[套装书]机器学习实战：基于Sophon平台的机器学习理论与实践+深度学习与图像识别：原理与实践（2册）

作者
魏溪含 涂铭 张修鹏
丛书名
“工业和信息化领域急需紧缺人才（大数据和人工智能）培养工程”系列丛书
出版社
机械工业出版社
ISBN
9782001101542
简要
简介
内容简介书籍计算机书籍 ---------------------------机器学习实战：基于Sophon平台的机器学习理论与实践--------------------------- 在机器学习大行其道的今天，机器学习平台也有着突飞猛进的发展。本书的立意，就是使用机器学习平台积累、沉淀下来的模块、组件去解决一个又一个业务难题和探索隐藏在其中的数据之美。Sophon机器学习平台的丰富算子能力和优秀的建模上线功能提供正是这样的能力。本书针对每种类型的机器学习问题，结合实际案例依照数据、分析、建模、总结的演进历程进行系统化阐述并进行实战讲解。 ---------------------------深度学习与图像识别：原理与实践--------------------------- 本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。
目录



---------------------------机器学习实战：基于Sophon平台的机器学习理论与实践---------------------------


前言
丛书前言
本书编委会
前言
第1章机器学习导论
1.1 什么是机器学习
1.1.1 机器学习的背景
1.1.2 机器学习的定义
1.1.3 机器学习的任务类型
1.1.4 构建机器学习应用的步骤
1.2 开发机器学习工作流的方式
第2章数据预处理与特征工程
2.1 特征提取
2.1.1 探索性数据分析
2.1.2 数值特征
2.1.3 类别特征
2.1.4 时间特征
2.1.5 文本特征
2.1.6 过滤方法
2.1.7 封装方法
2.1.8 嵌入方法
2.1.9 自动化特征工程
2.2 交互式数据预处理
2.3 本章小结
第3章回归模型
3.1 回归任务概述
3.2 回归算法原理
3.2.1 线性回归
3.2.2 决策树回归
3.2.3 生存回归
3.3 Sophon案例
3.4 本章小结
第4章分类
4.1 分类任务概述
4.2 分类算法原理
4.2.1 逻辑回归
4.2.2 因子分解机
4.2.3 XGBoost
4.3 使用Sophon建立分类模型
4.3.1 场景介绍
4.3.2 建模过程
4.3.3 结果分析
4.4 本章小结
第5章模型融合
5.1 集成学习理论
5.1.1 集成学习基本概念
5.1.2 个体学习器
5.1.3 基学习器集成
5.1.4 常用的集成学习方法
5.2 常用融合方法
5.2.1 平均法
5.2.2 学习法（Stacking 方法）
5.3 使用Sophon进行模型融合
5.3.1 场景与数据集介绍
5.3.2 建模过程
5.3.3 结果分析
5.4 本章小结
第6章聚类 78
6.1 聚类任务概述
6.2 聚类算法原理
6.2.1 K-Means
6.2.2 Fuzzy C-Means
6.2.3 Canopy
6.2.4 高斯混合
6.3 聚类模型实例
6.3.1 场景介绍
6.3.2 建模过程
6.3.3 结果分析
6.4 本章小结
第7章图计算
7.1 背景和问题描述
7.2 常用算法介绍
7.2.1 PageRank
7.2.2 标签传播
7.2.3 中心性检测
7.2.4 图嵌入
7.3 落地案例
7.3.1 场景介绍
7.3.2 建模过程
7.3.3 结果分析
7.4 本章小结
第8章自动机器学习
8.1 场景介绍
8.2 自动化特征工程
8.2.1 自动多表特征扩展
8.2.2 自动特征构建
8.3 建模过程
8.4 结果分析
8.5 真实测试案例
8.5.1 数据集
8.5.2 前置设置
8.5.3 测试结果分析
8.5.4 Abalone 和 Airfoil Self-Noise 数据集的增强测试
8.5.5 小结
8.6 本章小结
第9章自然语言处理
9.1 自然语言处理算法原理
9.1.1 词向量
9.1.2 序列标注
9.1.3 关键词抽取
9.1.4 文本自动摘要
9.1.5 文本情感分析
9.2 使用Sophon建立自然语言处理模型
9.2.1 场景介绍
9.2.2 建模流程
9.2.3 模型评估
9.3 落地案例
9.4 本章小结
第10章计算机视觉
10.1 计算机视觉概述
10.2 计算机视觉算法原理
10.2.1 图像分类
10.2.2 目标检测
10.3 计算机视觉模型示例
10.3.1 图像预处理
10.3.2 图像分类算法建模
10.3.3 目标检测算法建模
10.4 落地案例
10.5 本章小结
附录A 企业级人工智能应用平台Sophon
A.1 产品架构
A.2 技术特点
A.3 组件介绍能
A.4 Sophon Edge 边缘计算
A.5 Sophon EP 实体画像
A.6 Sophon KG 知识图谱
A.7 Sophon CV 图像分析
A.8 Sophon NLP 自然语言处理
A.9 Sophon Cloud 服务管理



