本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机
电子书
内容简介
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。 本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量示例和代码带领读者走进机器学习的世界，让读者对机器学习的研究内容、基本原理有基本认识，为后续进一步涉足深度学习打下基础。 本书适合对机器学习感兴趣的专业技术人员和研究人员阅读，同时适合作为人工智能相关专业机器学习课程的教材。
章节目录
- 扉页
- 前 言
- 作者简介
- 资源与支持
- 目 录
- 第一部分 机器学习基础
- 第1章 初探机器学习
- 1.1 人工智能的“两只手和四条腿”
- 1.2 机器学习是什么
- 1.3 时代造就机器学习的盛行
- 1.4 泛化能力：机器学习奏效的本质
- 1.5 归纳偏置：机器学习模型的“天赋”
- 1.6 机器学习的限制
- 1.7 小结
- 第2章 机器学习的数学基础
- 2.1 向量
- 2.2 矩阵
- 2.2.1 矩阵的基本概念
- 2.2.2 矩阵运算
- 2.2.3 矩阵与线性方程组
- 2.2.4 矩阵范数
- 2.3 梯度
- 2.4 凸函数
- 2.5 小结
- 第3章 k近邻算法
- 3.1 KNN算法的原理
- 3.2 用KNN算法完成分类任务
- 3.3 使用scikit-learn实现KNN算法
- 3.4 用KNN算法完成回归任务——色彩风格迁移
- 3.4.1 RGB空间与LAB空间
- 3.4.2 算法设计
- 3.5 小结
- 第4章 线性回归
- 4.1 线性回归的映射形式和学习目标
- 4.2 线性回归的解析方法
- 4.3 动手实现线性回归的解析方法
- 4.4 使用sklearn中的线性回归模型
- 4.5 梯度下降算法
- 4.6 学习率对迭代的影响
- 4.7 小结
- 第5章 机器学习的基本思想
- 5.1 欠拟合与过拟合
- 5.2 正则化约束
- 5.3 输入特征与相似度
- 5.4 参数与超参数
- 5.5 数据集划分与交叉验证
- 5.6 小结
- 5.7 扩展阅读：贯穿恒等式的证明
- 5.8 参考文献
- 第二部分 参数化模型
- 第6章 逻辑斯谛回归
- 6.1 逻辑斯谛函数下的线性模型
- 6.2 最大似然估计
- 6.3 分类问题的评价指标
- 6.4 动手实现逻辑斯谛回归
- 6.5 使用sklearn中的逻辑斯谛回归模型
- 6.6 交叉熵与最大似然估计
- 6.7 小结
- 6.8 扩展阅读：广义线性模型
- 6.9 参考文献
- 第7章 双线性模型
- 7.1 矩阵分解
- 7.2 动手实现矩阵分解模型
- 7.3 因子分解机
- 7.4 动手实现因子分解机模型
- 7.5 小结
- 7.6 扩展阅读：概率矩阵分解
- 7.7 参考文献
- 第8章 神经网络与多层感知机
- 8.1 人工神经网络
- 8.2 感知机
- 8.3 隐含层与多层感知机
- 8.4 反向传播
- 8.5 动手实现多层感知机
- 8.6 用PyTorch库实现多层感知机
- 8.7 小结
- 8.8 参考文献
- 第9章 卷积神经网络
- 9.1 卷积
- 9.2 神经网络中的卷积
- 9.3 用卷积神经网络完成图像分类任务
- 9.4 用预训练的卷积神经网络完成色彩风格迁移
- 9.4.1 VGG 网络
- 9.4.2 内容表示与风格表示
- 9.5 小结
- 9.6 扩展阅读：数据增强
- 9.7 参考文献
- 第10章 循环神经网络
- 10.1 循环神经网络的基本原理
- 10.2 门控循环单元
- 10.3 动手实现GRU
- 10.4 小结
- 10.5 参考文献
- 第三部分 非参数化模型
- 第11章 支持向量机
- 11.1 支持向量机的数学描述
- 11.2 序列最小优化
- 11.3 动手实现SMO求解SVM
- 11.4 核函数
- 11.5 sklearn中的SVM工具
- 11.6 小结
- 11.7 扩展阅读：SVM对偶问题的推导
- 第12章 决策树
- 12.1 决策树的构造
- 12.2 ID3算法与C4.5算法
- 12.3 CART算法
- 12.4 动手实现C4.5算法的决策树
- 12.4.1 数据集处理
- 12.4.2 C4.5算法的实现
- 12.5 sklearn中的决策树
- 12.6 小结
- 12.7 参考文献
- 第13章 集成学习与梯度提升决策树
- 13.1 自举聚合与随机森林
- 13.2 集成学习器
