编辑推荐
本书适合对AI机器学习有浓厚兴趣的零基础以及相关从业人员。
内容简介
本书在写作伊始，就把读者设想为一位虽然没有任何AI基础，但对技术本身抱有浓厚兴趣、喜欢“抽丝剥茧”、探究真相的“有识之士”。有别于市面上部分AI技术书籍从一开始就直接讲解各种“高深莫测”算法的叙述手法，本书尝试先从零开始构建基础技术点，而后“循序渐进”地引领读者前进，最终“直捣黄龙”，赢取最后的胜利。
全书据此分为5篇，共31章，内容基本覆盖了由AI发展历史、数学基础知识、机器学习算法等经典知识点以及深度学习、深度强化学习等较新理论知识所组成的AI核心技术。同时注重“理论联系实践”，通过多个章节重点介绍了如何在工程项目中运用AI来解决问题的诸多经验以及相应的模型算法，以期让读者既能享受到“知其所以然”的乐趣，还能体会到“知其然”的轻松和愉悦。《机器学习观止——核心原理与实践》适合对AI感兴趣的读者阅读，从事AI领域工作的研究人员、工程开发人员、高校本科生和研究生都可以从本书中学到机器学习的相关知识。
作者简介
作者林学森，香港中文大学研究生学历，现为某世界100强科技公司首席技术专家、资深架构师。在系统软件、人工智能、软件工具链、分布式系统等领域具备多年的技术研发与项目管理经验。另著有《深入理解Android内核设计思想》《Android应用程序开发权威指南》等书籍。
章节目录
版权信息
内容简介
前言
机器学习基础知识篇
第1章 人工智能概述
1.1 人工智能的定义
1.2 人工智能发展简史
1.3 人工智能经典流派
1.4 人工智能与机器学习
1.5 如何选择机器学习算法
1.6 机器学习的典型应用场景
1.7 本书的组织结构
第2章 机器学习中的数学基础
2.1 微分学
2.2 线性代数
2.3 概率论
2.4 统计学
2.5 最优化理论
2.6 其他
第3章 机器学习模型的度量指标
3.1 Precision、Recall和mAP
3.2 F1 Score
3.3 混淆矩阵
3.4 ROC
3.5 AUC
3.6 PRC
3.7 工业界使用的典型AI指标
经典机器学习篇
第4章 回归算法
4.1 回归分析
4.2 线性回归
4.3 逻辑回归
第5章 K-NN算法
5.1 K-NN概述
5.2 K-NN分类算法
5.3 K-NN回归算法
5.4 K-NN的优缺点
5.5 K-NN工程范例
第6章 k-means
6.1 k-means概述
6.2 k-means核心算法
6.3 k-means算法的优缺点
6.4 k-means工程范例
第7章 朴素贝叶斯
7.1 朴素贝叶斯分类算法
7.2 朴素贝叶斯的实际应用
第8章 决策树和随机森林
8.1 决策树
8.2 随机森林
第9章 支持向量机
9.1 SVM可以做什么
9.2 SVM的数学表述
9.3 SVM相关的最优化理论
9.4 硬间隔SVM
9.5 软间隔SVM
9.6 核函数技巧
9.7 多分类SVM
9.8 SVM实践
第10章 PCA降维
10.1 降维概述
10.2 PCA降维实现原理
10.3 PCA实例
第11章 集成学习
11.1 集成学习概述
11.2 集成学习架构
11.3 典型的集成方法
深度学习进阶篇
第12章 深度神经网络
12.1 神经元
12.2 激活函数
12.3 前向传播和后向传播算法
12.4 损失函数
第13章 卷积神经网络
13.1 CNN发展历史简述
13.2 CNN的核心组成元素
13.3 CNN经典框架
13.4 CNN的典型特性
第14章 RNN与LSTM
14.1 RNN
14.2 RNN的多种形态
14.3 RNN存在的不足
14.4 LSTM
14.5 LSTM核心框架
14.6 GRU
第15章 深度强化学习
15.1 强化学习和MDP
15.2 MDP问题的解决方案分类
15.3 基于模型的动态规划算法
15.4 基于无模型的强化学习算法
15.5 DQN
15.6 基于策略的强化学习算法
第16章 MCTS
