新書推薦：
《
黄金圈法则
》
售價：HK$
93.6
《
全球治理理论：权威、合法性与论争
》
售價：HK$
117.6
《
华尔街幽灵：一位股票投资大师的告白
》
售價：HK$
95.8
《
人生幸好有快乐（一代大师梁实秋至诚分享八十余年的快乐哲学！）
》
售價：HK$
64.8
《
中世纪文明（400-1500年）（格致人文）
》
售價：HK$
141.6
《
女子运动术（维持肌肉是更高级的抗衰！变瘦的同时有效增肌，成为更好的自己！）
》
售價：HK$
69.6
《
你有多敏感，就有多珍贵
》
售價：HK$
70.8
《
独立战争与世界重启：一部新的十八世纪晚期全球史（方尖碑书系）
》
售價：HK$
141.6
|
| 編輯推薦： |
|
本书的特点是主要通过示例来讨论传统机器学习模型、深度学习模型和强化学习模型，更加适合初学者入门使用。有详细的代码解读和案例说明，本书的内容全面，可供入门学习和工程参考使用。
|
| 內容簡介： |
本书以任务为导向，讨论了机器学习和深度学习的主要问题，包括聚类、回归、分类、标注、降维、特征工程、超参数调优、序列决策（强化学习）和对抗攻击等。书中对上述每个问题，分别从决策函数类模型、概率类模型和神经网络类模型三个角度来讨论具体的实现算法。
本书在内容上兼顾基础知识和应用实践。总体上，以基本理论知识为主线，逐步展开，从概念入手，逐步讨论算法思想，着重考虑知识的关联性，最后落实到机器学习扩展库和深度学习框架的具体应用。具体到每个模型，采用以示例入手、逐渐深入的方式，尽量给出详尽的分析或推导。
本书的特点是主要通过示例来讨论相关模型，适合初学者入门使用。本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要以ScikitLearn机器学习扩展库来实现，隐马尔可夫模型示例用hmmlearn扩展库来实现，条件随机场模型示例用CRF 工具来实现。深度学习算法的示例采用TensorFlow 2框架和MindSpore框架来实现。
本书适合计算机、人工智能及相关专业的学生使用，对于相关技术研究人员也有参考价值。
|
| 目錄：
|
第1章安装环境与语言、框架概要
1.1安装环境
1.1.1几个重要的概念
1.1.2安装Anaconda
1.1.3开发环境
1.2Python语言相关概念
1.2.1程序设计语言
1.2.2面向过程与面向对象程序设计方法
1.2.3平台无关性和解释型语言
1.3Python 3语法概要
1.3.1基础语法
1.3.2数据类型与运算符
1.3.3函数
1.3.4类和对象
1.3.5流程控制
1.3.6常用扩展库
1.4Python初步应用示例——迭代法
1.5TensorFlow 2和MindSpore深度学习框架概要
1.6习题
第2章基础知识
2.1机器学习与深度学习
2.2机器学习应用流程
2.3机器学习算法概要
2.3.1机器学习算法术语
2.3.2机器学习模型实现算法分类
2.4本书内容安排
第3章聚类与降维
3.1k均值聚类算法
3.2聚类算法基础
3.2.1聚类任务
3.2.2聚类算法评价指标
3.3PCA降维算法
3.4划分聚类、密度聚类和模型聚类算法
3.5层次聚类算法
3.6Mean Shift算法及其在图像分割中的应用示例
3.7习题
第4章回归与多层神经网络
4.1回归任务、评价与线性回归
4.1.1回归任务
4.1.2线性回归与回归评价指标
4.2梯度下降法
4.2.1基本思想及其在MindSpore和TensorFlow 2框架中的实现
4.2.2梯度下降法求解线性回归问题
4.2.3随机梯度下降和批梯度下降
4.3决策函数回归模型
4.3.1多项式回归
4.3.2局部回归
4.4过拟合及其抑制
4.4.1欠拟合、过拟合与泛化能力
4.4.2过拟合的抑制方法
4.5多层神经网络与回归
4.5.1全连接层与线性回归及其在MindSpore和TensorFlow 2
框架中的实现
4.5.2全连接层神经网络与非线性回归及其在MindSpore和
TensorFlow 2框架中的实现
4.5.3神经网络中的过拟合及其抑制
4.6习题
第5章分类与卷积神经网络
5.1分类算法基础
5.1.1分类任务
5.1.2分类模型的评价指标
5.2决策树与随机森林
5.2.1决策树基本思想
5.2.2决策树建立与应用
5.2.3随机森林
5.3朴素贝叶斯分类
5.4神经网络与分类任务
5.4.1误差反向传播学习算法
5.4.2神经网络常用激活函数、损失函数和优化方法
5.4.3局部收敛与梯度消散
5.5卷积神经网络
5.5.1卷积神经网络示例
5.5.2卷积层
5.5.3池化层和Flatten层
5.5.4批标准化层
5.5.5典型卷积神经网络
5.6习题
第6章标注与循环神经网络
6.1标注任务与序列问题
6.2隐马尔可夫模型
6.2.1基本思想
6.2.2隐马尔可夫模型中文分词应用示例
6.3条件随机场模型
6.3.1基本思想
6.3.2条件随机场中文分词应用示例
6.4循环神经网络
6.4.1基本单元
