| 作者 |
| 张海涛 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121409509 |
| 简要 |
| 简介 |
| 内容简介 本书以scikit-learn和Keras框架作为实战平台，讲解了传统机器学习的主流技术和*深度学习的研究成果。其中，*篇 传统机器学习”包括第1～10章，介绍了机器学习概念、监督学习算法（回归分析、Logistic回归、k近邻、决策树、朴素贝叶斯、支持向量机）、无监督学习算法（神经网络、聚类、降维）；第二篇 深度学习”包括第11～15章，介绍了深度学习的概念、卷积神经网络、循环神经网络、生成对抗网络和强化学习等。 本书的编写旨在体现做中学”理念，读者在学习初期不必过多纠缠于算法理论，而是通过实际案例快速入门，进而激发兴趣，自主完善理论学习，*终顺利跨入人工智能的殿堂。本书可以作为高校数据科学与大数据技术、人工智能等专业的教材，也可以作为致力于开展人工智能研究的读者快速入门的参考资料。 |
| 目录 |
| 第一篇 传统机器学习 第1章 机器学习概述\t2 1.1 机器学习概念\t2 1.1.1 什么是机器学习\t2 1.1.2 机器学习有什么用\t2 1.1.3 机器学习的分类\t3 1.2 机器学习理论基础\t9 1.2.1 过拟合和欠拟合\t9 1.2.2 损失函数\t9 1.2.3 模型性能度量方法\t11 1.2.4 学习曲线\t14 1.2.5 算法模型性能优化\t17 1.3 scikit-learn简介\t21 1.3.1 关于scikit-learn\t21 1.3.2 安装scikit-learn\t21 1.3.3 scikit-learn数据集\t21 习题 \t27 参考文献\t30 第2章 回归分析\t31 2.1 一元线性回归\t31 2.1.1 一元线性回归的实现\t31 2.1.2 解一元线性回归的 最小二乘法\t34 2.1.3 模型评估\t35 2.2 多元线性回归\t36 2.3 多项式回归\t36 习题 \t41 参考文献\t42 第3章 Logistic回归\t43 3.1 分类问题概述\t43 3.2 Logistic回归分类\t44 3.2.1 Logistic回归算法的原理\t44 3.2.2 Logistic回归算法实例\t48 3.3 Softmax回归——多元分类 问题\t55 习题 \t58 参考文献\t59 第4章 k近邻\t60 4.1 k近邻算法原理\t60 4.1.1 KNN算法三要素\t60 4.1.2 KNN算法之蛮力实现 原理\t61 4.1.3 KNN算法之KD树实现 原理\t62 4.1.4 KNN算法之球树实现 原理\t64 4.1.5 KNN算法的扩展\t66 4.1.6 KNN算法小结\t66 4.2 用scikit-learn实现KNN 算法\t67 习题 \t72 参考文献\t72 第5章 决策树\t73 5.1 决策树分类原理\t74 5.2 决策树的学习过程\t74 5.3 ID3算法的数学原理\t75 5.3.1 什么是信息增益\t75 5.3.2 ID3树中最优划分属性计算 举例\t76 5.4 scikit-learn决策树算法实现\t78 5.5 决策树可视化\t80 习题 \t83 参考文献\t84 第6章 朴素贝叶斯\t85 6.1 基本原理\t85 6.1.1 贝叶斯定理\t85 6.1.2 朴素贝叶斯分类器\t86 6.2 朴素贝叶斯三种基本模型\t88 6.3 朴素贝叶斯的应用及特点\t90 6.3.1 朴素贝叶斯常见的四种 应用\t90 6.3.2 朴素贝叶斯的优缺点\t90 6.3.3 提升朴素贝叶斯性能的 技巧\t91 习题 \t93 参考文献\t94 第7章 支持向量机\t95 7.1 支持向量机原理\t95 7.1.1 支持向量机定义\t95 7.1.2 线性可分性\t95 7.1.3 损失函数\t96 7.1.4 经验风险与结构风险\t97 7.2 标准算法\t99 7.2.1 线性SVM\t99 7.2.2 非线性SVM\t100 7.3 