万本电子书0元读

万本电子书0元读

顶部广告

用Python动手学机器学习电子书

面向机器学习新手的门书,透彻掌握机器学习基础知识 341个公式:推导过程全公 175段代码:边试边学效率高 167张插图:以图配文好理解 支持Jupyter Notebook 配套源码&资源可下载 1.Jupyter Notebook交互式编程环境,让学习过程不枯燥 使用Jupyter Notebook,你可以在线编码、运行,并将结果绘图,还可以记笔记、随时修改代码并查看运行效果,在不断探索中掌握实战能力。 2.公式和代码一一对应,让理解更深

售       价:¥

纸质售价:¥66.70购买纸书

174人正在读 | 0人评论 6.2

作       者:[日]伊藤真 著

出  版  社:人民邮电出版社有限公司

出版时间:2021-03-01

字       数:16.5万

所属分类: 科技 > 计算机/网络 > 程序设计

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

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书是面向机器学习新手的门书,从学习环境的搭建始,图文并茂地介绍了学习机器学习所需的Python知识和数学知识,并在此基础上结合数学式、示例程序、插图等,抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等行了介绍。 本书既有图形、代码,又有详细的数学式推导过程,大大降低了机器学习的学习门槛,即使没有学过Python、数学基础不太好,也可以看懂。<br/>【推荐语】<br/>面向机器学习新手的门书,透彻掌握机器学习基础知识 341个公式:推导过程全公 175段代码:边试边学效率高 167张插图:以图配文好理解 支持Jupyter Notebook 配套源码&资源可下载 1.Jupyter Notebook交互式编程环境,让学习过程不枯燥 使用Jupyter Notebook,你可以在线编码、运行,并将结果绘图,还可以记笔记、随时修改代码并查看运行效果,在不断探索中掌握实战能力。 2.公式和代码一一对应,让理解更深 通过一步一步地推导公式,手把手教你代码实践,一行行公式与一行行代码相结合,帮助你直观、透彻地理解算法流程。 3.循序渐近,真正适合初学者 从环境搭建讲起,然后介绍Python和数学基础知识,再介绍有监督学习中的回归和分类问题、神经网络模型和手写数字识别,以及无监督学习中的聚类问题,对每个知识都有细致解释,力求通俗易懂。读完本书,你将掌握足以阅读经典专业书的能力。<br/>【作者】<br/>伊藤真(作者) 日本栃木县人,目前居住在神奈川县。 2000年获得日本东北大学大学院信息科学博士学位,研究内容为小鼠导航行为的数理模型。2004年~2016年在冲绳科学技术大学院大学担任神经计算单元实验小组负责人,主要研究如何通过强化学习模型解释小鼠的选择行为和脑活动。 2017年职Progress Technologies株式会社,研究人工智能的产业应用。 爱好是用瓦楞纸板做手工艺品。 郑明智(译者) 智慧医疗工程师。主要研究方向为医疗与前沿ICT技术的结合及其应用,密切关注人工智能、5G、量子计算等领域。译有《松本行弘:编程语言的设计与实现》《深度学习基础与实践》《详解深度学习》《白话机器学习的数学》等书。 司磊(译者) 硕士毕业于日本芝浦工业大学理工学研究科,研究方向为电气电子信息工学,该校智能系统实验室成员。目前在某智能设备厂商任系统工程师。喜欢读书、跑步、学习新知识以及尝试实现一些好玩的idea。<br/>
目录展开

版权声明

译者序一

译者序二

前言

关于本书源码的测试环境和源码文件

本书源码的测试环境

下载源码文件

注意

免责声明

关于著作权等

第 1 章 学习前的准备

1.1 关于机器学习

1.1.1 学习机器学习的窍门

1.1.2 机器学习中问题的分类

1.1.3 本书的结构

1.2 安装 Python

1.3 Jupyter Notebook

1.3.1 Jupyter Notebook 的用法

1.3.2 输入 Markdown 格式文本

1.3.3 更改文件名

1.4 安装 Keras 和 TensorFlow

第 2 章 Python 基础知识

2.1 四则运算

2.1.1 四则运算的用法

2.1.2 幂运算

2.2 变量

2.2.1 利用变量进行计算

2.2.2 变量的命名

2.3 类型

2.3.1 类型的种类

2.3.2 检查类型

2.3.3 字符串

2.4 print 语句的用法

2.4.1 print 语句的用法

2.4.2 同时显示数值和字符串的方法 1

2.4.3 同时显示数值和字符串的方法 2

2.5 list(数组变量)

