篇)$880$695 -
深度學習與醫學圖像處理$539$512 -
零基礎學會 Python 程式交易：一本讀懂 Python 實作金融資產配置$600$468 -
$356深入淺出算法競賽 (圖解版) -
遊戲設計 X 演算法 X TypeScript：出版社對我說「把祕笈通通交出來!」(iThome鐵人賽系列書)【軟精裝】$720$540
相關主題
商品描述
《機器學習圖解》是一本以簡明易懂的方式介紹機器學習算法和技術的書籍。即使讀者僅掌握高中數學知識，也能理解和應用強大的機器學習技術。書中不涉及深奧的術語，通過基本的代數知識提供清晰的解釋。
本書的內容包括以下方面：
-
分類和劃分數據的監督算法：介紹使用監督學習算法對數據進行分類和劃分的方法。
-
清理和簡化數據的方法：介紹如何處理數據中的噪音和缺失值，以及簡化數據的方法。
-
機器學習包和工具：介紹常用的機器學習包和工具，如Python中的Scikit-learn等。
-
復雜數據集的神經網絡和集成方法：介紹使用神經網絡和集成方法處理復雜數據集的技巧和方法。
書中的示例豐富，練習題有趣，插圖清晰，並且重點講解機器學習的核心概念。閱讀本書前，讀者需要具備一定的Python基礎知識，但不需要事先了解機器學習的知識。
作者簡介
Luis G. Serrano是量子人工智能領域的研究科學家。此前，他曾擔任Google機器學習工程師和Apple公司首席人工智能教師。
目錄大綱
第1 章 什麽是機器學習？這是一種常識，唯一特別之處在於由電腦完成···········1
1.1 我是否需要掌握大量的數學和編程背景知識才能理解機器學習············ 2
1.2 機器學習究竟是什麽······· 3
1.3 如何讓機器根據數據做出決策？記憶-制定-預測框架············· 6
1.4 本章小結····················· 12
第2 章 機器學習類型·····················15
2.1 標簽數據和無標簽數據的區別··························· 17
2.2 監督學習：處理標簽數據的機器學習分支··············· 18
2.3 無監督學習：處理無標簽
數據的機器學習分支······ 21
2.4 什麽是強化學習············ 28
2.5 本章小結····················· 30
2.6 練習··························· 31
第3 章 在點附近畫一條線：線性
回歸····································33
3.1 問題：預測房屋的價格··· 35
3.2 解決方案：建立房價回歸模型··························· 35
3.3 如何讓電腦繪制出這
條線：線性回歸算法······ 41
3.4 如何衡量結果？誤差函數··························· 54
3.5 實際應用：使用Turi Create預測房價····················· 61
3.6 如果數據不在一行怎麽辦？
多項式回歸·················· 63
3.7 參數和超參數··············· 64
3.8 回歸應用····················· 65
3.9 本章小結····················· 66
3.10 練習························· 66
第4 章 優化訓練過程：欠擬合、過擬合、測試和正則化······ 69
4.1 使用多項式回歸的欠擬合和過擬合示例··············· 71
4.2 如何讓電腦選擇正確的模型？測試·················· 73
4.3 我們在哪裡打破了黃金法則，如何解決呢？驗證集························ 75
4.4 一種決定模型復雜度的數值方法：模型復雜度圖··························· 76
4.5 避免過擬合的另一種選擇：正則化························ 77
4.6 使用Turi Create 進行多項式回歸、測試和正則化······ 85
4.7 本章小結····················· 89
4.8 練習··························· 90
第5 章 使用線來劃分點: 感知器算法····································93
5.1 問題：我們在一個外星球上，聽不懂外星人的語言······ 95
5.2 如何確定分類器的好壞？誤差函數··················· 108
5.3 如何找到一個好的分類器？感知器算法················ 115
5.4 感知器算法編程實現···· 123
5.5 感知器算法的應用······· 128
5.6 本章小結··················· 129
5.7 練習························· 130
第6 章 劃分點的連續方法：邏輯分類器··································133
6.1 邏輯分類器：連續版感知器分類器··················· 134
6.2 如何找到一個好的邏輯分類器？邏輯回歸算法······· 144
6.3 對邏輯回歸算法進行編程························· 150
6.4 實際應用：使用Turi Create對IMDB 評論進行分類························· 154
6.5 多分類：softmax 函數·· 156
6.6 本章小結··················· 157
6.7 練習························· 158
第7 章 如何衡量分類模型？準確率和其他相關概念·················· 159
7.1 準確率：模型的正確頻率是多少······················ 160
7.2 如何解決準確率問題？定義不同類型的誤差以及如何進行衡量············· 161
7.3 一個有用的模型評價工具
ROC 曲線·················· 170
7.4 本章小結··················· 179
7.5 練習························· 181
第8 章 使用概率最大化：
樸素貝葉斯模型··············· 183
8.1 生病還是健康？以貝葉斯定理為主角的故事······· 184
8.2 用例：垃圾郵件檢測模型························· 188
8.3 使用真實數據構建垃圾郵件檢測模型············· 201
8.4 本章小結··················· 204
8.5 練習························· 205
第9 章 通過提問劃分數據：決策樹····························· 207
9.1 問題：需要根據用戶可能下載的內容向用戶推薦
應用························· 213
9.2 解決方案：構建應用推薦系統························· 214
9.3 超出“是”或“否”之類的問題················ 228
9.4 決策樹的圖形邊界······· 231
9.5 實際應用：使用Scikit-Learn 構建招生模型····· 234
9.6 用於回歸的決策樹······· 238
9.7 應用························· 241
9.8 本章小結··················· 242
9.9 練習························· 242
第10 章 組合積木以獲得更多力量：
神經網絡························245
10.1 以更復雜的外星球為例，開
啟神經網絡學習········ 247
10.2 訓練神經網絡··········· 258
10.3 Keras 中的神經網絡編程······················· 264
10.4 用於回歸的神經網絡·· 272
10.5 用於更復雜數據集的其他架構················· 273
10.6 本章小結················· 275
10.7 練習······················· 276
第11 章 用風格尋找界限：支持向量機和內核方法··········279
11.1 使用新的誤差函數構建更好的分類器··········· 281
11.2 Scikit-Learn 中的SVM編程······················· 287
11.3 訓練非線性邊界的SVM：
內核方法················· 289
11.4 本章小結················· 308
11.5 練習······················· 309
第12 章 組合模型以最大化結果：
集成學習························311
12.1 獲取朋友的幫助········ 312
12.2 bagging：隨機組合弱學習器以構建強學習器····· 314
12.3 AdaBoost：以智能方式組合弱學習器以構建強學習器···················· 319
12.4 梯度提升：使用決策樹構建強學習器··········· 327
12.5 XGBoost：一種梯度提升
的極端方法·············· 332
12.6 集成方法的應用········ 340
12.7 本章小結················· 341
12.8 練習······················· 341
第13 章 理論付諸實踐：數據工程和
機器學習真實示例········· 343
13.1 泰坦尼克號數據集····· 344
13.2 清洗數據集：缺失值及其處理方法·············· 348
13.3 特徵工程：在訓練模型之前轉換數據集中的特徵······················· 350
13.4 訓練模型················· 355
13.5 調整超參數以找到最佳模型：網格搜索········ 359
13.6 使用k 折交叉驗證來重用訓練和驗證數據········ 362
13.7 本章小結················· 363
13.8 練習······················· 364
以下內容可掃封底二維碼下載
附錄A 習題解答·························· 365
附錄B 梯度下降背後的數學原理：
使用導數和斜率下山········ 398
附錄C 參考資料·························· 416
