新書推薦：
《
中国网络文学年鉴（2023）
》
售價：HK$
457.7
《
美国学院和大学史（大学、思想与社会）
》
售價：HK$
112.7
《
好望角丛书·自由古巴：革命、救赎与新生
》
售價：HK$
170.2
《
颠覆者：美国散户如何凭借数字平台在华尔街实现逆袭
》
售價：HK$
90.9
《
投诉是礼物：理论版+实践版（套装2册） 长盛不衰的客户服务指南！
》
售價：HK$
135.7
《
女性史：革命与战争时期卷（一次重构人类历史的努力）
》
售價：HK$
135.7
《
永无止尽的狂热：三岛由纪夫
》
售價：HK$
68.8
《
原来这就是逻辑学：16堂大师逻辑课
》
售價：HK$
57.3
|
| 編輯推薦： |
|
本书结构清晰，理论详细、深入，便于读者理解和使用算法。
|
| 內容簡介： |
|
本书将数学理论与实例相结合，这些实例以最*先进的通用机器学习框架为基础，由Python实现，向读者介绍更复杂的算法。全书共25章，包括机器学习模型基础、损失函数和正则化、半监督学习导论、高级半监督分类、基于图的半监督学习、聚类和无监督学习模型、高级聚类和无监督学习模型、面向营销的聚类和无监督学习模型、广义线性模型和回归、时序分析导论、贝叶斯网络和隐马尔可夫模型、最最大期望算法、成分分析和降维、赫布学习、集成学习基础、高级提升算法、神经网络建模、神经网络优化、深度卷积网络、循环神经网络、自编码器、生成对抗网络导论、深度置信网络、强化学习导论和高级策略估计算法。
|
| 關於作者： |
|
Giuseppe Bonaccorso 是位经验丰富的数据科学管理者，在机器学习、深度学习方面具备深厚的专业知识。2005 年获得意大利卡塔尼亚大学电子工程专业硕士学位后，Giuseppe 继续在意大利罗马第二大学和英国埃塞克斯大学从事MBA 研究工作。Giuseppe 的主要研究兴趣包括机器学习、深度学习、数据科学策略和医疗健康产业的数字化创新。
|
| 目錄：
|
|
目录前言第1 章 机器学习模型基础 11.1 模型和数据 11.2 机器学习模型的特性 211.2.1 可学习性 211.2.2 模型能力 221.2.3 估计器的偏差 251.2.4 估计器的方差 281.3 本章小结 32扩展阅读 32第2 章 损失函数和正则化 332.1 损失函数和代价函数的定义 332.2 正则化 392.3 本章小结 46扩展阅读 46第3 章 半监督学习导论 473.1 半监督学习场景 473.1.1 因果场景 483.1.2 直推学习 493.1.3 归纳学习 503.1.4 半监督假设 503.2 生成式高斯混合 543.2.1 生成式高斯混合理论 543.2.2 生成式高斯混合模型实例 563.2.3 生成式高斯混合小结 623.3 自训练算法 643.3.1 自训练理论 643.3.2 鸢尾属植物数据集的自训练实例 663.3.3 自训练小结 693.4 协同训练算法 703.4.1 协同训练理论 703.4.2 葡萄酒数据集的协同训练实例 713.4.3 协同训练小结 763.5 本章小结 76扩展阅读 · 76第4 章 高级半监督分类 · 784.1 对比悲观似然估计 784.1.1 对比悲观似然估计理论 794.1.2 对比悲观似然估计实例 804.1.3 对比悲观似然估计小结 844.2 半监督支持向量机（S3VM） · 844.2.1 S3VM 理论 844.2.2 S3VM 实例 874.2.3 S3VM 小结 934.3 直推支持向量机（TSVM） · 934.3.1 TSVM 理论 944.3.2 TSVM 实例 944.3.3 TSVM 小结 ·1024.4 本章小结 103扩展阅读 103第5 章 基于图的半监督学习 1055.1 标签传播算法 1055.1.1 标签传播算法实例 ·1085.1.2 scikit-learn 的标签传播算法 1125.2 标签扩散算法 1145.2.1 标签扩散算法实例 · 1165.2.2 拉普拉斯矩阵正则化提升平滑度 · 1175.3 基于马尔可夫随机游走的标签传播算法 1215.4 流形学习 1265.4.1 等距特征映射流形学习算法 ·1265.4.2 局部线性嵌入算法 · 1295.4.3 拉普拉斯谱嵌入算法 · 1315.4.4 t-SNE 1335.5 本章小结 137扩展阅读 137第6 章 聚类和无监督学习模型 1396.1 k 最近邻（KNN）算法 1396.1.1 k ? d 树 1436.1.2 