描述
开 本: 128开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787302634645
目前，该领域中将理论与实践相结合、通俗易懂的著作较少。机器学习是人工智能的一部分，很多初学者往往把机器学习和深度学习作为人工智能入门的突破口，非科班出身的人士更是如此。当前，国内纵向复合型人才和横向复合型人才奇缺;具有计算机背景的人才主要还是以传统人工智能研究为主，跨学科人才较少。非科班人员在将机器学习应用于自己的研究时，往往对理论理解不透彻，且编程能力不足。针对这一现象，译者长期与出版社合作，翻译了一些经典实用、符合实际需求的著作，借此帮助人工智能、机器学习等相关领域的人士(包括非专业人士)使用机器学习解决自己所在领域的问题。
《机器学习图解》就是这样的著作!本书作者拥有密歇根大学数学博士学位，曾担任Google和Apple工程师，是机器学习布道者。本书是他这些年的成果结晶。本书将理论与实践结合，以图的形式讲解机器学习经典算法。全书共13章。第1章、第2章、第4章主要对机器学习基本概念、机器学习类型、优化训练过程进行介绍。
这对初学者形成机器学习思维习惯非常有益。第3章和第5~12章对9类经典的机器学习算法进行了系统介绍，包含问题提出、原理解释、代码实现等方面。第13章列举了真实示例。本书提供了丰富的代码和视频资源。建议读者一边阅读本书，一边动手实践，调试源码，并根据自己的实际需要研究问题，阅读文献并改进源码，解决自己的问题。本书可作为本科高年级和研究生教材，面向对编码感兴趣但不擅长数学的读者(非专业人士)。同时可作为计算机科学学者、企业工程师的参考书。
阅读本书，即使读者仅掌握高中数学知识，也能理解和应用强大的机器学习技术！简单来讲，机器学习是一套以算法为基础的数据分析技术，当你提供更多数据时，算法可反馈更好的结果。ML支持许多尖端技术，如推荐系统、面部识别软件、智能扬声器，甚至包括自动驾驶汽车。本书不落窠臼，示例丰富，精选的练习十分有趣，插图清晰，讲解机器学习的核心概念。 《机器学习图解》以简明易懂的方式介绍机器学习的算法和技术。本书不谈深奥的术语，只通过基本代数知识提供清晰的解释。你将使用Python构建有趣的项目，包括垃圾邮件检测和图像识别模型；还将学习一些实用技能，以清理和准备数据。 ? 分类和划分数据的监督算法 ? 清理和简化数据的方法 ? 机器学习包和工具 ? 复杂数据集的神经网络和集成方法 读者阅读本书前，**了解Python基础知识，不必了解机器学习知识。
第1 章 什么是机器学习？这是一种常识，唯一特别之处在于由计算机完成 1
1.1 我是否需要掌握大量的数学和编程背景知识才能理解机器学习 2
1.2 机器学习究竟是什么 3
1.3 如何让机器根据数据做出决策？记忆-制定-预测框架 6
1.4 本章小结 12
第2 章 机器学习类型 15
2.1 标签数据和无标签数据的区别 17
2.2 监督学习：处理标签数据的机器学习分支 18
2.3 无监督学习：处理无标签数据的机器学习分支 21
2.4 什么是强化学习 28
2.5 本章小结 30
2.6 练习 31
第3 章 在点附近画一条线：线性回归 33
3.1 问题：预测房屋的价格 35
3.2 解决方案：建立房价回归模型 35
3.3 如何让计算机绘制出这条线：线性回归算法 41
3.4 如何衡量结果？误差函数 54
3.5 实际应用：使用Turi Create预测房价 61
3.6 如果数据不在一行怎么办？多项式回归 63
3.7 参数和超参数 64
3.8 回归应用 6
3.9 本章小结 66
3.10 练习 66
第4 章 优化训练过程：欠拟合、过拟合、测试和正则化 69
4.1 使用多项式回归的欠拟合和过拟合示例 71
4.2 如何让计算机选择正确的模型？测试 73
4.3 我们在哪里打破了黄金法则，如何解决呢？验证集 75
4.4 一种决定模型复杂度的数值方法：模型复杂度图 76
4.5 避免过拟合的另一种选择：正则化 77
4.6 使用Turi Create 进行多项式回归、测试和正则化 85
