新書推薦：
《
可转债——新手理财的极简工具
》
售價：HK$
65.0
《
新加坡教育：神话与现实
》
售價：HK$
96.3
《
“口袋中的世界史”第一辑·冷战中的危机事件
》
售價：HK$
291.2
《
绝美的奥伦堡蕾丝披肩编织
》
售價：HK$
177.0
《
狂飙年代：18世纪俄国的新文化和旧文化（第二卷）
》
售價：HK$
177.0
《
万有引力书系 纳粹亿万富翁 德国财富家族的黑暗历史
》
售價：HK$
109.8
《
中国常见植物野外识别手册：青海册
》
售價：HK$
76.2
《
三星堆对话古遗址（从三星堆出发，横跨黄河流域，长江流域，对话11处古遗址，探源多元一体的中华文明）
》
售價：HK$
87.4
|
| 內容簡介： |
随着互联网技术的飞速发展，全球逐渐步入了大数据时代，智能化的趋势越来越明显，各行各业几乎都喊出了智能化的口号，机器学习作为人工智能的一个重要研究方向，在一定程度上成为了IT人才的必要技能。本书以一个自研机器学习算法框架的构建为主线，首先介绍了机器学习的相关概念和背景，然后按照代数矩阵运算层、*优化方法层、算法模型层和业务功能层的分层顺序对算法框架展开讲述，旨在通过理论和实践相结合的方式，帮助广大零算法基础的开发人员了解和掌握一定的算法能力，同时作为算法设计人员在工程实现上的参考范例。
本书实用性强，既面向零算法基础的开发人员，也面向具备一定算法能力，并且在工程实现上希望有所借鉴或参考学习的算法设计人员及机器学习算法爱好者。
|
| 目錄：
|
前言
第1篇绪论
第1章背景2
1.1机器学习的概念2
1.2机器学习所解决的问题3
1.2.1有监督学习问题3
1.2.2无监督学习4
1.3如何选择机器学习算法5
1.4习题5
第2章机器学习算法框架概要7
2.1算法框架的分层模型7
2.2分层模型中各层级的职责8
2.3开始搭建框架的准备工作8
2.3.1使用Java开发的准备工作8
2.3.2使用Python开发的准备工作13
第2篇代数矩阵运算层
第3章矩阵运算库20
3.1矩阵运算库概述20
3.2矩阵基本运算的实现20
3.2.1矩阵的数据结构20
3.2.2矩阵的加法和减法22
3.2.3矩阵的乘法和点乘24
3.2.4矩阵的转置26
3.3矩阵的其他操作27
3.2.1生成单位矩阵27
3.3.2矩阵的复制28
3.3.3矩阵的合并29
3.4习题32
第4章矩阵相关函数的实现33
4.1常用函数33
4.1.1协方差函数33
4.1.2均值函数34
4.1.3归一化函数36
4.1.4最大值函数38
4.1.5最小值函数40
4.2行列式函数41
4.3矩阵求逆函数43
4.4矩阵特征值和特征向量函数44
4.5矩阵正交化函数45
4.5.1向量单位化45
4.5.2矩阵正交化47
4.6习题49
第3篇最优化方法层
第5章最速下降优化器52
5.1最速下降优化方法概述52
5.1.1模型参数优化的目标52
5.1.2最速下降优化方法53
5.2最速下降优化器的实现54
5.2.1参数优化器的接口设计54
5.2.2最速下降优化器的具体实现57
5.3一个目标函数的优化例子62
5.3.1单元测试示例：偏导数的计算62
5.3.2单元测试示例：目标函数的参数优化64
5.4习题66
第6章遗传算法优化器67
6.1遗传算法概述67
6.1.1遗传算法的目标67
6.1.2遗传算法的基本过程68
6.2遗传算法优化器的实现71
6.2.1遗传算法优化器主体流程的实现71
6.2.2遗传算法优化器各算子的实现74
6.3一个目标函数的优化例子82
6.4习题85
第4篇算法模型层
第7章分类和回归模型88
7.1分类和回归模型概述88
7.2基础回归模型89
7.2.1线性回归模型89
7.2.2对数回归模型92
7.2.3指数回归模型94
7.2.4幂函数回归模型97
7.2.5多项式回归模型100
7.3分类回归分析的例子102
7.3.1示例：验证对数回归模型102
7.3.2示例：对比不同模型104
7.4习题108
第8章多层神经网络模型109
8.1多层神经网络模型概述109
8.1.1网络模型的表达形式109
8.1.2前馈运算111
8.1.3反向传播112
8.2多层神经网络模型的实现115
8.3多层神经网络模型示例122