2.5.1 list 的用法

2.5.2 二维数组

2.5.3 创建连续的整数数组

2.6 tuple(数组)

2.6.1 tuple 的用法

2.6.2 读取元素

2.6.3 长度为 1 的 tuple

2.7 if 语句

2.7.1 if 语句的用法

2.7.2 比较运算符

2.8 for 语句

2.8.1 for 语句的用法

2.8.2 enumerate 的用法

2.9 向量

2.9.1 NumPy 的用法

2.9.2 定义向量

2.9.3 读取元素

2.9.4 替换元素

2.9.5 创建连续整数的向量

2.9.6 ndarray 的注意事项

2.10 矩阵

2.10.1 定义矩阵

2.10.2 矩阵的大小

2.10.3 读取元素

2.10.4 替换元素

2.10.5 生成元素为 0 和 1 的 ndarray

2.10.6 生成元素随机的矩阵

2.10.7 改变矩阵的大小

2.11 矩阵的四则运算

2.11.1 矩阵的四则运算

2.11.2 标量 × 矩阵

2.11.3 算术函数

2.11.4 计算矩阵乘积

2.12 切片

切片的用法

2.13 替换满足条件的数据

bool 数组的用法

2.14 help

help 的用法

2.15 函数

2.15.1 函数的用法

2.15.2 参数与返回值

2.16 保存文件

2.16.1 保存一个 ndarray 类型变量

2.16.2 保存多个 ndarray 类型变量

第 3 章 数据可视化

3.1 绘制二维图形

3.1.1 绘制随机图形

3.1.2 代码清单的格式

3.1.3 绘制三次函数 f(x)=(x-2)x(x+2)

3.1.4 确定绘制范围

3.1.5 绘制图形

3.1.6 装饰图形

3.1.7 并列显示多张图形

3.2 绘制三维图形

3.2.1 包含两个变量的函数

3.2.2 用颜色表示数值:pcolor

3.2.3 绘制三维图形:surface

3.2.4 绘制等高线:contour

第 4 章 机器学习中的数学

4.1 向量

4.1.1 什么是向量

4.1.2 用 Python 定义向量

4.1.3 列向量的表示方法

4.1.4 转置的表示方法

4.1.5 加法和减法

4.1.6 标量积

4.1.7 内积

4.1.8 向量的模

4.2 求和符号

4.2.1 带求和符号的数学式的变形

4.2.2 通过内积求和

4.3 累乘符号

4.4 导数

4.4.1 多项式的导数

4.4.2 带导数符号的数学式的变形

4.4.3 复合函数的导数

4.4.4 复合函数的导数:链式法则

4.5 偏导数

4.5.1 什么是偏导数

4.5.2 偏导数的图形

4.5.3 绘制梯度的图形

4.5.4 多变量的复合函数的偏导数

4.5.5 交换求和与求导的顺序

4.6 矩阵

4.6.1 什么是矩阵

4.6.2 矩阵的加法和减法

4.6.3 标量积

4.6.4 矩阵的乘积

4.6.5 单位矩阵

4.6.6 逆矩阵

4.6.7 转置

4.6.8 矩阵和联立方程式

4.6.9 矩阵和映射

4.7 指数函数和对数函数

4.7.1 指数

4.7.2 对数

4.7.3 指数函数的导数

4.7.4 对数函数的导数

4.7.5 Sigmoid 函数

4.7.6 Softmax 函数

4.7.7 Softmax 函数和 Sigmoid 函数

4.7.8 高斯函数

4.7.9 二维高斯函数

第 5 章 有监督学习:回归

5.1 一维输入的直线模型

5.1.1 直线模型

5.1.2 平方误差函数

5.1.3 求参数(梯度法)

