万本电子书0元读

万本电子书0元读

顶部广告

机器学习精讲电子书

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:¥54.00购买纸书

304人正在读 | 0人评论 7

作       者:(加拿大) 安德烈·布可夫(Andriy Burkov)

出  版  社:人民邮电出版社有限公司

出版时间:2020-01-01

字       数:10.3万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
内容提要 本书用简短的篇幅、精炼的语言,讲授机器学习领域必备的知识和技能。全书共11章和一个术语表,依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、阶操作、非监督学习以及其他学习方式等,涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、超参数调试等众多核心概念和方法。全书*后给出了一个较为详尽的术语表。 本书能够帮助读者了解机器学习是如何工作的,为一步理解该领域的复杂问题和行深研究好基础。本书适合想要学习和掌握机器学习的软件从业人员、想要运用机器学习技术的数据科学家阅读,也适合想要了解机器学习的一般读者参考。 内容提要 本书用简短的篇幅、精炼的语言,讲授机器学习领域必备的知识和技能。全书共11章和一个术语表,依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、阶操作、非监督学习以及其他学习方式等,涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、超参数调试等众多核心概念和方法。全书*后给出了一个较为详尽的术语表。 本书能够帮助读者了解机器学习是如何工作的,为一步理解该领域的复杂问题和行深研究好基础。本书适合想要学习和掌握机器学习的软件从业人员、想要运用机器学习技术的数据科学家阅读,也适合想要了解机器学习的一般读者参考。
【推荐语】
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。
【作者】
作者简介 安德烈·布可夫(Andriy Burkov)是一位机器学习专家,目前居住于加拿大魁北克省。他拥有人工智能博士学位,尤其擅长自然语言处理技术。目前,他是高德纳(Gartner)咨询公司机器学习发团队的主管。该团队的主要工作是,使用浅层和深度学习技术,发可用于生产环境的、先的多语言文字抽取和标准化系统。 译者简介 韩江雷,毕业于新加坡南洋理工大学计算机科学学院,目前担任思爱普公司(新加坡)数据科学家,同时在南洋理工大学攻读博士学位。他的研究方向包括文本分析、数据挖掘以及机器学习的垂直领域应用等。
目录展开

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

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部