機器學習與人工智能：從理論到實踐

定　價：￥99.00

作　者：	（美）阿米特·V.喬希（Ameet V.Joshi）
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111688129	出版時間：	2021-08-01	包裝：
開本：	16開	頁數(shù)：	206	字數(shù)：

內(nèi)容簡介

　　《機器學習與人工智能：從理論到實踐》理論與實踐相結合，全面介紹了人工智能和機器學習。《機器學習與人工智能：從理論到實踐》分為六部分。首部分介紹了人工智能和機器學習在現(xiàn)代背景下的概念以及它們的起源和現(xiàn)狀，并討論了使用這些概念的各種場景和數(shù)據(jù)的理解、表示與可視化。第二部分介紹了機器學習的各種方法及新興趨勢。第三部分介紹了使用算法構建端到端機器學習管道。第四部分重點介紹機器學習模型的實現(xiàn)，以開發(fā)人工智能應用。第五部分介紹了解決現(xiàn)實機器學習問題的一些實現(xiàn)策略。第六部分是《機器學習與人工智能：從理論到實踐》總結和下一步工作。《機器學習與人工智能：從理論到實踐》適合機器學習與人工智能相關專業(yè)研究生和高年級本科生以及研究人員和專業(yè)人員閱讀。書中盡可能少地使用數(shù)學，這使得主題更直觀、更容易理解。全面介紹了人工智能和機器學習技術的理論和應用。為人工智能和機器學習提供了直觀、易懂的學習指南，較少使用數(shù)學。結合應用介紹所有機器學習和人工智能技術及實現(xiàn)。

作者簡介

　　Ameet V.Joshi，博士，目前是微軟的一名數(shù)據(jù)科學經(jīng)理。他于2006年在密歇根州立大學獲得博士學位。他擁有超過15年的機器學習算法開發(fā)方面的經(jīng)驗，涉及各種不同的工業(yè)領域，包括管道檢查、家庭能源分解、微軟Cortana智能和CRM中的商務智能。此前，他曾擔任Belkin International的機器學習專家和Microline Technology Corp．的研究主管。他是多個技術委員會的成員，在許多會議和期刊上發(fā)表過文章，也是多本書籍的編著者之一。他還擁有兩項專利，并獲得多個行業(yè)獎項，包括IEEE高級會員（只有8%的會員獲得）。

圖書目錄

序
前言
致謝
第一部分簡介
第1章人工智能和機器學習簡介
1．1 引言
1．2 什么是人工智能
1．3 什么是機器學習
1．4 本書的結構
1．4．1 簡介
1．4．2 機器學習
1．4．3 構建端到端管道
1．4．4 人工智能
1．4．5 實現(xiàn)
1．4．6 結語
第2章人工智能和機器學習的基本概念
2．1 引言
2．2 大數(shù)據(jù)和非大數(shù)據(jù)
2．2．1 什么是大數(shù)據(jù)
2．2．2 為什么我們應該區(qū)別對待大數(shù)據(jù)
2．3 學習類型
2．3．1 監(jiān)督學習
2．3．2 無監(jiān)督學習
2．3．3 強化學習
2．4 基于時間的機器學習方法
2．4．1 靜態(tài)學習
2．4．2 動態(tài)學習
2．5 維數(shù)
2．6 線性和非線性
2．7 奧卡姆剃刀原理
2．8 “沒有免費的午餐”定理
2．9 收益遞減規(guī)律
2．10 機器學習的早期趨勢
2．11 小結
第3章數(shù)據(jù)的理解、表示和可視化
3．1 引言
3．2 理解數(shù)據(jù)
3．2．1 理解實體
3．2．2 理解屬性
3．2．3 理解數(shù)據(jù)類型
3．3 數(shù)據(jù)的表示和可視化
3．3．1 主成分分析
3．3．2 線性判別分析
3．4 小結
第二部分機器學習
第4章線性方法
4．1 引言
4．2 線性模型和廣義線性模型
4．3 線性回歸
4．3．1 定義問題
4．3．2 解決問題
4．4 正則化的線性回歸
4．4．1 正則化
4．4．2 嶺回歸
4．4．3 Lasso回歸
4．5 廣義線性模型
4．6 k最近鄰算法
4．6．1 KNN的定義
4．6．2 分類和回歸
4．6．3 KNN的其他變體
4．7 小結
第5章感知器和神經(jīng)網(wǎng)絡
5．1 引言
5．2 感知器
5．3 多層感知器或人工神經(jīng)網(wǎng)絡
5．3．1 前饋操作
5．3．2 非線性多層感知器或非線性人工神經(jīng)網(wǎng)絡
5．3．3 訓練多層感知器
5．3．4 隱藏層
5．4 徑向基函數(shù)網(wǎng)絡
5．5 過度擬合與正則化
5．5．1 L1和L2正則化
5．5．2 丟棄正則化
5．6 小結
第6章決策樹
6．1 引言
6．2 為什么使用決策樹
6．3 構建決策樹的算法
6．4 回歸樹
6．5 分類樹
6．6 決策指標
6．6．1 誤分類誤差
6．6．2 基尼指數(shù)
6．6．3 交叉熵或偏差
6．7 卡方自動交叉檢驗
6．8 訓練決策樹
6．9 集成決策樹
6．10 Bagging集成樹
6．11 隨機森林
6．12 Boosted集成樹
6．12．1 AdaBoost
6．12．2 梯度提升
6．13小結
……
第三部分構建端到端管道
第四部分人工智能
第五部分實現(xiàn)
第六部分結語
參考文獻