球树 · 1436.1.3 KNN 模型的拟合 1446.1.4 scikit-learn 的KNN 实例 1456.2 k 均值 1476.2.1 k 均值++方法 · 1506.2.2 scikit-learn 的k 均值算法实例 1516.3 评估指标 1546.3.1 一致性评分 · 1556.3.2 完整性评分 · 1556.3.3 调整兰德指数（相似性） · 1566.3.4 轮廓系数 · 1576.4 本章小结 160扩展阅读 161第7 章 高级聚类和无监督学习模型 1627.1 模糊c 均值 1627.2 谱聚类 1687.3 DBSCAN 1747.3.1 scikit-learn 的DBSCAN 实例 1777.3.2 DBSCAN 结果的分析 1807.4 本章小结 183扩展阅读 184第8 章 面向营销的聚类和无监督学习模型 1858.1 双聚类 1858.2 利用Apriori 算法的购物篮分析 1908.3 本章小结 195扩展阅读 195第9 章 广义线性模型和回归 1979.1 广义线性模型 1979.1.1 最小二乘估计 ·1989.1.2 最小二乘估计的偏差和方差 ·2019.1.3 Python 实现的线性回归实例 ·2019.1.4 利用Statsmodels 计算线性回归的置信区间 ·2049.1.5 利用胡贝尔损失（Huber loss）提高应对异值点的鲁棒性 ·2079.2 其他回归方法 2099.2.1 岭回归 ·2109.2.2 采用Lasso 回归和逻辑回归的风险建模 2149.2.3 多项式回归 ·2199.2.4 保序回归 ·2269.3 本章小结 228扩展阅读 229第10 章 时序分析导论 · 23010.1 时间序列 · 23010.2 时序的线性模型 · 23310.2.1 自相关 23410.2.2 AR、MA 和ARMA 过程 ·23610.3 本章小结 · 242扩展阅读 243第11 章 贝叶斯网络和隐马尔可夫模型 · 24411.1 条件概率与贝叶斯定理 · 24411.2 贝叶斯网络 · 24811.2.1 从贝叶斯网络中采样 24811.2.2 PyMC3 采样 25711.2.3 PyStan 采样 26411.3 隐马尔可夫模型 · 26911.3.1 前向 ? 后向算法 27011.3.2 维特比算法 27611.4 本章小结 · 280扩展阅读 281第12 章 最大期望算法 · 28212.1 MLE 和MAP 学习 28212.2 最大期望算法 28412.2.1 凸函数与詹森不等式 28512.2.2 詹森不等式在最大期望算法中的应用 28712.2.3 参数估计示例 28812.3 高斯混合模型 29112.3.1 利用scikit-learn 的高斯混合示例 29312.3.2 利用AIC 和BIC 确定最佳的高斯分布数量 · 29612.3.3 利用贝叶斯高斯混合的自动分布选择 29812.4 本章小结 300扩展阅读 300第13 章 成分分析和降维 · 30113.1 因子分析 30113.1.1 线性关系分析 30213.1.2 利用scikit-learn 的因子分析示例 30413.2 主成分分析 30813.2.1 成分重要性评价 30913.2.2 利用scikit-learn 的PCA 示例 · 31213.2.3 核PCA 31313.2.4 稀疏PCA 31613.3 独立成分分析 31813.4 隐马尔可夫模型的补充知识 32213.5 本章小结 322扩展阅读 323第14 章 赫布学习 · 32414.1 赫布法则 32414.1.1 协方差法则分析 32914.1.2 权重向量稳定化与奥佳法则 33214.2 桑格网络 33314.3 鲁布纳 ? 塔万网络（Rubner-Tavan’s network） · 33914.4 自组织映射 34414.4.1 科霍宁映射 34614.4.2 自组织映射示例 34814.5 本章小结 · 352扩展阅读 352第15 章 集成学习基础 · 35415.1 集成学习基础 · 35415.2 随机森林 · 35615.2.1 随机森林基础 35615.2.2 使用决策树的原因 35815.2.3 随机森林与偏差 ? 