4.7 本章小结 89
4.8 练习 90
第5 章 使用线来划分点: 感知器算法 93
5.1 问题：我们在一个外星球上，听不懂外星人的语言 95
5.2 如何确定分类器的好坏？误差函数 108
5.3 如何找到一个好的分类器？感知器算法 115
5.4 感知器算法编程实现 123
5.5 感知器算法的应用 128
5.6 本章小结 129
5.7 练习 130
第6 章 划分点的连续方法：逻辑分类器 133
6.1 逻辑分类器：连续版感知器分类器 134
6.2 如何找到一个好的逻辑分类器？逻辑回归算法 144
6.3 对逻辑回归算法进行编程 150
6.4 实际应用：使用Turi Create对IMDB 评论进行分类 154
6.5 多分类：softmax 函数 156
6.6 本章小结 157
6.7 练习 158
第7 章 如何衡量分类模型？准确率和其他相关概念 159
7.1 准确率：模型的正确频率是多少 160
7.2 如何解决准确率问题？定义不同类型的误差以及如何进行衡量 161
7.3 一个有用的模型评价工具ROC 曲线 170
7.4 本章小结 179
7.5 练习 181
第8 章 使用概率最大化：朴素贝叶斯模型 183
8.1 生病还是健康？以贝叶斯定理为主角的故事 184
8.2 用例：垃圾邮件检测模型 188
8.3 使用真实数据构建垃圾邮件检测模型 201
8.4 本章小结 204
8.5 练习 205
第9 章 通过提问划分数据：决策树 207
9.1 问题：需要根据用户可能下载的内容向用户推荐应用 213
9.2 解决方案：构建应用推荐系统 214
9.3 超出“是”或“否”之类的问题 228
9.4 决策树的图形边界 231
9.5 实际应用：使用Scikit-Learn 构建招生模型 234
9.6 用于回归的决策树 238
9.7 应用 241
9.8 本章小结 242
9.9 练习 242
第10 章 组合积木以获得更多力量：神经网络 245
10.1 以更复杂的外星球为例，开启神经网络学习 247
10.2 训练神经网络 258
10.3 Keras 中的神经网络编程 264
10.4 用于回归的神经网络 272
10.5 用于更复杂数据集的其他架构 273
10.6 本章小结 275
10.7 练习 276
第11 章 用风格寻找界限：支持向量机和内核方法 279
11.1 使用新的误差函数构建更好的分类器 281
11.2 Scikit-Learn 中的SVM编程 287
11.3 训练非线性边界的SVM：内核方法 289
11.4 本章小结 308
11.5 练习 309
第12 章 组合模型以最大化结果：集成学习 311
12.1 获取朋友的帮助 312
12.2 bagging：随机组合弱学习器以构建强学习器 314
12.3 AdaBoost：以智能方式组合弱学习器以构建强学习器 319
12.4 梯度提升：使用决策树构建强学习器 327
12.5 XGBoost：一种梯度提升的极端方法 332
12.6 集成方法的应用 340
12.7 本章小结 341
12.8 练习 341
第13 章 理论付诸实践：数据工程和机器学习真实示例 343
13.1 泰坦尼克号数据集 344
13.2 清洗数据集：缺失值及其处理方法 348
13.3 特征工程：在训练模型之前转换数据集中的特征 350
13.4 训练模型 355
13.5 调整超参数以找到最佳模型：网格搜索 359
13.6 使用k 折交叉验证来重用训练和验证数据 362
13.7 本章小结 363
13.8 练习 364
以下内容可扫封底二维码下载
附录A 习题解答 365
附录B 梯度下降背后的数学原理：
使用导数和斜率下山 398
附录C 参考资料 416
本书教你两件事：机器学习模型及其使用方法。机器学习模型有不同的类型。有些返回确定性的答案，例如是或否，而另一些返回概率性的答案。有些以问题的形式呈现；其他则使用假设性表达。这些类型的一个共同点是它们都返回一个答案或一个预测。比如，返回预测的模型的机器学习分支被命名为预测机器学习(predictivemachine learning)。这就是我们在本书中关注的机器学习类型。