---------------------------深度学习与图像识别：原理与实践---------------------------


前言
第1章　机器视觉在行业中的应用1
1.1　机器视觉的发展背景1
1.1.1　人工智能1
1.1.2　机器视觉2
1.2　机器视觉的主要应用场景3
1.2.1　人脸识别3
1.2.2　视频监控分析4
1.2.3　工业瑕疵检测5
1.2.4　图片识别分析6
1.2.5　自动驾驶/驾驶辅助7
1.2.6　三维图像视觉8
1.2.7　医疗影像诊断8
1.2.8　文字识别9
1.2.9　图像/视频的生成及设计9
1.3　本章小结10
第2章　图像识别前置技术11
2.1　深度学习框架11
2.1.1　Theano11
2.1.2　Tensorflow12
2.1.3　MXNet13
2.1.4　Keras13
2.1.5　PyTorch14
2.1.6　Caffe14
2.2　搭建图像识别开发环境15
2.2.1　Anaconda15
2.2.2　conda18
2.2.3　Pytorch的下载与安装19
2.3　Numpy使用详解20
2.3.1　创建数组20
2.3.2　创建Numpy数组22
2.3.3　获取Numpy属性24
2.3.4　Numpy数组索引25
2.3.5　切片25
2.3.6　Numpy中的矩阵运算26
2.3.7　数据类型转换27
2.3.8　Numpy的统计计算方法28
2.3.9　Numpy中的arg运算29
2.3.10　FancyIndexing29
2.3.11　Numpy数组比较30
2.4　本章小结31
第3章　图像分类之KNN算法32
3.1　KNN的理论基础与实现32
3.1.1　理论知识32
3.1.2　KNN的算法实现33
3.2　图像分类识别预备知识35
3.2.1　图像分类35
3.2.2　图像预处理36
3.3　KNN实战36
3.3.1　KNN实现MNIST数据分类36
3.3.2　KNN实现Cifar10数据分类41
3.4　模型参数调优44
3.5　本章小结48
第4章　机器学习基础49
4.1　线性回归模型49
4.1.1　一元线性回归50
4.1.2　多元线性回归56
4.2　逻辑回归模型57
4.2.1　Sigmoid函数58
4.2.2　梯度下降法59
4.2.3　学习率的分析61
4.2.4　逻辑回归的损失函数63
4.2.5　Python实现逻辑回归66
4.3　本章小结68
第5章　神经网络基础69
5.1　神经网络69
5.1.1　神经元70
5.1.2　激活函数72
5.1.3　前向传播76
5.2　输出层80
5.2.1　Softmax80
5.2.2　one-hotencoding82
5.2.3　输出层的神经元个数83
5.2.4　MNIST数据集的前向传播83
5.3　批处理85
5.4　广播原则87
5.5　损失函数88
5.5.1　均方误差88
5.5.2　交叉熵误差89
5.5.3　Mini-batch90
5.6　最优化91
5.6.1　随机初始化91
5.6.2　跟随梯度（数值微分）92
5.7　基于数值微分的反向传播98
5.8　基于测试集的评价101
5.9　本章小结104
第6章　误差反向传播105
6.1　激活函数层的实现105
6.1.1　ReLU反向传播实现106
6.1.2　Sigmoid反向传播实现106
6.2　Affine层的实现107
6.3　Softmaxwithloss层的实现108
6.4　基于数值微分和误差反向传播的比较109
6.5　通过反向传播实现MNIST识别111
6.6　正则化惩罚114
6.7　本章小结115
第7章　PyTorch实现神经网络图像分类116
7.1　PyTorch的使用116
7.1.1　Tensor116
7.1.2　Variable117
7.1.3　激活函数118
7.1.4　损失函数120
7.2　PyTorch实战122
7.2.1　PyTorch实战之MNIST分类122
7.2.2　PyTorch实战之Cifar10分类125
7.3　本章小结128
第8章　卷积神经网络129
8.1　卷积神经网络基础129
8.1.1　全连接层129
8.1.2　卷积层130
8.1.3　池化层134
8.1.4　批规范化层135
8.2　常见卷积神经网络结构135
8.2.1　AlexNet136
8.2.2　VGGNet138
8.2.3　GoogLeNet140
8.2.4　ResNet142
8.2.5　其他网络结构144
8.3　VGG16实现Cifar10分类145
8.3.1　训练146
8.3.2　预测及评估149
8.4　本章小结152
8.5　参考文献152
第9章　目标检测153
9.1　定位+分类153
9.2　目标检测155
9.2.1　R-CNN156
9.2.2　Fast R-CNN160
9.2.3　Faster R-CNN162
9.2.4　YOLO165
9.2.5　SSD166
9.3　SSD实现VOC目标检测167
9.3.1　PASCAL VOC数据集167
9.3.2　数据准备170
9.3.3　构建模型175
9.3.4　定义Loss178
9.3.5　SSD训练细节181
9.3.6　训练186
9.3.7　测试189
9.4　本章小结190
9.5　参考文献191
第10章　分割192
10.1　语义分割193
10.1.1　FCN193
10.1.2　UNet实现裂纹分割196
10.1.3　SegNet209
10.1.4　PSPNet210
10.2　实例分割211
10.2.1　层叠式212
10.2.2　扁平式212
10.3　本章小结213
10.4　参考文献214
第11章　产生式模型215
11.1　自编码器215
11.2　对抗生成网络215
11.3　DCGAN及实战217
11.3.1　数据集218
11.3.2　网络设置220
11.3.3　构建产生网络221
11.3.4　构建判别网络223
11.3.5　定义损失函数224
11.3.6　训练过程224
11.3.7　测试227
11.4　其他GAN230
11.5　本章小结235
11.6　参考文献235
第12章　神经网络可视化236
12.1　卷积核236
12.2　特征层237
12.2.1　直接观测237
12.2.2　通过重构观测239
12.2.3　末端特征激活情况243
12.2.4　特征层的作用244
12.3　图片风格化245
12.3.1　理论介绍245
12.3.2　代码实现247
12.4　本章小结255
12.5　参考文献255
第13章　图像识别算法的部署模式257
13.1　图像算法部署模式介绍257
13.2　实际应用场景和部署模式的匹配262
13.3　案例介绍264
13.4　本章小结265



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4