作品简介

本书主要对算法的原理进行了介绍,并融合大量的应用案例,详细介绍使用机器学习模型的一般方法,帮助读者理解算法原理,学会模型设计。本书首先介绍数据理解、数据的处理与特征,帮助读者认识数据;然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用;接着根据项目研发的流程,详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速;最后通过多个应用案例帮助读者加强对前面知识点的理解。

刘凡平,硕士,毕业于中国科学技术大学,专注于大数据分析、搜索引擎、机器学习和深度学习研究,曾任职于微软亚太研发集团,现任职于百度(中国)有限公司,曾出版《大数据搜索引擎原理分析及编程》、《大数据时代的算法》,是执着于将互联网技术演绎为艺术的完美追求者。

作品目录

  • 内容简介
  • 前言
  • 致谢
  • 第1章 引言
  • 1.1 人工智能概述
  • 1.2 人工智能与传统机器学习
  • 1.3 机器学习算法领域发展综述
  • 1.4 小结
  • 参考文献
  • 第2章 数据理解
  • 2.1 数据的三个基本维度
  • 2.2 数据的统计推论的基本方法
  • 2.3 数据分析
  • 2.4 小结
  • 参考文献
  • 第3章 数据处理与特征
  • 3.1 数据的基本处理
  • 3.2 数据的特征缩放和特征编码
  • 3.3 数据降维
  • 3.4 图像的特征分析
  • 3.5 小结
  • 参考文献
  • 第4章 机器学习基础
  • 4.1 统计学习
  • 4.2 机器学习算法分类
  • 4.3 机器学习的学习规则
  • 4.4 机器学习的基础应用
  • 4.5 小结
  • 参考文献
  • 第5章 模型选择和结构设计
  • 5.1 传统机器学习模型选择
  • 5.2 经典回归模型的理解和选择
  • 5.3 经典分类模型的理解和选择
  • 5.4 经典聚类模型的理解和选择
  • 5.5 深度学习模型选择
  • 5.6 深度学习模型结构的设计方向
  • 5.7 模型结构设计中的简单技巧
  • 5.8 小结
  • 参考文献
  • 第6章 目标函数设计
  • 6.1 损失函数
  • 6.2 风险最小化和设计原则
  • 6.3 基于梯度下降法的目标函数优化
  • 6.4 基于牛顿法的目标求解
  • 6.5 小结
  • 参考文献
  • 第7章 模型训练过程设计
  • 7.1 数据选择
  • 7.2 参数初始化
  • 7.3 拟合的验证与判断
  • 7.4 学习速率的选择
  • 7.5 迁移学习
  • 7.6 分布式训练
  • 7.7 小结
  • 参考文献
  • 第8章 模型效果的评估与验证
  • 8.1 模型效果评估的一般性指标
  • 8.2 交叉验证
  • 8.3 模型的稳定性分析
  • 8.4 小结
  • 参考文献
  • 第9章 计算性能与模型加速
  • 9.1 计算优化
  • 9.2 性能指标
  • 9.3 模型压缩与裁剪
  • 9.4 小结
  • 参考文献
  • 第10章 应用案例专题
  • 10.1 求解二元一次方程
  • 10.2 鸢尾花的案例分析
  • 10.3 形体识别
  • 10.4 小结
  • 参考文献
展开全部