scikit-learn SVM分类算法 实现\t101 7.3.1 算法简单实现\t101 7.3.2 算法的优化\t102 习题 \t106 参考文献\t107 第8章 神经网络\t108 8.1 神经网络概述\t108 8.1.1 神经元模型\t108 8.1.2 感知机\t109 8.1.3 神经网络\t110 8.1.4 梯度下降法与反向传播\t112 8.2 scikit-learn神经网络分类算法 实现\t118 习题 \t122 参考文献\t123 第9章 聚类\t124 9.1 聚类概述\t124 9.1.1 K-Means聚类算法\t124 9.1.2 均值漂移聚类\t127 9.1.3 基于密度的聚类方法 （DBSCAN）\t130 9.1.4 基于高斯混合模型（GMM）的 期望最大化（EM）聚类\t132 9.1.5 凝聚层次聚类\t133 9.2 scikit-learn聚类算法的实现\t136 习题 \t142 参考文献\t144 第10章 降维\t145 10.1 降维方法概述\t145 10.1.1 主成分分析（PCA）\t145 10.1.2 线性判别分析（LDA）\t148 10.1.3 局部线性嵌入（LLE）\t150 10.1.4 拉普拉斯特征映射 （LE）\t151 10.2 scikit-learn降维算法实现\t152 习题 \t157 参考文献\t158 第二篇 深度学习 第11章 深度学习概述\t161 11.1 深度学习的概念\t161 11.2 深度学习的分类及特点\t163 11.2.1 深度学习的分类\t163 11.2.2 深度学习的特点\t164 11.3 深度学习的历史及发展\t164 11.4 深度学习的应用\t165 11.5 Keras简介\t166 11.5.1 Keras深度学习库\t166 11.5.2 Keras安装\t168 11.5.3 Keras举例\t168 习题 \t169 参考文献\t170 第12章 卷积神经网络\t171 12.1 卷积与池化操作\t172 12.1.1 卷积层\t172 12.1.2 池化层\t174 12.2 典型的CNN架构\t175 12.2.1 LeNet-5\t176 12.2.2 AlexNet\t176 12.2.3 GoogLeNet\t178 12.2.4 ResNet\t180 12.3 使用Keras搭建卷积神经 网络\t182 习题 \t185 参考文献\t185 第13章 循环神经网络\t186 13.1 RNN\t186 13.2 LSTM\t190 13.3 循环神经网络案例\t191 习题 \t195 参考文献\t195 第14章 生成对抗网络\t196 14.1 生成对抗网络结构\t196 14.1.1 生成对抗网络模型原理\t197 14.1.2 生成对抗网络优化原理\t198 14.1.3 模型训练\t199 14.1.4 对抗网络的改进模型\t200 14.2 生成对抗网络的构建\t201 14.2.1 生成模型的构建\t202 14.2.2 判别模型的构建\t202 14.2.3 条件生成对抗网络的 构建\t204 14.3 生成对抗网络案例\t205 14.3.1 生成模型\t205 14.3.2 判别模型\t205 14.3.3 模型训练\t206 习题 \t207 参考文献\t208 第15章 强化学习\t209 15.1 问题概述\t209 15.2 价值函数\t211 15.3 动态规划算法\t212 15.3.1 策略迭代算法\t212 15.3.2 价值迭代算法\t213 15.4 蒙特卡洛算法\t213 15.4.1 状态价值函数估计\t214 15.4.2 动作价值函数估计\t214 15.4.3 蒙特卡洛控制\t215 15.5 时序差分算法\t215 15.5.1 Sarsa算法\t216 15.5.2 Q学习\t216 15.6 深度强化学习\t216 15.6.1 DQN算法\t216 15.6.2 策略梯度算法\t217 15.7 代码案例\t219 习题 \t223 参考文献\t224 |