8.4习题125
第9章聚类模型126
9.1K-means模型126
9.1.1K-means聚类模型概述126
9.1.2K-means模型的实现128
9.1.3示例：一个聚类的例子131
9.2GMM134
9.2.1从一维高斯函数到多维高斯函数134
9.2.2GMM概述136
9.2.3GMM的实现139
9.2.4示例：对比K-means模型144
9.3习题147
第10章时间序列模型148
10.1指数平滑模型148
10.1.1移动平均模型148
10.1.2一次指数平滑模型149
10.1.3二次指数平滑模型150
10.2Holt-Winters模型150
10.2.1Holt-Winters模型概述150
10.2.2Holt-Winters模型的实现151
10.2.3示例：时间序列的预测156
10.3习题160
第11章降维和特征提取161
11.1降维的目的161
11.2主成分分析模型162
11.2.1主成分分析方法概述162
11.2.2主成分分析模型的实现165
11.2.3示例：降维提取主要特征167
11.3自动编码机模型170
11.3.1非线性的主成分分析170
11.3.2自动编码机原理概述171
11.3.3自动编码机模型的实现172
11.3.4示例：对比主成分分析173
11.4习题176
第5篇业务功能层
第12章时间序列异常检测178
12.1时间序列异常检测的应用场景178
12.2时间序列异常检测的基本原理178
12.2.1基于预测的时间序列异常检测179
12.2.2阈值的估计179
12.3时间序列异常检测功能服务的实现180
12.4应用实例：找出数据中的异常记录182
12.5习题183
第13章离群点检测184
13.1离群点检测的应用场景184
13.2离群点检测的基本原理185
13.2.1基于多维高斯函数检测离群点186
13.2.2数据的有效降维188
13.3离群点检测功能服务的实现188
13.4应用实例：找出数据中的异常记录191
13.5习题193
第14章趋势线拟合194
14.1趋势线拟合的应用场景194
14.2趋势线拟合的基本原理195
14.2.1基于不同基础回归模型的拟合196
14.2.2选取合适的回归模型196
14.3趋势线拟合功能服务的实现196
14.4应用实例：对样本数据进行趋势线拟合201
14.5习题203
|
| 內容試閱：
|
随着科技的迅猛发展，短短的几十年间，互联网几乎将全球的人联系了起来，世界上所发生的事件都开始相互影响。随即，大数据成为时代的热潮，人工智能技术有了长足的进步，智能化的概念渗透到各行各业。而这一切的背后，机器学习发挥着深远的影响，以至于似乎每个人都或多或少地需要接触机器学习。然而应该从何入手却是一个让人苦恼的问题。
为了解决这一问题，作者通过总结多年的知识积累及工作经验，分别用Java和Python两种业界主流的语言从零开始构建了一个机器学习算法框架，并浓缩成这本书，分享给想要学习机器学习算法框架的读者。本书以理论和实践相结合的方式带领读者快速上手。通过阅读本书，读者不仅可以学习机器学习算法框架，而且能够获得算法和工程实践相结合的经验。此外，书中的机器学习算法框架以分层架构的方式呈现，一方面有利于读者循序渐进地理解机器学习算法，另一方面能够帮助读者更好地理解算法在工程架构中的应用。
本书特色
1．理论和实践相结合，读者理解更深刻
本书中的每一章内容都首先以简单易懂的方式展开理论阐述，随后在理论的基础上给出代码实现，并且给出相应的示例，进一步帮助读者理解相关概念。相信这种理论和实践相结合的方式能够更好地呈现知识，让读者更容易理解并留下深刻印象。因为纯理论的教科书显得枯燥无味，而只有代码实现的书则让读者知其然却不知其所以然。
2．通过架构分层的方式由浅入深地展开阐述，让读者更易上手
本书从零开始构建一个机器学习算法框架，读者在阅读的过程中能够体会到整个框架的构建过程。书中采用的架构分层方式可以让读者由浅入深地掌握机器学习的相关知识，并且很容易快速上手。另外，读者也可以从书中体会到机器学习算法在工程实践中的应用。
3．两种语言实现，可兼顾不同背景的读者
