總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
 
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
 
機器學習入門之道
 作  者: (日)中井悅司
 出版單位: 人民郵電
 出版日期: 2018.05
 進貨日期: 2018/6/13
 ISBN: 9787115479341
 開  本: 16 開    
 定  價: 443
 售  價: 354
  卡 友 價 : 325
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

寫給IT工程師看的機器學習入門書
緊緊圍繞“機器學習的商業應用”這個主題,從數學原理上解釋機器學習的一些基礎演算法,如最小二乘法、最優推斷法、感知器、Logistic回歸、K均值演算法、EM演算法、貝葉斯推斷等。
幫助讀者理解機器學習的本質,著眼於教會讀者使用什麼樣的思維方式,以及如何進行計算,為讀者探索更加複雜的深度學習領域或神經網路演算法打下堅實的基礎。
第 1章 數據科學和機器學習
第 2章 最小二乘法:機器學習理論第一步
第3章 最優推斷法:使用概率的推斷理論
第4章 感知器:分類演算法的基礎
第5章 Logistic回歸和ROC曲線:學習模型的評價方法
第6章 K均值演算法:無監督學習模型的基礎
第7章 EM演算法:基於最優推斷法的監督學習
第8章 貝葉斯推斷:以數據為基礎提高置信度的手法


內容簡介:

人工智慧正在形成一股新的浪潮,它將從技術、經濟、社會等各個層面改變我們的工作和生活方式。作為實現人工智慧的重要技術,機器學習正在受到人工智慧專家之外的更廣泛人群的關注,想要瞭解機器學習相關知識和技術的人日益增多。
本書緊緊圍繞“機器學習的商業應用”這個主題,從數學原理上解釋了機器學習的一些基礎演算法,如最小二乘法、最優推斷法、感知器、Logistic回歸、K均值演算法、EM演算法、貝葉斯推斷等。全書的主旨在於幫助讀者理解機器學習的本質,因此作者介紹具體的例題時,基本的著眼點是教會讀者使用什麼樣的思維方式,以及如何進行計算,為讀者探索更加複雜的深度學習領域或神經網路演算法打下堅實的基礎。


作者簡介:

1971年4月生於日本大阪市。現為Linux工程師,任職於知名的Linux發行商Red Hat,主要致力於推動Linux/OSS在企業系統中的應用。從基於Linux/OSS的企業應用開發,到10000餘臺Linux伺服器的運維,再到私有雲的設計和構建,他通過各種各樣的專案掌握了豐富的Linux編程經驗,並積極地將自己的經驗傳授給年輕的程式員們。著作有《Linux系統網路管理技術》《Linux系統架構和應用技巧》等。


圖書目錄:

第 1章 數據科學和機器學習 1
1.1 數據科學在商業領域中的作用 2
1.2 機器學習演算法的分類 8
1.2.1 分類:產生類判定的演算法 8
1.2.2 回歸分析:預測數值的演算法 9
1.2.3 聚類分析:對數據進行無監督群組化的演算法 10
1.2.4 其他演算法 12
1.3 本書使用的例題 13
1.3.1 基於回歸分析的觀測值推斷 13
1.3.2 基於線性判別的新數據分類 17
1.3.3 圖像檔的褪色處理(提取代表色) 18
1.3.4 識別手寫文字 19
1.4 分析工具的準備 20
1.4.1 本書使用的數據分析工具 21
1.4.2 運行環境設置步驟(以CentOS 6為例) 22
1.4.3 運行環境設置步驟(以Mac OS X為例) 25
1.4.4 運行環境設置步驟(以Windows 7/8.1為例) 27
1.4.5 IPython的使用方法 30

第 2章 最小二乘法:機器學習理論第 一步 35
2.1 基於近似多項式和最小二乘法的推斷 36
2.1.1 訓練集的特徵變數和目標變數 36
2.1.2 近似多項式和誤差函數的設置 38
2.1.3 誤差函數最小化條件 39
2.1.4 示例代碼的確認 42
2.1.5 統計模型的最小二乘法 46
2.2 過度擬合檢出 49
2.2.1 訓練集和測試集 49
2.2.2 測試集的驗證結果 50
2.2.3 基於交叉檢查的泛化能力驗證 52
2.2.4 基於數據的過度擬合變化 54
2.3 附錄:Hessian矩陣的特性 56

