新書推薦：
《
历史、神话与艺术：东西方文化的解读和比较
》
售價：NT$
347
《
在别处安家：关于逃离、生存与梦想破碎之地
》
售價：NT$
347
《
棉花王国 密西西比河流域的奴隶制与资本主义 （一部改写美国奴隶制认知的史学佳作）
》
售價：NT$
602
《
历史哲学 一部关于世界文明 理性与历史的终极思考
》
售價：NT$
505
《
诡舍6完结篇蔽日开天
》
售價：NT$
254
《
大学问·秦汉经济政策与经济思想史稿（jue版好书复活，读懂秦汉，就是读懂中国两千年的经济底色。）
》
售價：NT$
454
《
狄仁杰与武则天 武周革命与平民官僚的崛起 钤印版 汗青堂丛书163
》
售價：NT$
449
《
自恋主义文化
》
售價：NT$
398
|
| 編輯推薦： |
原理+代码+案例闭环，打通学练用链路：从原理到实战，每个算法配实操案例，助力快速掌握落地能力，学完就能上手应用。
Python零基础友好，轻松跨越入门门槛：开篇详解Python基础，拆解复杂算法，代码详细解析，零基础也能快速上手，降低入门难度。
覆盖基础+神经网络核心算法：上篇夯实6大基础算法，下篇深研神经网络，构建完整知识体系，适配不同阶段学习进阶需求。
章节自成体系，学习路径自主定制：单章独立成篇，按需选学，零基础可系统学，有基础能直接进阶，灵活规划高效学习路径。
理论实践深度结合，适配多元学习场景：兼顾原理与实战，案例覆盖多领域，精准匹配不同学习与应用需求。
|
| 內容簡介： |
近年来人工智能的显著进步，得益于数据、算力和算法的快速协同发展。对于人工智能应用相关的广大从业者而言，在拥有足够的数据和充裕的算力资源的情况下，如何将数据和算力所能产生的效果有效释放，真正实现人工智能对已有业务的赋能，则有赖于合理高效的设计和运用机器学习的相关算法。
本书分上、下两篇，共12章，以Python语言为基础，系统地讲解了机器学习算法基础，常见的机器学习相关算法的原理、实现与应用，以及深度学习相关算法的原理、实现与应用等内容。本书旨在带领读者探索人工智能时代的算法奥秘，引导读者学习主要的机器学习算法原理，并学会基本运用。本书基本做到单章自成体系，读者可以根据兴趣或应用需要自行安排阅读顺序。
本书适合机器学习算法的初学者、自学机器学习基础知识的程序员阅读，也可作为计算机类或电子信息类研究生的参考书。
|
| 關於作者： |
陈卓
博士，博士后，重庆理工大学计算机科学与工程学院副教授，硕士生导师，IEEE会员及CCF会员。长期从事智能算法在网络领域的研究与应用。先后主持和参与10余项各类科研课题，包括国家自然科学基金项目、重庆市技术创新与应用发展项目、重庆市基础科学与前沿技术研究项目及多项企业合作项目等。已在国内外重要期刊和会议上发表论文30余篇。已授权发明专利10余项，出版著作2部。曾荣获重庆市科技进步一等奖和云南省科技进步三等奖。
陆艳军
高级工程师，重庆理工大学计算机科学与工程学院教师、硕士生导师。曾在中国移动从事网络信息安全相关科研工作。研究方向为算法设计与应用及计算机网络，主要讲授Python程序设计、数据科学等课程。参加工作以来先后取得信息系统项目管理师、CISSP、CISP-CISE等专业技术认证。
|
| 目錄：
|
上篇 基础机器学习算法
第1章 打开机器学习的大门
1.1 人工智能简介
1.1.1 人工智能的产生及发展过程
1.1.2 人工智能的应用领域
1.2 机器学习与人工智能
1.2.1 机器学习和人工智能的关系
1.2.2 机器学习分类
1.3 机器学习应用的开发过程
1.3.1 机器学习开发的基本步骤
1.3.2 机器学习开发的常用“利器”
1.4 本章小结
第2章 Python 机器学习必备基础
2.1 Python 及其与机器学习之间的关系
2.1.1 Python 的特点
2.1.2 利用Python 进行机器学习开发的优势
2.1.3 Python 的语法规则
2.2 Python 机器学习开发环境及常用库介绍
2.2.1 Anaconda 安装及环境介绍
2.2.2 利用Jupyter Notebook 进行开发
2.2.3 NumPy 和Pandas 常用库
2.2.4 利用Matplotlib 库绘制图形
2.3 Python 机器学习中的数据预处理
2.3.1 什么是数据统计
2.3.2 结构化数据文件读取
2.3.3 数据清洗
2.3.4 数据规整化
2.3.5 统计分析常用函数
2.4 本章小结
第3章 决策树算法原理、实现与应用
3.1 决策树算法的原理
