机器学习从入门到入职——用sklearn与keras搭建人工智能模型
| 作者 |
| 张威 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121381997 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 近年来机器学习是一个热门的技术方向，但机器学习本身并不是一门新兴学科，而是多门成熟学科（微积分、统计学与概率论、线性代数等）的集合。其知识体系结构庞大而复杂，为了使读者朋友能够把握机器学习的清晰的脉络，本书尽可能从整体上对机器学习的知识架构进行整理，并以Sklearn和Keras等机器学习框架对涉及的相关理论概念进行代码实现，使理论与实践相结合。本书分为4个部分：第1章至第3章主要介绍机器学习的概念、开发环境的搭建及模型开发的基本流程等；第4章至第7章涵盖回归、分类、聚类、降维的实现原理，以及机器学习框架Sklearn的具体实现与应用；第8章至第12章主要阐述深度学习，如卷积神经网络、生成性对抗网络、循环神经网络的实现原理，以及深度学习框架Keras的具体实现与应用；第13章简单介绍机器学习岗位的入职技巧。本书可作为机器学习入门者、对机器学习感兴趣的群体和相关岗位求职者的参考用书。 |
| 目录 |
| 第1章 机器学习概述\t1 1.1 什么是机器学习\t2 1.2 人工智能的发展趋势\t3 1.2.1 人工智能的发展程度\t3 1.2.2 人工智能的应用\t4 第2章 机器学习的准备工作\t7 2.1 机器学习的知识准备\t8 2.2 机器学习的环境准备\t10 2.2.1 安装编译语言Python\t10 2.2.2 安装包\t11 2.2.3 安装适用于Python的集成开发环境\t12 2.3 机器学习模型开发的工作流程\t14 第3章 Sklearn概述\t16 3.1 Sklearn的环境搭建与安装\t17 3.2 Sklearn常用类及其结构\t18 3.2.1 数据源、数据预处理及数据提取\t19 3.2.2 模型建立\t20 3.2.3 模型验证\t21 3.2.4 模型调优\t21 3.3 本章小结\t22 第4章 Sklearn之数据预处理\t23 4.1 数据预处理的种类\t24 4.2 缺失值处理\t24 4.3 数据的规范化\t26 4.3.1 缩放规范化\t26 4.3.2 标准化\t29 4.3.3 范数规范化\t31 4.4 非线性变换\t34 4.4.1 二值化变换\t34 4.4.2 分位数变换\t34 4.4.3 幂变换\t39 4.4.4 多项式变换\t42 4.5 自定义预处理\t44 4.6 非结构性数据预处理\t45 4.7 文本数据处理\t46 4.7.1 分词技术\t46 4.7.2 对已提取数据的处理\t47 4.7.3 文本的特征提取\t52 4.8 图形的特征提取\t57 第5章 Sklearn之建立模型（上）\t59 5.1 监督学习概述\t60 5.2 线性回归\t61 5.2.1 最小二乘法\t62 5.2.2 线性回归中的收敛方法\t64 5.2.3 岭回归\t65 5.2.4 LASSO回归\t69 5.2.5 弹性网络回归\t79 5.2.6 匹配追踪\t80 5.2.7 多项式回归\t84 5.3 广义线性模型\t86 5.3.1 极大似然估计\t87 5.3.2 最大后验估计\t88 5.3.3 贝叶斯估计\t89 5.3.4 二项式回归\t91 5.3.5 逻辑回归\t93 5.3.6 贝叶斯回归\t94 5.4 稳健回归\t97 5.4.1 随机样本一致法\t98 5.4.2 泰尔-森估计\t102 5.5 支持向量机\t103 5.5.1 硬间隔和软间隔\t104 5.5.2 核函数\t106 5.6 高斯过程\t110 5.7 梯度下降\t115 5.8 决策树\t117 5.8.1 特征选择\t117 5.8.2 决策树的剪枝\t121 5.9 分类\t122 5.9.1 多类别分类\t122 5.9.2 多标签分类\t126 第6章 Sklearn之建立模型（下）\t128 6.1 无监督学习概述\t129 6.2 聚类\t129 6.2.1 K-mean聚类\t131 6.2.2 均值偏移聚类\t136 6.2.3 亲和传播\t139 6.2.4 谱聚类\t143 6.2.5 层次聚类\t151 6.2.6 DBSCAN聚类\t155 6.2.7 BIRCH聚类\t159 6.2.8 高斯混合模型\t164 6.3 降维\t168 6.3.1 主成因分析\t169 6.3.2 独立成因分析\t175 6.3.3 隐含狄利克雷分布\t179 6.3.4 流形学习\t185 6.3.5 多维度缩放\t186 6.3.6 ISOMAP\t189 6.3.7 局部线性嵌入\t191 6.3.8 谱嵌入\t195 第7章 Sklearn之模型优化\t198 7.1 模型优化\t199 7.2 模型优化的具体方法\t199 7.2.1 训练样本对模型的影响\t200 7.2.2 