123,123

內(nèi)容簡(jiǎn)介

　　本書用簡(jiǎn)短的篇幅、精煉的語(yǔ)言，講授機(jī)器學(xué)習(xí)領(lǐng)域必備的知識(shí)和技能。全書共11章和一個(gè)術(shù)語(yǔ)表，依次介紹了機(jī)器學(xué)習(xí)的基本概念、符號(hào)和定義、算法、基本實(shí)踐方法、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)、問題與解決方案、進(jìn)階操作、非監(jiān)督學(xué)習(xí)以及其他學(xué)習(xí)方式等，涵蓋了監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、集成學(xué)習(xí)、梯度下降、聚類分析、維度降低、自編碼器、遷移學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、特征工程、超參數(shù)調(diào)試等眾多核心概念和方法。全書最后給出了一個(gè)較為詳盡的術(shù)語(yǔ)表。本書能夠幫助讀者了解機(jī)器學(xué)習(xí)是如何工作的，為進(jìn)一步理解該領(lǐng)域的復(fù)雜問題和進(jìn)行深入研究打好基礎(chǔ)。本書適合想要學(xué)習(xí)和掌握機(jī)器學(xué)習(xí)的軟件從業(yè)人員、想要運(yùn)用機(jī)器學(xué)習(xí)技術(shù)的數(shù)據(jù)科學(xué)家閱讀，也適合想要了解機(jī)器學(xué)習(xí)的一般讀者參考。

作者簡(jiǎn)介

　　安德烈·布可夫（Andriy Burkov）是一位機(jī)器學(xué)習(xí)專家，目前居住于加拿大魁北克省。他擁有人工智能博士學(xué)位，尤其擅長(zhǎng)自然語(yǔ)言處理技術(shù)。目前，他是高德納（Gartner）咨詢公司機(jī)器學(xué)習(xí)開發(fā)團(tuán)隊(duì)的主管。該團(tuán)隊(duì)的主要工作是，使用淺層和深度學(xué)習(xí)技術(shù)，開發(fā)可用于生產(chǎn)環(huán)境的、先進(jìn)的多語(yǔ)言文字抽取和標(biāo)準(zhǔn)化系統(tǒng)。韓江雷，畢業(yè)于新加坡南洋理工大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，目前擔(dān)任思愛普公司（新加坡）數(shù)據(jù)科學(xué)家，同時(shí)在南洋理工大學(xué)攻讀博士學(xué)位。他的研究方向包括文本分析、數(shù)據(jù)挖掘以及機(jī)器學(xué)習(xí)的垂直領(lǐng)域應(yīng)用等。

