简体网页||繁体网页

☆☆☆☆☆

图书标签:

• Python
• 机器学习
• 深度学习
• TensorFlow
• 实战
• 数据科学
• 人工智能
• 算法
• 编程
• 包邮

店铺： 旷氏文豪图书专营店

出版社： 电子工业出版社

ISBN：9787121317200

商品编码：13640883688

YL7938  9787121317200 9787115456137 9787121312700

 Python与机器学习实战

Python与机器学习这一话题是如此的宽广，仅靠一本书自然不可能涵盖到方方面面，甚至即使出一个系列也难能做到这点。单就机器学习而言，其领域就包括但不限于如下：有监督学习（Supervised Learning），无监督学习（Unsupervised Learning）和半监督学习（Semi-Supervised Learning）。而具体的问题又大致可以分两类：分类问题（Classification）和回归问题（Regression）。
Python本身带有许多机器学习的第三方库，但本书在绝大多数情况下只会用到Numpy这个基础的科学计算库来进行算法代码的实现。这样做的目的是希望读者能够从实现的过程中更好地理解机器学习算法的细节，以及了解Numpy的各种应用。不过作为补充，本书会在适当的时候应用scikit-learn这个成熟的第三方库中的模型。
本书适用于想了解传统机器学习算法的学生和从业者，想知道如何高效实现机器的算法的程序员，以及想了解机器学习的算法能如何进行应用的职员、经理等。
第1章 Python与机器学习入门 1
1.1 机器学习绪论 1
1.1.1 什么是机器学习 2
1.1.2 机器学习常用术语 3
1.1.3 机器学习的重要性 6
1.2 人生苦短，我用Python 7
1.2.1 为何选择Python 7
1.2.2 Python 在机器学习领域的优势 8
1.2.3 Anaconda的安装与使用 8
1.3 1个机器学习样例 12
1.3.1 获取与处理数据 13
1.3.2 选择与训练模型 14
1.3.3 评估与可视化结果 15
1.4 本章小结 17
第2章 贝叶斯分类器 18
2.1 贝叶斯学派 18
2.1.1 贝叶斯学派与频率学派 19
2.1.2 贝叶斯决策论 19
2.2 参数估计 20
2.2.1 极大似然估计（ML估计） 21
2.2.2 极大后验概率估计（MAP估计） 22
2.3 朴素贝叶斯 23
2.3.1 算法陈述与基本架构的搭建 23
2.3.2 MultinomialNB的实现与评估 31
2.3.3 GaussianNB的实现与评估 40
2.3.4 MergedNB的实现与评估 43
2.3.5 算法的向量化 50
2.4 半朴素贝叶斯与贝叶斯网 53
2.4.1 半朴素贝叶斯 53
2.4.2 贝叶斯网 54
2.5 相关数学理论 55
2.5.1 贝叶斯公式与后验概率 55
2.5.2 离散型朴素贝叶斯算法 56
2.5.3 朴素贝叶斯和贝叶斯决策 58
2.6 本章小结 59
第3章 决策树 60
3.1 数据的信息 60
3.1.1 信息论简介 61
3.1.2 不确定性 61
3.1.3 信息的增益 65
3.1.4 决策树的生成 68
3.1.5 相关的实现 77
3.2 过拟合与剪枝 92
3.2.1 ID3、C4.5的剪枝算法 93
3.2.2 CART剪枝 100
3.3 评估与可视化 103
3.4 相关数学理论 111
3.5 本章小结 113
第4章 集成学习 114
4.1 “集成”的思想 114
4.1.1 众擎易举 115
4.1.2 Bagging与随机森林 115
4.1.3 PAC框架与Boosting 119
4.2 随机森林算法 120
4.3 AdaBoost算法 124
4.3.1 AdaBoost算法陈述 124
4.3.2 弱模型的选择 126
4.3.3 AdaBoost的实现 127
4.4 集成模型的性能分析 129
4.4.1 随机数据集上的表现 130
4.4.2 异或数据集上的表现 131
4.4.3 螺旋数据集上的表现 134
4.4.4 蘑菇数据集上的表现 136
4.5 AdaBoost算法的解释 138
4.6 相关数学理论 139
4.6.1 经验分布函数 139
4.6.2 AdaBoost与前向分步加法模型 140
4.7 本章小结 142
第5章 支持向量机 144
5.1 感知机模型 145
5.1.1 线性可分性与感知机策略 145
5.1.2 感知机算法 148
5.1.3 感知机算法的对偶形式 151
5.2 从感知机到支持向量机 153
5.2.1 间隔*大化与线性SVM 154
5.2.2 SVM算法的对偶形式 158
5.2.3 SVM的训练 161
5.3 从线性到非线性 163
5.3.1 核技巧简述 163
5.3.2 核技巧的应用 166
5.4 多分类与支持向量回归 180
5.4.1 一对多方法（One-vs-Rest） 180
5.4.2 一对一方法（One-vs-One） 181
5.4.3 有向无环图方法（Directed Acyclic Graph Method） 181
5.4.4 支持向量回归（Support Vector Regression） 182
5.5 相关数学理论 183
5.5.1 梯度下降法 183
5.5.2 拉格朗日对偶性 185
5.6 本章小结 187............