16.1 MCTS概述
16.2 MCTS算法核心处理过程
16.3 UCB和UCT
16.4 MCTS实例解析
机器学习应用实践及相关原理
第17章 数据集的建设
17.1 数据集建设的核心目标
17.2 数据采集和标注
17.3 数据分析和处理
第18章 CNN训练技巧
18.1 数据预处理
18.2 数据增强
18.3 CNN核心组件择优
18.4 参数初始化策略
18.5 模型过拟合解决方法
18.6 模型的可解释性
18.7 Auto ML
第19章 CV和视觉识别经典模型
19.1 CV发展简史
19.2 视觉识别概述
19.3 R-CNN
19.4 Fast R-CNN
19.5 SPP-Net
19.6 Faster R-CNN
19.7 YOLO
19.8 SSD
19.9 不基于CNN来实现目标识别
第20章 自然语言处理和CNN
20.1 NLP简述
20.2 NLP发展历史
20.3 自然语言基础
20.4 词的表达方式
20.5 自然语言模型
20.6 word2vec
20.7 常用语料库
20.8 NLP应用：文本分类
第21章 自然语言处理和CNN
21.1 应用程序场景识别背景
21.2 特征向量
21.3 数据采集
21.4 算法模型
21.5 落地应用
第22章 软件自动修复
22.1 什么是软件自动修复
22.2 软件自动修复基础知识
22.3 阶段1：缺陷定位
22.4 阶段2：补丁生成
22.5 APR领域经典框架
第23章 基于强化学习的经典应用——AlphaGO
23.1 AlphaGO简述
23.2 AlphaGO核心原理
23.3 策略网络
23.4 估值网络
23.5 MCTS
机器学习平台篇
第24章 分布式机器学习框架基础知识
24.1 分布式机器学习核心理念
24.2 GPU硬件设备
24.3 网络标准
24.4 分布式通信框架
24.5 经典分布式ML框架Caffe-MPI
第25章 Tensorflow
25.1 Tensorflow安装过程
25.2 Tensorflow基础知识
25.3 Tensorflow分布式训练
25.4 Tensorflow分布式部署
25.5 Tensorflow范例解析
25.6 Tensorflow的“变种”
第26章 Caffe
26.1 Caffe的安装
26.2 Caffe支持的数据集格式
26.3 Caffe中的网络模型构建
26.4 Google Protocol Buffer
26.5 Caffe2源码结构
26.6 Caffe工程范例
26.7 Caffe中的Model Zoo
第27章 scikit-learn
27.1 scikit-learn的安装
27.2 scikit-learn中的机器学习算法
27.3 scikit-learn中的Model selection
27.4 scikit-learn中的预处理
第28章 主流AI云平台
28.1 Microsoft OpenPAI
28.2 Google Cloud
28.3 Baidu
28.4 Alibaba
第29章 图像处理基础
29.1 光、色彩和人类视觉系统
29.2 图像的颜色模型
29.3 图像的基本属性
29.4 图像特征
29.5 图像的典型特征描述子
29.6 图像处理实例（图像质量检测）
第30章 程序切片技术
30.1 程序切片综述
30.2 程序切片基础知识
30.3 静态切片技术
30.4 动态切片技术
第31章 人工智能概述
31.1 ImageNet简述
31.2 ImageNet的构建逻辑
31.3 ImageNet数据源的选择与处理
31.4 ImageNet的下载
参考文献
机器学习观止：核心原理与实践是2021年由清华大学出版社出版,作者林学森。
得书感谢您对《机器学习观止：核心原理与实践》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。