3.1.1 什么是决策树
3.1.2 构建决策树
3.2 决策树算法的实现
3.2.1 决策树的算法模型
3.2.2 算法的执行流程
3.2.3 标签编码
3.2.4 数据集划分
3.2.5 分类器算法评价方法
3.2.6 模型保存及使用
3.3 决策树算法的应用实战
3.3.1 案例1：运用决策树实现分类器
3.3.2 案例2：运用决策树进行水果分类判断
3.4 本章小结
第4章 K最近邻算法原理、实现与应用
4.1 K最近邻算法的原理
4.1.1 什么是K最近邻算法
4.1.2 K最近邻算法三要素
4.2 K最近邻算法的实现
4.2.1 数据归一化处理
4.2.2 初始化K 最近邻算法
4.2.3 参数调优方法
4.2.4 算法的执行流程
4.3 K最近邻算法的应用实战
4.3.1 案例1：通过K最近邻算法有效实现数据分类
4.3.2 案例2：运用K最近邻算法实现婚恋网站匹配推荐
4.3.3 案例3：运用K最近邻算法实现手写数字识别
4.4 本章小结
第5章 贝叶斯算法原理、实现与应用
5.1 贝叶斯算法的原理
5.1.1 贝叶斯定理
5.1.2 判别模型和生成模型
5.1.3 朴素贝叶斯模型原理
5.2 朴素贝叶斯算法的实现
5.2.1 朴素贝叶斯算法类
5.2.2 朴素贝叶斯算法的执行流程
5.2.3 文本特征提取方法
5.3 朴素贝叶斯算法的应用实战
5.3.1 案例1：使用朴素贝叶斯算法进行文本分类
5.3.2 案例2：使用朴素贝叶斯算法进行垃圾邮件过滤
5.4 本章小结
第6章 支持向量机算法原理、实现与应用
6.1 支持向量机算法的原理
6.2 支持向量机算法的实现
6.2.1 支持向量机的核函数
6.2.2 支持向量机算法的基本实现
6.2.3 图像数据读取处理方法
6.3 支持向量机算法的应用实战
6.3.1 案例1：使用支持向量机算法进行水质评估
6.3.2 案例2：使用支持向量机实现手写数字识别
6.3.3 案例3：使用支持向量机算法实现人脸识别
6.4 本章小结
第7章 线性回归算法原理、实现与应用
7.1 线性回归算法的原理
7.1.1 什么是线性回归
7.1.2 线性回归的数学模型
7.2 线性回归算法的实现
7.2.1 线性回归中的目标函数和损失函数
7.2.2 线性回归算法的具体实现
7.3 线性回归算法的应用实战
7.3.1 案例1：使用线性回归算法进行房地产销售影响因素分析
7.3.2 案例2：使用线性回归算法进行空气质量预测
7.4 本章小结
第8章 集成学习算法原理、实现与应用
8.1 集成学习算法的原理
8.1.1 什么是集成学习
8.1.2 集成学习的分类
8.2 集成学习算法的实现
8.2.1 基于特征的集成方法
8.2.2 基于数据的集成方法
8.2.3 集成学习算法的具体应用
8.3 集成学习算法的应用实战
8.3.1 案例1：集成学习算法实现高效数据分类
8.3.2 案例2：使用集成学习算法进行人脸识别
8.4 本章小结
下篇 基于神经网络的机器学习算法
第9章 人工神经网络基础
9.1 人工神经网络的基本原理
9.1.1 人工神经网络及其与传统机器学习方法的区别
9.1.2 什么是深度学习
9.2 人工神经网络中的重要概念及基础
9.2.1 多维数组运算
9.2.2 激活函数
9.2.3 多层神经网络
9.2.4 损失函数和梯度的实现
9.2.5 过拟合问题
9.3 深度学习开发利器——TensorFlow
9.3.1 TensorFlow简介
9.3.2 TensorFlow 1.x和TensorFlow 2.x
9.3.3 TensorFlow的生态发展
9.4 深度学习开发利器——PyTorch
9.4.1 PyTorch简介
9.4.2 PyTorch的主要优点
9.5 本章小结
第10章 反向传播算法原理、实现与应用
10.1 反向传播算法的原理
10.1.1 什么是反向传播
10.1.2 反向传播过程描述
10.2 反向传播算法的实现
10.2.1 网络状态初始化
10.2.2 反向传播算法的具体应用
10.3 反向传播算法的应用实战
10.3.1 案例1：利用反向传播算法实现货运量预测
10.3.2 案例2：利用反向传播算法进行气温变化预测
10.4 本章小结
第11章 卷积神经网络算法原理、实现与应用
11.1 卷积神经网络的原理258 11.1.1 卷积神经网络的结构
11.1.2 卷积层和池化层
11.2 卷积神经网络算法的实现
11.2.1 卷积层和池化层的实现
11.2.2 LeNet的实现
