新書推薦：
《
抗焦虑饮食（赠实践手册）
》
售價：HK$
106.8
《
生活不是掷骰子：理性决策的贝叶斯思维
》
售價：HK$
82.8
《
万有引力书系·基辅罗斯：东斯拉夫文明的起源
》
售價：HK$
141.6
《
康熙的红票：全球化中的清朝
》
售價：HK$
93.6
《
PyTorch语音识别实战
》
售價：HK$
82.8
《
多卖三倍
》
售價：HK$
54.0
《
哲学思维：清晰思考的12条关键原则
》
售價：HK$
82.8
《
海盗之书
》
售價：HK$
81.6
|
| 編輯推薦： |
|
本课程从实践角度考虑，结合部分数学统计学知识讲解*经典的机器学习算法，主要内容是机器学习思想在具体项目上的示例和代码实现、如何做算法的参数调试和分析各种算法的选择等。本课程重视项目实践如工业实践、算法竞赛实践等，重视落地，使学生在实践中思考不同算法之间的区别和联系，提高在实际工作中选择算法的能力。本课程实践项目涉及信用卡欺诈、公共自行车租赁、波士顿房价、地铁人流量预测、广告点击率、O2O电商优惠券核销、美国人口普查及收入预测等18个实践案例。
|
| 內容簡介： |
|
本课程从实践角度考虑，结合部分数学统计学知识讲解*经典的机器学习算法，主要内容是机器学习思想在具体项目上的示例和代码实现、如何做算法的参数调试和分析各种算法的选择等。本课程重视项目实践如工业实践、算法竞赛实践等，重视落地，使学生在实践中思考不同算法之间的区别和联系，提高在实际工作中选择算法的能力。本课程实践项目涉及信用卡欺诈、公共自行车租赁、波士顿房价、地铁人流量预测、广告点击率、O2O电商优惠券核销、美国人口普查及收入预测等18个实践案例。
|
| 關於作者： |
|
山西大学认知科学哲学方向硕士。主要从事人工智能算法方向的研究工作，具有丰富的人工智能教育类项目管理经验和高校授课经验。在CSSCI中文核心期刊《科学技术哲学研究》发表《对笛卡尔预设批判与重建》一文。
|
| 目錄：
|
第1章机器学习概览1
1.1人工智能技术发展史和机器学习定义1
1.2必要的基础概念3
1.3机器学习项目工作流程5
1.4机器学习任务场景6
小结与讨论8
习题8第2章特征工程方法9
2.1特征类型9
2.2特征处理10
2.3特征选择11
2.4案例1： 北京房价数据特征工程12
2.4.1案例介绍12
2.4.2案例目标13
2.4.3案例拆解13
2.5案例2： 泰坦尼克号乘客逃生数据特征工程16
2.5.1案例介绍16
2.5.2案例目标17
2.5.3案例拆解17
小结与讨论20
习题20第3章决策树21
3.1决策树实现过程21
3.2决策树的目标函数24
3.3案例1： 鸢尾花分类26
3.3.1案例介绍26
3.3.2案例目标26
3.3.3案例拆解26
3.4案例2： 信用卡欺诈预测31
3.4.1案例介绍31
3.4.2案例目标31
3.4.3案例拆解31
小结与讨论41
习题42第4章K最近邻43
4.1K最近邻实现43
4.2距离度量45
4.3案例1： O2O优惠券使用日期预测46
4.3.1案例介绍46
4.3.2案例目标46
4.3.3案例拆解47
4.4案例2： 葡萄酒原产地预测52
4.4.1案例介绍52
4.4.2案例目标52
4.4.3案例拆解52
小结与讨论61
习题61第5章支持向量机62
5.1SVM建模思路62
5.2核技巧64
5.3案例1： 手写数字识别69
5.3.1案例介绍69
5.3.2案例目标70
5.3.3案例拆解70
5.4案例2： 地铁人流量预测71
5.4.1案例介绍71
5.4.2案例目标71
5.4.3案例拆解71
小结与讨论77
习题78第6章朴素贝叶斯79
6.1贝叶斯基础和最大后验概率79
6.2朴素贝叶斯的实现81
6.3案例1： 糖尿病病情预测85
6.3.1案例介绍85
6.3.2案例目标85
