| 作者 |
| [美]阿米特·V. 乔希(Ameet V Joshi) |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111688129 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书全面介绍了人工智能(AI)和机器学习(ML)的理论和应用。与仅仅从理论或实践的角度来看待这个领域不同，本书将这两个角度结合在了一起，给予全面的理解。第1部分介绍了人工智能和ML的概念以及它们的起源和现状。第2和第3部分深入探讨了静态ML技术和动态ML技术的概念和理论方面。第4部分描述了所提出的技术可以应用的实际应用。第5部分向用户介绍了解决现实ML问题的一些实现策略。 |
| 目录 |
| 序 前言 致谢 第一部分 简 介 第1章 人工智能和机器学习简介 2 1.1 引言 2 1.2 什么是人工智能 2 1.3 什么是机器学习 3 1.4 本书的结构 3 1.4.1 简介 4 1.4.2 机器学习 4 1.4.3 构建端到端管道 4 1.4.4 人工智能 4 1.4.5 实现 5 1.4.6 结语 5 第2章 人工智能和机器学习的基本概念 6 2.1 引言 6 2.2 大数据和非大数据 6 2.2.1 什么是大数据 6 2.2.2 为什么我们应该区别对待大数据 6 2.3 学习类型 7 2.3.1 监督学习 7 2.3.2 无监督学习 7 2.3.3 强化学习 8 2.4 基于时间的机器学习方法 8 2.4.1 静态学习 8 2.4.2 动态学习 8 2.5 维数 8 2.6 线性和非线性 10 2.7 奥卡姆剃刀原理 12 2.8 “没有免费的午餐”定理 14 2.9 收益递减规律 14 2.10 机器学习的早期趋势 14 2.11 小结 15 第3章 数据的理解、表示和可视化 16 3.1 引言 16 3.2 理解数据 16 3.2.1 理解实体 17 3.2.2 理解属性 17 3.2.3 理解数据类型 18 3.3 数据的表示和可视化 19 3.3.1 主成分分析 19 3.3.2 线性判别分析 21 3.4 小结 22 第二部分 机 器 学 习 第4章 线性方法 26 4.1 引言 26 4.2 线性模型和广义线性模型 27 4.3 线性回归 27 4.3.1 定义问题 27 4.3.2 解决问题 27 4.4 正则化的线性回归 28 4.4.1 正则化 28 4.4.2 岭回归 29 4.4.3 Lasso回归 29 4.5 广义线性模型 30 4.6 k最近邻算法 30 4.6.1 KNN的定义 31 4.6.2 分类和回归 32 4.6.3 KNN的其他变体 32 4.7 小结 32 第5章 感知器和神经网络 34 5.1 引言 34 5.2 感知器 34 5.3 多层感知器或人工神经网络 35 5.3.1 前馈操作 35 5.3.2 非线性多层感知器或非线性人工神经网络 36 5.3.3 训练多层感知器 36 5.3.4 隐藏层 38 5.4 径向基函数网络 38 5.5 过度拟合与正则化 40 5.5.1 L1和L2正则化 40 5.5.2 丢弃正则化 41 5.6 小结 41 第6章 决策树 42 6.1 引言 42 6.2 为什么使用决策树 43 6.3 构建决策树的算法 43 6.4 回归树 44 6.5 分类树 45 6.6 决策指标 45 6.6.1 误分类误差 46 6.6.2 基尼指数 46 6.6.3 交叉熵或偏差 46 6.7 卡方自动交叉检验 47 6.8 训练决策树 47 6.9 集成决策树 48 6.10 Bagging集成树 48 6.11 随机森林 49 6.12 Boosted集成树 49 6.12.1 AdaBoost 50 6.12.2 梯度提升 50 6.13 小结 50 第7章 支持向量机 51 7.1 引言 51 7.2 动机和范围 51 7.2.1 扩展到多元分类 51 7.2.2 非线性情况的扩展 53 7.3 支持向量机理论 53 7.4 可分离性和间隔 54 7.4.1 正则化和软间隔SVM 54 7.4.2 松弛变量的使用 54 7.5 非线性与核函数的使用 55 7.5.1 径向基函数 55 7.5.2 多项式函数 56 7.5.3 Sigmoid 56 7.6 风险最小化 56 7.7 小结 56 第8章 概率模型 57 8.1 引言 57 8.2 判别模型 58 8.2.1 最大似然估计 58 8.2.2 贝叶斯方法 58 8.2.3 最大似然估计和贝叶斯方法的比较 59 8.3 生成模型 61 8.3.1 混合方法 62 8.3.2 贝叶斯网络 62 8.4 一些有用的概率分布 62 8.4.1 正态分布或高斯分布 63 8.4.2 伯努利分布 64 8.4.3 二项分布 65 8.4.4 伽马分布 66 8.4.5 泊松分布 67 8.5 小结 70 第9章 动态规划和强化学习 71 9.1 引言 71 9.2 动态规划的基本方程 71 9.3 动态规划下的问题类别 72 9.4 强化学习 73 9.4.1 强化学习的特点 73 9.4.2 框架和算法 73 9.5 探索和开发 74 9.6 强化学习应用示例 75 9.7 强化学习理论 76 9.8 小结 77 第10章 演化算法 78 10.1 引言 78 10.2 传统方法的瓶颈 78 10.3 达尔文的进化论 80 10.4 遗传规划 80 10.5 群体智能 82 10.6 蚁群优化 83 10.7 模拟退火 84 10.8 小结 84 第11章 时间序列模型 85 11.1 引言 85 11.2 平稳性 85 11.3 自回归和移动平均模型 87 11.3.1 自回归过程 87 11.3.2 移动平均过程 88 