深入浅出深度学习：原理剖析与Python实践

本书介绍了深度学习相关的原理与应用，全书共分为三大部分，*部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和*化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。本书适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的*后都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。*后，理论与实践相结合，本书针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看本书的代码（https://github.com/innovation-cat/DeepLearningBook）。
1 绪论1
1.1 人工智能、机器学习与深度学习的关系2
1.1.1 人工智能——机器推理3
1.1.2 机器学习——数据驱动的科学4
1.1.3 深度学习——大脑的仿真7
1.2 深度学习的发展历程7
1.3 深度学习技术概述9
1.3.1 从低层到高层的特征抽象10
1.3.2 让网络变得更深12
1.3.3 自动特征提取13
1.4 深度学习框架14
2 Theano基础18
2.1 符号变量19
2.2 符号计算的抽象——符号计算图模型22
2.3 函数25
2.3.1 函数的定义25
2.3.2 Logistic回归26
2.3.3 函数的复制28
2.4 条件表达式30
2.5 循环31
2.6 共享变量38
2.7 配置38
2.7.1 通过THEANO_FLAGS配置39
2.7.2 通过.theanorc文件配置40
2.8 常用的Debug技巧41
2.9 小结42
3 线性代数基础43
3.1 标量、向量、矩阵和张量43
3.2 矩阵初等变换44
3.3 线性相关与向量空间45
3.4 范数46
3.4.1 向量范数46
3.4.2 矩阵范数49
3.5 特殊的矩阵与向量52
3.6 特征值分解53
3.7 奇异值分解55
3.8 迹运算56
3.9 样例：主成分分析57
4 概率统计基础61
4.1 样本空间与随机变量62
4.2 概率分布与分布函数62
4.3 一维随机变量63
4.3.1 离散随机变量和分布律63
4.3.2 连续随机变量和概率密度函数64
4.4 多维随机变量65
4.4.1 离散型二维随机变量和联合分布律66
4.4.2 连续型二维随机变量和联合密度函数66
4.5 边缘分布67
4.6 条件分布与链式法则68
4.6.1 条件概率68
4.6.2 链式法则70
4.7 多维随机变量的独立性分析70
4.7.1 边缘独立71
4.7.2 条件独立71
4.8 数学期望、方差、协方差72
4.8.1 数学期望72
4.8.2 方差73
4.8.3 协方差73
4.8.4 协方差矩阵75
4.9 信息论基础78
4.9.1 信息熵78
4.9.2 条件熵80
4.9.3 互信息81
4.9.4 交叉熵与相对熵81............

TensorFlow技术解析与实战

TensorFlow?是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。本书从深度学习的基础讲起，深入TensorFlow框架原理、模型构建、源代码分析和网络实现等各个方面。全书分为基础篇、实战篇和提高篇三部分。基础篇讲解人工智能的入门知识，深度学习的方法，TensorFlow的基础原理、系统架构、设计理念、编程模型、常用API、批标准化、模型的存储与加载、队列与线程，实现一个自定义操作，并进行TensorFlow源代码解析，介绍卷积神经网络（CNN）和循环神经网络（RNN）的演化发展及其TensorFlow实现、TensorFlow的**框架等知识；实战篇讲解如何用TensorFlow写一个神经网络程序并介绍TensorFlow实现各种网络（CNN、RNN和自编码网络等），并对MINIST数据集进行训练，讲解TensorFlow在人脸识别、自然语言处理、图像和语音的结合、生成式对抗网络等方面的应用；提高篇讲解TensorFlow的分布式原理、架构、模式、API，还会介绍TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes结合、TensorFlowOnSpark、TensorFlow移动端应用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow计算加速等其他特性。**后，附录中列出一些可供参考的公开数据集，并结合作者的项目经验介绍项目管理的一些建议。 　　本书深入浅出，理论联系实际，实战案例新颖，基于**新的TensorFlow 1.1版本，涵盖TensorFlow的新特性，非常适合对深度学习和TensorFlow感兴趣的读者阅读。