6.4.2网络结构
6.4.3长短时记忆网络
6.4.4双向循环神经网络和深度循环神经网络
6.4.5循环神经网络中文分词应用示例
6.5习题
第7章特征工程与超参数调优及综合实例
7.1特征工程
7.1.1数据总体分析
7.1.2数据可视化
7.1.3数据预处理
7.1.4特征选择
7.2超参数调优
7.3特征工程、建模与调优综合实例
7.3.1房价回归
7.3.2电信用户流失分类
7.4文本特征
7.4.1文本特征提取及文本向量化
7.4.2文本相似度比较示例
7.5习题
第8章强化学习*
8.1强化学习基础
8.1.1冰湖问题与强化学习基本概念
8.1.2马尔可夫决策过程
8.1.3蒙特卡罗近似
8.1.4利用与探索
8.1.5强化学习算法分类
8.2值函数可计算的强化学习方法
8.2.1动态规划法
8.2.2蒙特卡罗法
8.2.3时序差分法
8.3深度强化学习
8.3.1值函数逼近
8.3.2DQN与倒立摆控制问题
8.3.3参数化策略并直接优化示例
8.3.4策略梯度法
8.4习题
第9章对抗样本
9.1对抗样本与对抗攻击
9.2白盒攻击
9.2.1FGM算法
9.2.2FGSM算法
9.2.3DeepFool算法
9.3黑盒攻击
9.3.1迁移攻击
9.3.2通用对抗扰动
9.4习题
参考文献
|
| 內容試閱：
|
《机器学习(Python sklearn TensorFlow 2．0)微课视频版》一书在出版后，受到了读者的欢迎。作者为了适应不同读者的需要，应出版社建议，编写了本书。本书的特点是主要通过示例来讨论传统机器学习模型、深度学习模型和强化学习模型，更适合初学者入门使用。
本书的内容全面，可供入门学习和工程参考。
本书内容的编排大体与《机器学习(Python sklearn TensorFlow 2．0)微课视频版》一书对应，因此，也可与之配套使用。结合机器学习领域发展现状，本书增加了强化学习和对抗样本的内容。
本书示例代码采用Python 3程序设计语言编写。传统机器学习算法的应用示例主要基于ScikitLearn机器学习扩展库实现，隐马尔可夫模型示例基于hmmlearn扩展库实现，条件随机场模型示例基于CRF 工具实现。深度学习算法的示例基于TensorFlow 2框架和MindSpore框架实现。MindSpore是华为公司于2020年开源的深度学习框架，目前正在快速发展之中。强化学习示例基于gym仿真框架实现。考虑到大多数初学者的条件限制，本书示例全部基于CPU计算平台实现。
本书没有直接聚焦于扩展库和框架本身，而是以基本理论知识为主线来逐步展开，从概念入手逐步讨论算法思想，着重考虑知识的关联性，最后落实到扩展库和框架的具体应用。作者认为这样的知识学习路线更有利于初学者。
在内容规划方面，强调任务驱动，总体上以聚类、回归、分类、标注、特征工程与超参数调优、序列决策、对抗攻击来划分知识模块。具体来讲：
第1章介绍开发环境的安装以及Python语言相关知识。涉及Anaconda环境、ScikitLearn机器学习扩展库、TensorFlow 2和MindSpore深度学习框架的安装，目的是方便读者上手实验。简要介绍了基本的Python语法，并对程序设计语言、面向对象、平台无关性和解释性语言等内容进行讨论，使初学者了解更多背景知识，加深对环境的理解。
第2章介绍机器学习和深度学习的基础知识。本章介绍有关机器学习和深度学习的概念和术语，分析机器学习模型应用的流程，并通过一个简单的示例讨论采集数据、特征工程、建立模型和应用四个主要阶段，从多个角度讨论机器学习模型的分类，特别是从聚类、回归、分类、标注的任务角度和决策函数、概率分布、人工神经网络的实现角度对传统机器学习和深度学习的基本内容进行划分，力图给读者建立清晰的知识体系。
第3章至第6章分别介绍聚类任务、回归任务、分类任务和标注任务及相关模型。每章又按照实现该任务的决策函数模型、概率模型和神经网络模型分别讨论。此外，每章按照由易到难的顺序逐步讨论传统机器学习领域和深度学习中必不可少的基础知识： 第3章讨论维数灾难与降维； 第4章讨论梯度下降法和过拟合，并开始引入全连接层神经网络； 第5章讨论误差反向传播算法和卷积神经网络； 第6章讨论序列问题和循环神经网络。
第7章介绍机器学习工程应用中的特征工程与超参数调优问题及其辅助分析技术，并通过综合性实例进行讨论，对文本特征的提取及应用进行专门的讨论。
第8章介绍强化学习算法以及初步的深度强化学习算法。该部分内容涉及知识面较广，要求先导知识较多。采用本书作为教材时，可根据教学内容体系和教学时长选讲本章部分内容。
第9章对机器学习安全中的对抗攻击问题进行初步讨论，讲解对抗样本的生成及其对机器学习模型的攻击示例。对抗样本生成算法涉及很多基础知识，如梯度计算、反向传播等，因此，该部分内容既可以看作是对前沿新知识的探索，也可视为对前面章节内容的巩固和综合应用。
书中如有错误和不完善之处，望不吝赐教。
作者2022年5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