方差权衡 35915.2.4 scikit learn 的随机森林示例 ·36115.3 AdaBoost · 36715.3.1 AdaBoost.SAMME 37115.3.2 AdaBoost.SAMME.R 37215.3.3 AdaBoost.R2 ·37415.3.4 利用scikit learn 的AdaBoost 实例 37715.4 本章小结 · 382扩展阅读 382第16 章 高级提升算法 · 38316.1 梯度提升 · 38316.1.1 梯度提升的损失函数 38616.1.2 利用scikit-learn 的梯度树提升示例 38716.1.3 利用XGBoost 的梯度提升示例 39016.2 投票分类器集成 · 39516.3 集成学习作为模型选择 · 39916.4 本章小结 · 400扩展阅读 401第17 章 神经网络建模 · 40217.1 基本的人工神经元 · 40217.2 感知机 · 40317.3 多层感知机 · 40917.4 反向传播算法 · 41317.4.1 随机梯度下降（SGD） 41517.4.2 权重初始化 41717.4.3 利用TensorFlow 和Keras 的多层感知机示例 41917.5 本章小结 423扩展阅读 423第18 章 神经网络优化 · 42518.1 优化算法 42518.1.1 梯度摄动 42718.1.2 动量（momentum）和涅斯捷罗夫动量（Nesterov momentum） 42718.1.3 RMSProp 自适应算法 42918.1.4 Adam 算法 43018.1.5 AdaGrad 算法 43118.1.6 AdaDelta 算法 43218.2 正则化和暂弃 43418.2.1 正则化 43418.2.2 暂弃（dropout） 43618.3 批量归一化 44218.4 本章小结 446扩展阅读 446第19 章 深度卷积网络 · 44819.1 深度卷积网络 44819.2 卷积算子 44919.2.1 二维离散卷积 45119.2.2 空洞卷积 45519.2.3 可分离卷积 45619.2.4 转置卷积 45719.3 池化层 45719.4 TensorFlow 和Keras 的深度卷积网络算法示例 46119.5 本章小结 471扩展阅读 472第20 章 循环神经网络 · 47320.1 循环网络 47320.1.1 时间反向传播 47420.1.2 BPTT 的局限 47520.2 长短期记忆 47620.2.1 门控循环单元（GRU） 48020.2.2 利用TensorFlow 和Keras 的LSTM 示例 48220.3 迁移学习 · 48720.4 本章小结 · 489扩展阅读 489第21 章 自编码器 · 49121.1 自编码器 · 49121.2 去噪自编码器 · 50021.3 稀疏自编码器 · 50221.4 变分自编码器 · 50721.5 本章小结 · 514扩展阅读 515第22 章 生成对抗网络导论 · 51622.1 对抗训练 · 51622.2 深度卷积生成对抗网络 · 51922.2.1 利用TensorFlow 的DCGAN 示例 51922.2.2 模式崩溃 52622.3 瓦萨斯坦恩生成对抗网络· 52822.4 本章小结 · 535扩展阅读 536第23 章 深度置信网络 · 53723.1 马尔可夫随机场简介 · 53723.2 受限玻尔兹曼机 · 53923.3 深度置信网络 · 54223.3.1 Python 实现的无监督深度置信网络示例 54423.3.2 Python 实现的监督DBN 示例 ·54623.4 本章小结 · 549扩展阅读 550第24 章 强化学习导论 · 55124.1 强化学习的基本概念 · 55124.1.1 马尔可夫决策过程 55224.1.2 环境 55324.1.3 策略 55624.2 策略迭代 55724.3 值迭代 56524.4 TD(0)算法 57124.5 本章小结 579扩展阅读 580第25 章 高级策略估计算法 · 58125.1 TD(λ)算法 58125.1.1 更复杂棋盘环境的TD(λ)应用 58525.1.2 棋盘格环境中的玩家 ? 评委TD(0)示例 · 59325.2 SARSA 算法 59925.3 Q 学习 60525.3.1 棋盘环境中的Q 学习示例 60625.3.2 用神经网络建立策略模型的Q 学习示例 60925.4 基于策略梯度的直接策略搜索 62025.5 本章小结 627扩展阅读 627后记 629
|
|
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