第3章 最優推斷法:使用概率的推斷理論 59
3.1 概率模型的利用 60
3.1.1 “數據的產生概率”設置 60
3.1.2 基於似然函數的參數評價 65
3.1.3 示例代碼的確認 69
3.2 使用簡化示例的解釋說明 73
3.2.1 正態分佈的參數模型 74
3.2.2 示例代碼的確認 76
3.2.3 推斷量的評價方法(一致性和無偏性) 78
3.3 附錄:樣本均值及樣本方差一致性和無偏性的證明 80
3.3.1 樣本均值及樣本方差一致性和無偏性的證明 81
3.3.2 示例代碼的確認 85

第4章 感知器:分類演算法的基礎 89
4.1 概率梯度下降法的演算法 91
4.1.1 分割平面的直線方程 91
4.1.2 基於誤差函數的分類結果評價 93
4.1.3 基於梯度的參數修正 95
4.1.4 示例代碼的確認 99
4.2 感知器的幾何學解釋 100
4.2.1 對角項的任意性和演算法的收斂速度 101
4.2.2 感知器的幾何學解釋 103
4.2.3 對角項的幾何學意義 104

第5章 Logistic回歸和ROC曲線:學習模型的評價方法 107
5.1 對分類問題應用最優推斷法 108
5.1.1 數據發生概率的設置 108
5.1.2 基於最優推斷法的參數確定 112
5.1.3 示例代碼的確認 114
5.2 基於ROC曲線的學習模型評價 117
5.2.1 Logistic回歸在實際問題中的應用 118
5.2.2 基於ROC曲線的性能評價 120
5.2.3 示例代碼的確認 123
5.3 附錄:IRLS法的推導 126

第6章 K均值演算法:無監督學習模型的基礎 133
6.1 基於K均值演算法的聚類分析和應用實例 134
6.1.1 無監督學習模型類聚類分析 134
6.1.2 基於K均值演算法的聚類分析 135
6.1.3 在圖像數據方面的應用 138
6.1.4 示例代碼的確認 141
6.1.5 K均值演算法的數學依據 143
6.2 “懶惰”學習模型K近鄰法 146
6.2.1 基於K近鄰法的分類 146
6.2.2 K近鄰法的問題 148

第7章 EM演算法:基於最優推斷法的監督學習 151
7.1 使用伯努利分佈的最優推斷法 152
7.1.1 手寫文字的合成方法 153
7.1.2 基於圖像生成器的最優推斷法應用 154
7.2 使用混合分佈的最優推斷法 157
7.2.1 基於混合分佈的概率計算 157
7.2.2 EM演算法的過程 158
7.2.3 示例代碼的確認 161
7.2.4 基於聚類分析的探索性數據解析 165
7.3 附錄:手寫文字數據的採集方法 167

第8章 貝葉斯推斷:以數據為基礎提高置信度的手法 169
8.1 貝葉斯推斷模型和貝葉斯定理 170
8.1.1 貝葉斯推斷的思路 171
8.1.2 貝葉斯定理入門 172
8.1.3 使用貝葉斯推斷確定正態分佈:推斷參數 178
8.1.4 使用貝葉斯推斷確定正態分佈:推斷觀測值分佈 185
8.1.5 示例代碼的確認 188
8.2 貝葉斯推斷回歸分析的應用 190
8.2.1 參數後期分佈的計算 190
8.2.2 觀測值分佈的推斷 194
8.2.3 示例代碼的確認 195
8.3 附錄:最優推斷法和貝葉斯推斷的關係 198

後記 201

 
 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。
大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。
部分書籍附贈配件(如音頻mp3或dvd等)已無實體光碟提供,需以QR CODE 連結至出版社提供的網站註冊並通過驗證程序,方可下載使用。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。