123,123

內(nèi)容簡(jiǎn)介

　　《機(jī)器學(xué)習(xí)與人工智能：從理論到實(shí)踐》理論與實(shí)踐相結(jié)合，全面介紹了人工智能和機(jī)器學(xué)習(xí)?！稒C(jī)器學(xué)習(xí)與人工智能：從理論到實(shí)踐》分為六部分。首部分介紹了人工智能和機(jī)器學(xué)習(xí)在現(xiàn)代背景下的概念以及它們的起源和現(xiàn)狀，并討論了使用這些概念的各種場(chǎng)景和數(shù)據(jù)的理解、表示與可視化。第二部分介紹了機(jī)器學(xué)習(xí)的各種方法及新興趨勢(shì)。第三部分介紹了使用算法構(gòu)建端到端機(jī)器學(xué)習(xí)管道。第四部分重點(diǎn)介紹機(jī)器學(xué)習(xí)模型的實(shí)現(xiàn)，以開(kāi)發(fā)人工智能應(yīng)用。第五部分介紹了解決現(xiàn)實(shí)機(jī)器學(xué)習(xí)問(wèn)題的一些實(shí)現(xiàn)策略。第六部分是《機(jī)器學(xué)習(xí)與人工智能：從理論到實(shí)踐》總結(jié)和下一步工作。《機(jī)器學(xué)習(xí)與人工智能：從理論到實(shí)踐》適合機(jī)器學(xué)習(xí)與人工智能相關(guān)專業(yè)研究生和高年級(jí)本科生以及研究人員和專業(yè)人員閱讀。書(shū)中盡可能少地使用數(shù)學(xué)，這使得主題更直觀、更容易理解。全面介紹了人工智能和機(jī)器學(xué)習(xí)技術(shù)的理論和應(yīng)用。為人工智能和機(jī)器學(xué)習(xí)提供了直觀、易懂的學(xué)習(xí)指南，較少使用數(shù)學(xué)。結(jié)合應(yīng)用介紹所有機(jī)器學(xué)習(xí)和人工智能技術(shù)及實(shí)現(xiàn)。

作者簡(jiǎn)介

　　Ameet V.Joshi，博士，目前是微軟的一名數(shù)據(jù)科學(xué)經(jīng)理。他于2006年在密歇根州立大學(xué)獲得博士學(xué)位。他擁有超過(guò)15年的機(jī)器學(xué)習(xí)算法開(kāi)發(fā)方面的經(jīng)驗(yàn)，涉及各種不同的工業(yè)領(lǐng)域，包括管道檢查、家庭能源分解、微軟Cortana智能和CRM中的商務(wù)智能。此前，他曾擔(dān)任Belkin International的機(jī)器學(xué)習(xí)專家和Microline Technology Corp．的研究主管。他是多個(gè)技術(shù)委員會(huì)的成員，在許多會(huì)議和期刊上發(fā)表過(guò)文章，也是多本書(shū)籍的編著者之一。他還擁有兩項(xiàng)專利，并獲得多個(gè)行業(yè)獎(jiǎng)項(xiàng)，包括IEEE高級(jí)會(huì)員（只有8%的會(huì)員獲得）。

圖書(shū)目錄

序
前言
致謝
第一部分簡(jiǎn)介
第1章人工智能和機(jī)器學(xué)習(xí)簡(jiǎn)介
1．1 引言
1．2 什么是人工智能
1．3 什么是機(jī)器學(xué)習(xí)
1．4 本書(shū)的結(jié)構(gòu)
1．4．1 簡(jiǎn)介
1．4．2 機(jī)器學(xué)習(xí)
1．4．3 構(gòu)建端到端管道
1．4．4 人工智能
1．4．5 實(shí)現(xiàn)
1．4．6 結(jié)語(yǔ)
第2章人工智能和機(jī)器學(xué)習(xí)的基本概念
2．1 引言
2．2 大數(shù)據(jù)和非大數(shù)據(jù)
2．2．1 什么是大數(shù)據(jù)
2．2．2 為什么我們應(yīng)該區(qū)別對(duì)待大數(shù)據(jù)
2．3 學(xué)習(xí)類型
2．3．1 監(jiān)督學(xué)習(xí)
2．3．2 無(wú)監(jiān)督學(xué)習(xí)
2．3．3 強(qiáng)化學(xué)習(xí)
2．4 基于時(shí)間的機(jī)器學(xué)習(xí)方法
2．4．1 靜態(tài)學(xué)習(xí)
2．4．2 動(dòng)態(tài)學(xué)習(xí)
2．5 維數(shù)
2．6 線性和非線性
2．7 奧卡姆剃刀原理
2．8 “沒(méi)有免費(fèi)的午餐”定理
2．9 收益遞減規(guī)律
2．10 機(jī)器學(xué)習(xí)的早期趨勢(shì)
2．11 小結(jié)
第3章數(shù)據(jù)的理解、表示和可視化
3．1 引言
3．2 理解數(shù)據(jù)
3．2．1 理解實(shí)體
3．2．2 理解屬性
3．2．3 理解數(shù)據(jù)類型
3．3 數(shù)據(jù)的表示和可視化
3．3．1 主成分分析
3．3．2 線性判別分析
3．4 小結(jié)
第二部分機(jī)器學(xué)習(xí)
第4章線性方法
4．1 引言
4．2 線性模型和廣義線性模型
4．3 線性回歸
4．3．1 定義問(wèn)題
4．3．2 解決問(wèn)題
4．4 正則化的線性回歸
4．4．1 正則化
4．4．2 嶺回歸
4．4．3 Lasso回歸
4．5 廣義線性模型
4．6 k最近鄰算法
4．6．1 KNN的定義
4．6．2 分類和回歸
4．6．3 KNN的其他變體
4．7 小結(jié)
第5章感知器和神經(jīng)網(wǎng)絡(luò)
5．1 引言
5．2 感知器
5．3 多層感知器或人工神經(jīng)網(wǎng)絡(luò)
5．3．1 前饋操作
5．3．2 非線性多層感知器或非線性人工神經(jīng)網(wǎng)絡(luò)
5．3．3 訓(xùn)練多層感知器
5．3．4 隱藏層
5．4 徑向基函數(shù)網(wǎng)絡(luò)
5．5 過(guò)度擬合與正則化
5．5．1 L1和L2正則化
5．5．2 丟棄正則化
5．6 小結(jié)
第6章決策樹(shù)
6．1 引言
6．2 為什么使用決策樹(shù)
6．3 構(gòu)建決策樹(shù)的算法
6．4 回歸樹(shù)
6．5 分類樹(shù)
6．6 決策指標(biāo)
6．6．1 誤分類誤差
6．6．2 基尼指數(shù)
6．6．3 交叉熵或偏差
6．7 卡方自動(dòng)交叉檢驗(yàn)
6．8 訓(xùn)練決策樹(shù)
6．9 集成決策樹(shù)
6．10 Bagging集成樹(shù)
6．11 隨機(jī)森林
6．12 Boosted集成樹(shù)
6．12．1 AdaBoost
6．12．2 梯度提升
6．13小結(jié)
……
第三部分構(gòu)建端到端管道
第四部分人工智能
第五部分實(shí)現(xiàn)
第六部分結(jié)語(yǔ)
參考文獻(xiàn)