人工智能的核心是机器学习。《机器学习精讲》囊括机器学习的精髓，系统而精炼地讲解机器学习的基本原理。本书英文版一经推出，就长期位于美国亚马逊机器学习图书排行榜领先位置，并获得4.5星好评。 《机器学习精讲》包含了监督和非监督学习、支持向量机、神经网络、集成算法、梯度下降、聚类分类、降维、自编码器、迁移学习、特征工程以及超参数调试等方面的知识。书中既有数学公式，又有图解说明，一应俱全。 本书具有以下特色: ● 精简并直主题——篇幅短小，读者可以快速读完并掌握机器学习技术的精髓。书中内容是作者和其他从业者多年研究的成果。 ● 配套网页——本书配有持续更新的网页，对书中内容行补充，包括问答、代码、推荐阅读材料、工具以及其他相关内容。扫描书中二维码即可查看。 ● 全彩印刷——色彩丰富，阅读轻松。 ● 代码基于Python语言。
售 价：¥
纸质售价：¥54.50购买纸书
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版 权
版权声明
内容提要
译者序
前 言
本书的目标读者
如何阅读本书
第1章 绪论
1.1 什么是机器学习
1.2 不同类型的学习
1.3 监督学习是如何工作的
1.4 为什么模型可以应用于新数据
第2章 符号和定义
2.1 符号
2.2 随机变量
2.3 无偏估计值
2.4 贝叶斯准则
2.5 参数估计
2.6 参数与超参数
2.7 分类vs.回归
2.8 基于模型学习vs.基于实例学习
2.9 浅层学习vs.深度学习
第3章 基本算法
3.1 线性回归
3.2 对数几率回归
3.3 决策树学习
3.4 支持向量机
3.5 k近邻
第4章 算法剖析
4.1 一个算法的组成部分
4.2 梯度下降
4.3 机器学习工程师如何工作
4.4 学习算法的特性
第5章 基本实践
5.1 特征工程
5.2 选择学习算法
5.3 3个数据集
5.4 欠拟合与过拟合
5.5 正则化
5.6 模型效果评估
5.7 超参数调试
第6章 神经网络和深度学习
6.1 神经网络
6.2 深度学习
第7章 问题与解决方案
7.1 核回归
7.2 多类别分类
7.3 单类别分类
7.4 多标签分类
7.5 集成学习
7.6 学习标注序列
7.7 序列到序列学习
7.8 主动学习
7.9 半监督学习
7.10 单样本学习
7.11 零样本学习
第8章 进阶操作
8.1 处理不平衡的数据集
8.2 组合模型
8.3 训练神经网络
8.4 进阶正则化
8.5 处理多输入
8.6 处理多输出
8.7 迁移学习
8.8 算法效率
第9章 非监督学习
9.1 密度预估
9.2 聚类
9.3 维度降低
9.4 异常值检测
第10章 其他学习形式
10.1 质量学习
10.2 排序学习
10.3 推荐学习
10.4 自监督学习:词嵌入
第11章 结论
11.1 主题模型
11.2 高斯过程
11.3 广义线性模型
11.4 概率图模型
11.5 马尔可夫链蒙特卡洛算法
11.6 基因算法
11.7 强化学习
术语表
买过这本书的人还买过
读了这本书的人还在读
购物车
个人中心