本书分别用Java和Python两种业界主流的编程语言实现代码。Java适合工业界的工作人员；Python足够灵活，同时有丰富的机器学习开源库，适应面更广。不同语言背景的读者可以基于自己熟悉的语言进行学习，也可以对比两种语言在实现上的异同，从而更加深入地理解本书内容。
本书内容及体系结构
本书共14章，分为5篇，下面简单地进行介绍。
第1篇绪论（第1、2章）
第1章主要介绍了一些重要的背景知识。该章首先解释了什么是机器学习，引出了机器学习的基本概念；然后阐述了相关的关键术语；接着讨论了机器学习所要解决的问题；最后针对如何选择机器学习算法给出了建议。
第2章重点阐述了机器学习算法框架的整体概要，引入了算法框架的分层模型，并介绍了分层模型中各层级的具体职责，最后讲解了搭建算法框架的准备工作。
第2篇代数矩阵运算层（第3、4章）
第3章着重于矩阵运算层，首先介绍了矩阵运算库，接着给出了矩阵基本运算的具体实现，最后补充常用矩阵操作的实现。
第4章进一步扩展矩阵运算库，引入了矩阵相关函数的实现。该章首先介绍了常用函数的实现，包括协方差函数、均值函数、归一化函数、最大值函数和最小值函数；接着阐述了行列式函数、矩阵求逆函数、矩阵特征值和特征向量函数的实现；最后补充了矩阵正交化函数的具体实现。
第3篇最优化方法层（第5、6章）
第5章介绍了一种通用模型的参数优化方法，即最速下降法。该章首先探讨了最速下降法的基本理论；然后动手设计参数优化器的接口，并且根据理论，具体实现了一个最速下降优化器；最后利用一个具体的例子，讲解了如何使用最速下降优化器来对模型的参数进行优化。
第6章介绍了另一种模型参数的优化方法，即遗传算法。该章首先讨论了最速下降法的局限性；然后引入了遗传算法的参数优化方法，并且根据理论，具体实现了遗传算法优化器；最后利用具体示例，讲解了如何使用遗传算法优化器进行模型参数的优化。
第4篇算法模型层（第7～11章）
第7章介绍了最为基础的分类和回归模型。该章首先探讨了分类和回归的概念；然后根据理论，动手实现了不同的回归模型；最后利用具体示例讲解了如何使用基础回归模型对数据进行预测，同时对比了不同回归模型的效果。
第8章在前面章节所讲述的回归问题的基本模型和方法的基础上，进一步引入了一个更为复杂的解决回归问题的模型——多层神经网络模型。
第9章讨论了数据分析场景中应用广泛的聚类问题，并分别讲解了解决这种问题的两种经典模型，即K-means模型和GMM（高斯混合模型）。
第10章主要介绍了最为经典的时间序列预测模型——Holt-Winters，重点剖析了它的基本原理及具体实现，并且通过示例进行实践。
第11章分别介绍了两种用于降维的模型，即主成分分析模型和自动编码机模型，并且在示例中对两者进行了对比。
第5篇业务功能层（第12～14章）
第12章探讨了一种较为常用的功能服务，即时间序列异常检测。该章首先介绍了时间序列异常检测的应用场景；然后阐述了时间序列异常检测的基本原理；接下来给出了时间序列异常检测功能服务的具体实现；最后通过具体示例，演示了如何判断时间序列的异常数据。
第13章探讨了另一种较为常用的功能服务，即离群点检测。该章首先介绍了离群点检测的应用场景；随后阐述了离群点检测的基本原理；接下来给出了离群点功能服务的具体实现；最后通过具体示例，演示了如何使用离群点检测找出数据中的异常记录。
第14章探讨了本书的最后一种趋势线拟合。该章首先介绍了趋势线拟合的应用场景；然后阐述了它的基本原理；接下来给出了趋势线拟合功能服务的具体实现；最后通过具体示例，演示了如何对样本数据进行趋势线拟合。
本书配套资源
本书涉及的所有源代码文件及习题参考答案需要读者自行下载。请在华章公司的网站（www.hzbook.com）上搜索到本书，然后单击“资料下载”按钮，即可在本书页面上的“扩展资源”模块找到配书资源下载链接。
本书读者对象
* 计算机相关专业的本科生和研究生；
* 从事计算机相关专业教学的老师；
* IT公司的开发工程师和算法工程师；
* 需要机器学习工具书的人员；
* 其他对机器学习感兴趣的各类人员。
勘识与售后支持
因受笔者水平所限，本书难免有疏漏和不当之处，敬请指正。阅读本书时读者若有疑问发现了疏漏，请发E-mail到hzbook2017@163.com，笔者会对所提问题进行核实，并在后期加印时更正错漏。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