圖書目錄

第 1章　緒論1
1．1 什么是機(jī)器學(xué)習(xí)1
1．2 不同類型的學(xué)習(xí)1
1．2．1 監(jiān)督學(xué)習(xí)1
1．2．2 非監(jiān)督學(xué)習(xí)2
1．2．3 半監(jiān)督學(xué)習(xí)3
1．2．4 強(qiáng)化學(xué)習(xí)3
1．3 監(jiān)督學(xué)習(xí)是如何工作的4
1．4 為什么模型可以應(yīng)用于新數(shù)據(jù)9
第　2章符號(hào)和定義10
2．1 符號(hào)10
2．1．1 數(shù)據(jù)結(jié)構(gòu)10
2．1．2 大寫西格瑪符號(hào)12
2．1．3 大寫派符號(hào)12
2．1．4 集合運(yùn)算13
2．1．5 向量運(yùn)算13
2．1．6 函數(shù)14
2．1．7 max和argmax16
2．1．8 賦值運(yùn)算符16
2．1．9 導(dǎo)數(shù)和梯度16
2．2 隨機(jī)變量18
2．3 無偏估計(jì)值20
2．4 貝葉斯準(zhǔn)則21
2．5 參數(shù)估計(jì)21
2．6 參數(shù)與超參數(shù)23
2．7 分類vs．回歸23
2．8 基于模型學(xué)習(xí)vs．基于實(shí)例學(xué)習(xí)24
2．9 淺層學(xué)習(xí)vs．深度學(xué)習(xí)24
第3章　基本算法26
3．1 線性回歸26
3．1．1 問題陳述26
3．1．2 解決方案28
3．2 對(duì)數(shù)幾率回歸30
3．2．1 問題陳述31
3．2．2 解決方案32
3．3 決策樹學(xué)習(xí)34
3．3．1 問題陳述34
3．3．2 解決方案34
3．4 支持向量機(jī)37
3．4．1 處理噪聲38
3．4．2 處理固有非線性39
3．5 k近鄰42
第4章　算法剖析43
4．1 一個(gè)算法的組成部分43
4．2 梯度下降44
4．3 機(jī)器學(xué)習(xí)工程師如何工作50
4．4 學(xué)習(xí)算法的特性51
第5章　基本實(shí)踐53
5．1 特征工程53
5．1．1 獨(dú)熱編碼54
5．1．2 裝箱55
5．1．3 歸一化56
5．1．4 標(biāo)準(zhǔn)化56
5．1．5 處理特征缺失值57
5．1．6 數(shù)據(jù)補(bǔ)全技術(shù)58
5．2 選擇學(xué)習(xí)算法59
5．3 3個(gè)數(shù)據(jù)集61
5．4 欠擬合與過擬合63
5．5 正則化66
5．6 模型效果評(píng)估67
5．6．1 混淆矩陣69
5．6．2 查準(zhǔn)率/查全率70
5．6．3 準(zhǔn)確率71
5．6．4 代價(jià)敏感準(zhǔn)確率71
5．6．5 ROC曲線下面積72
5．7 超參數(shù)調(diào)試73
交叉驗(yàn)證75
第6章　神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)77
6．1 神經(jīng)網(wǎng)絡(luò)77
6．1．1 多層感知機(jī)例子78
6．1．2 前饋神經(jīng)網(wǎng)絡(luò)80
6．2 深度學(xué)習(xí)81
6．2．1 卷軸神經(jīng)網(wǎng)絡(luò)83
6．2．2 循環(huán)神經(jīng)網(wǎng)絡(luò)90
第7章　問題與解決方案96
7．1 核回歸96
7．2 多類別分類98
7．3 單類別分類99
7．4 多標(biāo)簽分類102
7．5 集成學(xué)習(xí)104
7．5．1 提升法與裝袋法105
7．5．2 隨機(jī)森林105
7．5．3 梯度提升106
7．6 學(xué)習(xí)標(biāo)注序列109
7．7 序列到序列學(xué)習(xí)111
7．8 主動(dòng)學(xué)習(xí)113
7．9 半監(jiān)督學(xué)習(xí)115
7．10 單樣本學(xué)習(xí)118
7．11 零樣本學(xué)習(xí)120
第8章　進(jìn)階操作122
8．1 處理不平衡的數(shù)據(jù)集122
8．2 組合模型124
8．3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)125
8．4 進(jìn)階正則化127
8．5 處理多輸入128
8．6 處理多輸出129
8．7 遷移學(xué)習(xí)130
8．8 算法效率131
第9章　非監(jiān)督學(xué)習(xí)135
9．1 密度預(yù)估135
9．2 聚類138
9．2．1 k均值138
9．2．2 DBSCAN和HDBSCAN140
9．2．3 決定聚類簇個(gè)數(shù)141
9．2．4 其他聚類算法145
9．3 維度降低148
9．3．1 主要成分分析149
9．3．2 UMAP151
9．4 異常值檢測(cè)153
第　10章其他學(xué)習(xí)形式154
10．1 質(zhì)量學(xué)習(xí)154
10．2 排序?qū)W習(xí)156
10．3 推薦學(xué)習(xí)159
10．3．1 因子分解機(jī)161
10．3．2 去噪自編碼器163
10．4 自監(jiān)督學(xué)習(xí)：詞嵌入164
第　11章結(jié)論167
11．1 主題模型167
11．2 高斯過程168
11．3 廣義線性模型168
11．4 概率圖模型168
11．5 馬爾可夫鏈蒙特卡洛算法169
11．6 基因算法170
11．7 強(qiáng)化學(xué)習(xí)170
術(shù)語(yǔ)表172