11.2.3 AlexNet的实现
11.3 卷积神经网络算法的应用实战
11.3.1 案例1：卷积神经网络在文本分类中的应用实现
11.3.2 案例2：卷积神经网络在目标检测中的应用实现
11.4 本章小结
第12章 循环神经网络算法原理、实现与应用
12.1 循环神经网络的原理
12.1.1 循环神经网络的结构
12.1.2 循环神经网络的长短期记忆
12.1.3 循环神经网络中的注意力机制
12.2 循环神经网络算法的实现
12.2.1 基础循环神经网络的实现
12.2.2 长短期记忆神经网络的实现
12.3 循环神经网络算法的应用实战
12.3.1 案例1：循环神经网络在自然语言处理中的应用
12.3.2 案例2：循环神经网络在环境趋势预测中的应用
12.4 本章小结
|
| 內容試閱：
|
为什么要写这本书
人工智能已经成为当今世界主要行业发展的“助推剂”，深入我们生活的方方面面。机器学习作为实现人工智能的主要途径，是人工智能中最具智能特征及前沿性的研究领域之一。机器学习研究使计算机具有类似于人类的辨别、分析和学习的能力，其相关研究和应用引起了业界的普遍关注。特别是近些年来，机器学习取得了长足的进展，已经深入科技、金融、医学、政务、商业、教育等很多领域。读者可以发现，很多企业的用人需求已经要求具备机器学习的知识背景。因此，对于信息技术从业者或学生而言，掌握机器学习的专业能力就显得尤为重要。
机器学习开发入门和基本能力的构建通常需要一定的理论基础，这往往需要理解相关的模型和算法，甚至还需要钻研那些令初学者望而生畏的数学推导公式。很多学者的著作更多的是从数学原理来分析机器学习算法的整个过程，但对于基础知识的引入及相关应用实例的讲解显得不足。从笔者的教学实践经验来看，初学者更好的学习路径应该是：先了解某种机器学习算法的主要目的，然后基于代码实现引导读者理解机器学习算法的运作原理，最后通过案例化的介绍帮助读者尝试如何运用该算法。读者如果能完成这3个步骤，基本就可以实现从初识到基本会用的进阶。当然，在理解了运作机制之后，如果能结合数学背景去理解算法深层的理论原理则更好。笔者基于这样的思考，撰写了本书。希望本书能成为机器学习入门读者常翻阅的指南，并帮助读者顺利进入神秘而有趣的机器学习世界。
本书特色
本书以笔者一线教学实践和相关课题的积累为基础，从机器学习算法的原理出发，介绍多个重要机器学习算法的基本原理，然后基于Python介绍机器学习算法对应的具体实现，通过对代码的分析与讲解帮助读者较快理解算法的底层逻辑和实现细节。接着从实例出发，介绍算法可应用的领域和与案例相关的实现过程，让读者进一步了解机器学习算法的具体应用场景。本书最大的特点是以机器学习的实现和应用为内容主体，尽量做到让读者易学能用。
全书分为上、下两篇，分别为基础机器学习算法和基于神经网络的机器学习算法。
基础机器学习算法部分以机器学习基础为开端，介绍进行机器学习开发所必备的Python知识，然后讲解6种基础但十分重要的机器学习算法。
基于神经网络的机器学习算法部分将学习重点转移至人工神经网络的机器学习算法，在介绍人工神经网络的原理后，介绍3种重要的基础神经网络算法。
本书具有以下特点。
（1）以实现和应用为主线介绍机器学习算法模型，做到了理论与实践相结合，算法与应用相结合。
（2）针对每个算法理论，不仅有偏重原理剖析的Python代码实现讲解，还有侧重如何使用该算法的实例介绍，让读者能通过编写简单案例快速看到效果。
（3）对机器学习算法模型进行了较全面的介绍，不仅介绍了基础算法，还引入了神经网络算法，使读者在面对新的应用场景时能够选用合适的算法实现。
（4）本书适合机器学习领域的初级从业者和研究生，各章内容基本自成体系，便于读者选择性阅读。
写给读者的学习建议
阅读本书时，如果读者是零基础，建议从第1章开始学习，接着以Python基础内容为主线，快速掌握Python编码的基本技能。当然，如果读者已具备Python基础，可以直接从第3章开始学习。如果读者已经对基本的机器学习算法有所了解，或者想直接学习基于人工神经网络的机器学习方法，则可以直接进入下篇的学习。
另外，特别建议读者在学习某一种机器学习算法时，一定要先学习该算法的原理并动手进行基本实现。只看不做，很难理解算法的原理。在掌握基本实现的细节后，完成案例的编码和测试也同样重要。一方面，这是在巩固对算法的理解；另一方面，这是从掌握基础到学会运用的必经之路。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