6.3.3案例拆解85
6.4案例2： 亚马逊消费者投诉分析91
6.4.1案例介绍91
6.4.2案例目标91
6.4.3案例拆解92
小结与讨论98
习题98第7章线性回归与逻辑回归99
7.1线性回归的实现99
7.2逻辑回归的实现100
7.3案例1： 广告点击率预测101
7.3.1案例介绍101
7.3.2案例目标101
7.3.3案例拆解101
7.4案例2： 波士顿房价预测105
7.4.1案例介绍105
7.4.2案例目标105
7.4.3案例拆解105
小结与讨论110
习题110第8章集成思想 111
8.1随机森林111
8.2梯度提升决策树112
8.3案例1： 美国居民收入预测112
8.3.1案例介绍112
8.3.2案例目标112
8.3.3案例拆解112
8.4案例2： 公共自行车租赁预测120
8.4.1案例介绍120
8.4.2案例目标120
8.4.3案例拆解120
小结与讨论125
习题125第9章聚类与降维126
9.1聚类概述126
9.2KMeans算法的实现过程129
9.3案例1： 蘑菇数据聚类131
9.3.1案例介绍131
9.3.2案例目标131
9.3.3案例拆解131
9.4案例2： 图像数据压缩136
9.4.1案例介绍136
9.4.2案例目标136
9.4.3案例拆解136
小结与讨论138
习题138第10章神经网络方法 139
10.1神经网络方法基础原理139
10.2全连接神经网络的组成139
10.3案例1： 时装图像分类140
10.3.1案例介绍140
10.3.2案例目标140
10.3.3案例拆解140
10.4案例2： 人脸图像识别143
10.4.1案例介绍143
10.4.2案例目标143
10.4.3案例拆解143
小结与讨论147
习题148
附录A环境问题QA149
|
| 內容試閱：
|
这是一本遵循OBE产出为导向的教育模式理念，注重PBL（项目式教学）方法的机器学习教科书，为了使大部分读者通过本书掌握机器学习的实践方法，作者试图较少地讲述数学知识，而用大量篇幅分析实现机器学习的代码思路及编程技巧。因此，本书比较适合大学三年级以上理工科本科生，以及具有编程基础且对机器学习感兴趣的人士。本书基于Python编程，为促进读者学习，本书附录A给出了一些关于Python编程常见问题介绍。
全书共分10章，大体上可以分为4部分： 第1～2章为第1部分，主要介绍机器学习的基础知识；第3～8章为第2部分，主要介绍有监督学习场景的经典且常用的机器学习算法及实践方法；第9章和第10章分别为第3部分和第4部分，分别介绍无监督学习场景常用算法和神经网络方法。前2章是读者必须要掌握的基础知识，之后的章节相对独立，读者可根据自己的兴趣选择学习。根据课时的分配，本科的课程可讲授前8章的知识，后2章可作为课外扩展知识让学生自行学习。书中每章都给出了5道习题，大部分习题是为了帮助读者巩固该章节的学习，少部分习题属于开放型习题，以供读者启发思考。
本书在内容上尽可能涵盖机器学习技术常见应用场景，但作为机器学习入门教材且因授课时间安排的考虑，书中涉及的案例未能覆盖很多重要且有难度的工业场景，更多的知识和编程方法留待读者在实际应用中探索学习。
作者以为，从项目中学习是一种较好的实践教学方法，本书除了第1章外，后续每章都包含2个典型应用案例，建议读者在阅读的同时能辅以代码实操，相信不管是老师还是学生，都可以获得丰富的学习收益。
机器学习是一门多领域交叉学科，涉及多门复杂学科知识，鲜有人士能精通其全领域。笔者自认才疏学浅，了解甚少，若能起到抛砖引玉的作用，于心甚慰。由于时间和精力有限，书中难免有错谬之处，望读者不吝告知，将不胜感激。
杨金坤2021年1月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