训练样本问题的解决方案\t201 7.2.3 第三方采样库imbalanced-learn\t203 7.3 过采样\t205 7.3.1 随机过采样\t205 7.3.2 合成少数类过采样技术\t207 7.3.3 自适应综合过采样方法\t210 7.4 欠采样\t212 7.4.1 近丢失方法\t212 7.4.2 编辑最邻近方法\t216 7.4.3 Tomek链接移除\t218 7.4.4 混合采样方法\t219 7.5 调整类别权重\t220 7.6 针对模型本身的调优\t223 7.7 集成学习\t228 7.7.1 投票分类器\t229 7.7.2 套袋法\t230 7.7.3 随机森林\t232 7.7.4 提升法\t234 7.7.5 自适应性提升法\t235 7.7.6 梯度提升法\t237 7.7.7 套袋法和提升法的比较\t239 第8章 Keras主要API及架构介绍\t241 8.1 Keras概述\t242 8.1.1 为什么选择Keras\t242 8.1.2 Keras的安装\t243 8.2 序列模型和函数式模型\t243 8.2.1 两种模型的代码实现\t244 8.2.2 模型的其他API\t248 8.3 Keras的架构\t250 8.4 网络层概述\t250 8.4.1 核心层\t251 8.4.2 卷积层\t252 8.4.3 池化层\t253 8.4.4 局部连接层\t255 8.4.5 循环层\t257 8.4.6 嵌入层\t259 8.4.7 融合层\t259 8.4.8 高级激活层\t261 8.4.9 规范化层\t261 8.4.10 噪声层\t261 8.4.11 层级包装器\t262 8.5 配置项\t265 8.5.1 损失函数\t265 8.5.2 验证指标\t268 8.5.3 初始化函数\t269 8.5.4 约束项\t271 8.5.5 回调函数\t272 第9章 一个神经网络的迭代优化\t279 9.1 神经网络概述\t281 9.2 神经网络的初步实现\t283 9.3 感知器层\t284 9.3.1 梯度消失/爆炸问题\t287 9.3.2 激活函数及其进化\t288 9.3.3 激活函数的代码实现\t294 9.3.4 批量规范化\t295 9.4 准备训练模型\t299 9.5 定义一个神经网络模型\t301 9.6 隐藏层对模型的影响\t306 9.7 关于过拟合的情况\t310 9.7.1 规则化方法\t311 9.7.2 Dropout方法\t313 9.8 优化器\t314 9.8.1 批量梯度下降\t316 9.8.2 灵活的学习率\t318 9.8.3 适应性梯度法\t319 9.8.4 适应性差值法\t320 9.8.5 均方差传播\t322 9.8.6 Nesterov加速下降\t324 9.8.7 Adam\t325 9.8.8 优化器之间的对比\t326 9.9 模型调优的其他途径\t329 9.10 本章小结\t331 第10章 卷积神经网络\t333 10.1 卷积神经网络概述\t335 10.1.1 局部感受场\t335 10.1.2 共享权重和偏差\t338 10.1.3 卷积层\t339 10.1.4 池化层\t342 10.1.5 卷积神经网络的代码实现\t344 10.1.6 卷积神经网络的调优\t348 10.2 常见的卷积神经网络\t352 10.2.1 LeNet\t352 10.2.2 AlexNet\t356 10.2.3 VGGNet\t359 10.2.4 残差网络\t366 10.2.5 Inception网络模型\t373 10.2.6 胶囊网络\t378 10.2.7 结语\t388 第11章 生成性对抗网络\t389 11.1 生成性对抗网络概述\t391 11.1.1 生成性对抗网络的原理\t391 11.1.2 生成性对抗网络的代码实现\t393 11.2 常见的生成性对抗网络\t399 11.2.1 深度卷积生成性对抗网络\t399 11.2.2 环境条件生成性对抗网络\t406 11.3 自动编码器\t411 11.3.1 自动编码器的代码实现\t412 11.3.2 变分自动编码器\t414 第12章 循环神经网络\t420 12.1 词嵌入\t422 12.1.1 Word2Vec\t423 12.1.2 GloVe\t428 12.1.3 词嵌入的代码实现\t429 12.2 循环神经网络概述\t430 12.2.1 简单循环神经网络单元\t432 12.2.2 关于循环神经网络的梯度下降\t433 12.2.3 长短期记忆单元\t435 12.2.4 门控递归单元\t443 12.2.5 双向循环神经网络\t444 第13章 机器学习的入职准备\t448 13.1 人工智能岗位及求职者的分布\t449 13.1.1 机器学习的生态\t449 13.1.2 应用场景\t450 13.2 机器学习岗位的发展路径\t454 13.2.1 机器学习岗位画像\t454 13.2.2 面试考察什么\t456 |
有问题微信扫码联系