5.1.4 直线模型参数的解析解

5.2 二维输入的平面模型

5.2.1 数据的表示方法

5.2.2 平面模型

5.2.3 平面模型参数的解析解

5.3 D 维线性回归模型

5.3.1 D 维线性回归模型

5.3.2 参数的解析解

5.3.3 扩展到不通过原点的平面

5.4 线性基底函数模型

5.5 过拟合问题

5.6 新模型的生成

5.7 模型的选择

5.8 小结

第 6 章 有监督学习:分类

6.1 一维输入的二元分类

6.1.1 问题设置

6.1.2 使用概率表示类别分类

6.1.3 最大似然估计

6.1.4 逻辑回归模型

6.1.5 交叉熵误差

6.1.6 学习法则的推导

6.1.7 通过梯度法求解

6.2 二维输入的二元分类

6.2.1 问题设置

6.2.2 逻辑回归模型

6.3 二维输入的三元分类

6.3.1 三元分类逻辑回归模型

6.3.2 交叉熵误差

6.3.3 通过梯度法求解

第 7 章 神经网络与深度学习

7.1 神经元模型

7.1.1 神经细胞

7.1.2 神经元模型

7.2 神经网络模型

7.2.1 二层前馈神经网络

7.2.2 二层前馈神经网络的实现

7.2.3 数值导数法

7.2.4 通过数值导数法应用梯度法

7.2.5 误差反向传播法

7.2.6 求

7.2.7 求

7.2.8 误差反向传播法的实现

7.2.9 学习后的神经元的特性

7.3 使用 Keras 实现神经网络模型

7.3.1 二层前馈神经网络

7.3.2 Keras 的使用流程

第 8 章 神经网络与深度学习的应用(手写数字识别)

8.1 MINST 数据集

8.2 二层前馈神经网络模型

8.3 ReLU 激活函数

8.4 空间过滤器

8.5 卷积神经网络

8.6 池化

8.7 Dropout

8.8 融合了各种特性的 MNIST 识别网络模型

第 9 章 无监督学习

9.1 二维输入数据

9.2 K-means 算法

9.2.1 K-means 算法的概要

9.2.2 步骤 0:准备变量与初始化

9.2.3 步骤 1:更新

9.2.4 步骤 2:更新

9.2.5 失真度量

9.3 混合高斯模型

9.3.1 基于概率的聚类

9.3.2 混合高斯模型

9.3.3 EM 算法的概要

9.3.4 步骤 0:准备变量与初始化

9.3.5 步骤 1(步骤 E):更新γ

9.3.6 步骤 2(步骤 M):更新 、 和

9.3.7 似然

第 10 章 本书小结

回归和分类(第 5 章章首)

维线性回归模型(5.3.1 节)

均方误差(5.3.2 节)

维线性回归模型的解析解(5.3 节)

线性基底函数模型(5.4 节)

线性基底函数模型的解析解(5.4 节)

过拟合(过度学习)(5.5 节)

留出验证(5.5 节)

折交叉验证(5.5 节)

留一交叉验证(5.5 节)

似然(6.1.3 节)

最大似然估计(6.1.3 节)

逻辑回归模型(6.1.4 节)

逻辑回归模型的梯度法(6.1.6 节)

平均交叉熵误差其 1(6.1.5 节)

三元分类逻辑回归模型(6.3.1 节)

三元分类逻辑回归模型的梯度法(6.3.3 节)

平均交叉熵误差其 2(6.3.2 节)

神经元模型(7.1.2 节)

二层前馈神经网络(7.2.1 节)

误差反向传播法(7.2.5 节)

随机梯度法(8.2 节)

ReLU 激活函数(8.3 节)

卷积神经网络(8.5 节)

池化(8.6 节)

Dropout(8.7 节)

无监督学习(9.1 节)

聚类(9.1 节)

-means 算法(9.2 节)

混合高斯模型(9.3.2 节)

混合高斯模型的 EM 算法(9.3.3 节)

后记

致谢

作者简介

看完了

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