本书的组织方式：路线图章节类型
本书的章节分为两种类型。大多数章节(第3、5、6、8、9、10、11 和12 章)都包含某一类型的机器学习模型。每章的模型都有相应的例子、公式、代码和习题供你进行仔细学习。其他章节(第4、7 和13 章)包含用于训练、评估和改进机器学习模型的实用技术。值得注意的是，第13 章包含一个真实数据集的端到端示例，你将能够在第13 章中应用前几章中学到的知识。
推荐的学习路径可以通过两种方式使用本书。我推荐逐章线性浏览，这样你会发现，交替进行模型学习和训练模型技术学习是有益的。但是，还有另一种学习路径，即先学习所有模型(第3、5、6、8、9、10、11 和12 章)，然后学习训练模型的技术(第4、7 和13 章)。
当然，每个人的学习方式有所不同，也可以创建自己的学习路径！
附录
本书共有3 个附录，读者可扫封底二维码下载。附录A 包含每章练习的解答。附录 B 包含一些正式的数学推导，这些数学推导非常有用，但比本书的其余部分更具技术性。如果你想进一步深化理解，附录C 包含我推荐的参考资料和资源列表。
学习要求和学习目标本书提供了一个可靠的预测性机器学习框架。为从本书中获得最大收益，你应该具有视觉思维，还应该掌握基础数学知识，如直线、公式和基本概率图。如果你知道如何编程，尤其是Python 编程，将会很有帮助(尽管不是硬性要求)，因为你有机会在整本书的真实数据集中实现和应用多个模型。阅读本书后，你将能做到以下几点：
? 描述预测性机器学习中最重要的模型及其工作原理，包括线性回归、逻辑回归、朴素贝叶斯、决策树、神经网络、支持向量机和集成方法。
? 确定这些模型的优缺点以及使用的参数。
? 确定这些模型在现实世界中的使用方式，并发现潜在方法，将机器学习应用于你想要解决的任何特定问题上。
? 了解如何优化、比较并改进这些模型，以构建最佳机器学习模型。
? 手动编程或使用现有安装包进行编程，并用它们对真实数据集进行预测。
如果你有一个特定的数据集或想要解决某一特定问题，我建议你思考如何将你在本书中学到的知识应用到这一数据集上，或用所学的知识解决问题，并以此为起点实现和实验自己的模型。
很高兴能和你一起开始这段旅程，我希望你也一样兴奋！
其他资源
本书内容完整，足以自给自足。这意味着除了前面描述的要求之外，本书还介绍了我们需要的每个概念。本书提供了许多参考资料，如果你想更深入地了解这些概念，或者探索更多主题，建议你查看这些参考资料。参考资料都在附录 C 中。
可扫封底二维码，下载其中的Resource 文件；该文件中列出了作者提供的一些资源的链接以及YouTube 频道。还可下载第9 章的几幅彩图。
我们将使用Python 编写代码
在本书中，我们将使用Python 编写代码。但是，如果你的计划是在没有代码的情况下学习概念，也仍然可以忽略代码而继续学习本书。尽管如此，我还是建议你至少看一下代码，以便熟悉本书。
本书附带了一个代码库，大多数章节都会让你有机会从头开始编写算法代码，或者使用一些非常流行的Python 包构建适合给定数据集的模型。请参见可下载的Resource 文件中的说明。
本书主要使用的Python 包如下。
? NumPy：用于存储数组和执行复杂的数学计算
? Pandas：用于存储、操作和分析大型数据集
? Matplotlib：用于绘制数据
? Turi Create：用于存储和操作数据以及训练机器学习模型
? Scikit-Learn：用于训练机器学习模型
? Keras (TensorFlow)：用于训练神经网络
关于代码
代码清单中的代码都被格式化为固定宽度的字体，以将其与普通文本分开。有时，代码也会以粗体显示，以突出显示与本章先前步骤不同的代码，例如将新功能添加到现有代码行时。
许多情况下，初始源代码已被重新格式化；我们添加了换行符，并重新进行缩进，以适应书中可用的页面空间。
可扫封底二维码下载本书的示例代码。
评论
还没有评论。