- 13.3 提升算法
- 13.3.1 适应提升
- 13.3.2 梯度提升
- 13.4 小结
- 13.5 参考文献
- 第四部分 无监督模型
- 第14章 k均值聚类
- 14.1 k均值聚类算法的原理
- 14.2 动手实现 k均值算法
- 14.3 k-means++算法
- 14.4 小结
- 14.5 参考文献
- 第15章 主成分分析
- 15.1 主成分与方差
- 15.2 利用特征分解进行PCA
- 15.3 动手实现PCA算法
- 15.4 用sklearn实现PCA算法
- 15.5 小结
- 第16章 概率图模型
- 16.1 贝叶斯网络
- 16.2 最大后验估计
- 16.3 用朴素贝叶斯模型完成文本分类
- 16.4 马尔可夫网络
- 16.5 用马尔可夫网络完成图像去噪
- 16.6 小结
- 16.7 参考文献
- 第17章 EM 算法
- 17.1 高斯混合模型的EM算法
- 17.2 动手求解GMM来拟合数据分布
- 17.3 一般情况下的EM算法
- 17.4 EM算法的收敛性
- 17.5 小结
- 第18章 自编码器
- 18.1 自编码器的结构
- 18.2 动手实现自编码器
- 18.3 小结
- 18.4 参考文献
- 总结与展望
- 总结
- 展望
- 中英文术语对照表
展开全部
动手学机器学习是2023年由人民邮电出版社出版,作者张伟楠。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《动手学机器学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书共12章，首先介绍Java语言的基本情况；然后介绍如何在Windows、Linux和macOS三种操作系统中安装Java和集成开发环境以及JShell交互式编程；接着讲解Java的一些常见概念和数据类型以及Java的八大类运算符、各种表达式和语句；之后介绍类和对象这两个核心概念，数组与集合的概念和使用，Java常用工具类，以及Java的异常处理、注解以及泛型机制；最后讲解Java的文件与I/O
电子书
《Python机器学习》从实用的角度出发，整合Python语言基础、数据分析与可视化、机器学习常用算法等知识。内容从*基本的Python编程基础入手，由浅入深、循序渐进地讲授NumPy库和Matplotlib库，以及复杂的机器学习基本理论和算法，并突出知识的实用性和可操作性。《Python机器学习》力求以浅显的语言讲解复杂的知识，以直观的案例辅助读者理解，并以图表形式展示代码和运行结果，配合习题巩
电子书
近年来人工智能技术蓬勃发展，人工智能正在改变我们的生活。为了让读者在不需要掌握太多数学和计算机科学知识的情况下，能够快速上手，使用Python语言实现常用的机器学习算法，并解决一些实际的问题，我们策划并出版本书。本书共14章，内容涵盖基本的机器学习概念和环境搭建，目前各个领域中的热门算法，以及数据预处理、模型评估和文本数据分析等。希望本书可以让读者轻松入门，在动手实践的过程中找到乐趣。本书可以作为
电子书
本书共11章，从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。
电子书
本书展示了如何在业务场景中应用机器学习，全书分为三个部分。第一部分介绍有效的决策如何帮助公司提高生产率以保持竞争力，阐释如何使用开源工具和AWS工具将机器学习应用于业务决策中。第二部分以虚拟人物为主线，研究六个场景，这些场景展示了如何使用机器学习来制定各种业务决策。第三部分讨论如何在Web上设置和共享机器学习模型，还介绍了一些案例。
电子书
机器学习已经广泛地应用于各行各业，深度学习的兴起再次推动了人工智能的热潮。本书结合项目实践，首先讨论了TensorFlow、PySpark、TI-ONE等主流机器学习平台的主要特点；然后结合Tableau介绍了数据可视化在银行客户用卡行为分析的应用。在此基础上，利用上述介绍的这些平台，通过多个项目案例，详细地分析了决策树、随机森林、支持向量机、逻辑回归、贝叶斯网络、卷积神经网络、循环神经网络、对抗
电子书
本书使用Python的机器学习算法库scikit-learn讲解机器学习重要算法的应用，内容包括机器学习认知、数据预处理、KNN算法、线性回归算法、逻辑回归算法、朴素贝叶斯算法、决策树与随机森林算法、支持向量机、k-mcans算法、神经网络、模型评估与优化。本书使用通俗易懂的语言、丰富的图表和大量的案例对机器学习的重要算法进行讲解，提供一条从实践出发掌握机器学习知识的途径，读者即使没有很扎实的数学