11.3.3 自回归移动平均过程 88 11.4 差分自回归移动平均模型 88 11.5 隐马尔可夫模型 89 11.6 条件随机场 91 11.7 小结 92 第12章 深度学习 93 12.1 引言 93 12.2 现代深度学习的起源 94 12.3 卷积神经网络 95 12.3.1 一维卷积 95 12.3.2 二维卷积 95 12.3.3 CNN的架构 96 12.3.4 训练CNN 98 12.4 循环神经网络 98 12.4.1 RNN的局限性 99 12.4.2 长短期记忆RNN 99 12.4.3 LSTM的优点 100 12.4.4 LSTM-RNN的研究现状 100 12.5 小结 101 第13章 机器学习的新兴趋势 102 13.1 引言 102 13.2 迁移学习 102 13.3 生成对抗网络 103 13.4 量子计算 104 13.4.1 量子理论 104 13.4.2 量子纠缠 105 13.4.3 量子叠加 105 13.4.4 量子粒子计算 105 13.5 自动机器学习 105 13.6 小结 106 第14章 无监督学习 107 14.1 引言 107 14.2 聚类 107 14.2.1 k均值聚类 108 14.2.2 k均值聚类的改进 110 14.3 成分分析 110 14.4 自组织映射 111 14.5 自动编码神经网络 112 14.6 小结 113 第三部分 构建端到端管道 第15章 特征化 116 15.1 引言 116 15.2 UCI：成人工资预测器 116 15.3 识别原始数据，将信息与噪声分离 117 15.4 构建特征集 119 15.4.1 特征构建的标准选项 119 15.4.2 特征构建的自定义选项 123 15.5 处理缺失值 123 15.6 可视化特征 124 15.6.1 数值特征 124 15.6.2 分类特征 127 15.7 小结 130 第16章 设计和调整模型管道 131 16.1 引言 131 16.2 选择技术或算法 131 16.3 划分数据 132 16.4 训练 134 16.5 准确率度量 135 16.6 特征的可解释性 135 16.7 实际问题 136 16.7.1 数据泄露 136 16.7.2 巧合与因果关系 137 16.7.3 未知类别 138 16.8 小结 138 第17章 性能度量 139 17.1 引言 139 17.2 基于数值误差的指标 140 17.2.1 平均绝对误差 140 17.2.2 均方误差 140 17.2.3 均方根误差 140 17.2.4 归一化误差 140 17.3 基于分类误差的指标 141 17.3.1 准确率 141 17.3.2 精度和召回率 141 17.3.3 ROC曲线分析 142 17.4 假设检验 144 17.4.1 背景 144 17.4.2 假设检验的步骤 144 17.4.3 A/B检验 145 17.5 小结 145 第四部分 人工智能 第18章 分类 148 18.1 引言 148 18.2 分类中的现实问题示例 148 18.3 垃圾邮件检测 149 18.3.1 定义范围 149 18.3.2 假设 149 18.3.3 数据偏度 150 18.3.4 监督学习 151 18.3.5 特征工程 151 18.3.6 模型训练 151 18.3.7 迭代优化过程 152 18.4 小结 152 第19章 回归 153 19.1 引言 153 19.2 预测房地产价格 153 19.2.1 定义回归特定问题 153 19.2.2 收集标记数据 154 19.2.3 特征工程 156 19.2.4 模型选择 157 19.2.5 模型性能 158 19.3 回归的其他应用 158 19.4 小结 158 第20章 排名 159 20.1 引言 159 20.2 度量排名性能 159 20.3 搜索结果排名和谷歌的 PageRank 161 20.4 排名系统中使用的技术 162 20.5 小结 163 第21章 推荐系统 164 21.1 引言 164 21.2 协同过滤 164 21.3 亚马逊的个人购物体验 166 21.3.1 基于上下文的推荐 167 21.3.2 基于个性化的推荐 167 21.4 Netflix的流媒体视频推荐 168 21.5 小结 169 第五部分 实 现 第22章 Azure机器学习 172 22.1 引言 172 22.2 Azure机器学习工作室 172 22.3 使用AML工作室构建机器学习管道 175 22.3.1 获取数据 175 22.3.2 数据预处理 176 22.3.3 训练分类器模型 178 22.4 评分和性能指标 179 22.5 小结 182 第23章 开源机器学习库 183 23.1 引言 183 23.2 机器学习库的选择 183 23.3 scikit-learn库 185 23.3.1 开发环境 185 23.3.2 导入数据 185 23.3.3 数据预处理 186 23.3.4 使用分层抽样划分数据 186 23.3.5 训练多分类模型 187 23.3.6 计算指标 188 23.3.7 使用替代模型 188 23.4 模型调整和优化 189 23.5 AML工作室和scikit-learn之间的比较 190 23.6 小结 190 第24章 亚马逊的机器学习工具包：SageMaker 193 24.1 引言 193 24.2 设置SageMaker 193 24.3 上传数据到S3存储 196 24.4 使用Python编写机器学习管道 198 24.5 小结 200 第六部分 结 语 第25章 本书总结和下一步工作 202 25.1 总结 202 25.2 下一步工作 203 参考文献 204 |