1篇　基础篇

第1章　人工智能概述 2

1.1　什么是人工智能 2

1.2　什么是深度学习 5

1.3　深度学习的入门方法 7

1.4　什么是TensorFlow 11

1.5　为什么要学TensorFlow 12

1.5.1　TensorFlow的特性 14

1.5.2　使用TensorFlow的公司 15

1.5.3　TensorFlow的发展 16

1.6　机器学习的相关赛事 16

1.6.1　ImageNet的ILSVRC 17

1.6.2　Kaggle 18

1.6.3　天池大数据竞赛 19

1.7　国内的人工智能公司 20

1.8　小结 22

第2章　TensorFlow环境的准备 23

2.1　下载TensorFlow 1.1.0 23

2.2　基于pip的安装 23

2.2.1　Mac OS环境准备 24

2.2.2　Ubuntu/Linux环境准备 25

2.2.3　Windows环境准备 25

2.3　基于Java的安装 28

2.4　从源代码安装 29

2.5　依赖的其他模块 30

2.5.1　numpy 30

2.5.2　matplotlib 31

2.5.3　jupyter 31

2.5.4　scikit-image 32

2.5.5　librosa 32

2.5.6　nltk 32

2.5.7　keras 33

2.5.8　tflearn 33

2.6　小结 33

第3章　可视化TensorFlow 34

3.1　PlayGround 34

3.1.1　数据 35

3.1.2　特征 36

3.1.3　隐藏层 36

3.1.4　输出 37

3.2　TensorBoard 39

3.2.1　SCALARS面板 40

3.2.2　IMAGES面板 41

3.2.3　AUDIO面板 42

3.2.4　GRAPHS面板 42

3.2.5　DISTRIBUTIONS面板 43

3.2.6　HISTOGRAMS面板 43

3.2.7　EMBEDDINGS面板 44

3.3　可视化的例子 44

3.3.1　降维分析 44

3.3.2　嵌入投影仪 48

3.4　小结 51

第4章　TensorFlow基础知识 52

4.1　系统架构 52

4.2　设计理念 53

4.3　编程模型 54

4.3.1　边 56

4.3.2　节点 57

4.3.3　其他概念 57

4.4　常用API 60

4.4.1　图、操作和张量 60

4.4.2　可视化 61

4.5　变量作用域 62

4.5.1　variable_scope示例 62

4.5.2　name_scope示例 64

4.6　批标准化 64

4.6.1　方法 65

4.6.2　优点 65

4.6.3　示例 65

4.7　神经元函数及优化方法 66

4.7.1　激活函数 66

4.7.2　卷积函数 69

4.7.3　池化函数 72

4.7.4　分类函数 73

4.7.5　优化方法 74

4.8　模型的存储与加载 79

4.8.1　模型的存储与加载 79

4.8.2　图的存储与加载 82

4.9　队列和线程 82

4.9.1　队列 82

4.9.2　队列管理器 85

4.9.3　线程和协调器 86

4.10　加载数据 87

4.10.1　预加载数据 87

4.10.2　填充数据 87

4.10.3　从文件读取数据 88

4.11　实现一个自定义操作 92

4.11.1　步骤 92

4.11.2　*佳实践 93

4.12　小结 101

第5章　TensorFlow源代码解析 102

5.1　TensorFlow的目录结构 102

5.1.1　contirb 103

5.1.2　core 104

5.1.3　examples 105

5.1.4　g3doc 105

5.1.5　python 105

5.1.6　tensorboard 105

5.2　TensorFlow源代码的学习方法 106

5.3　小结 108...........

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