機器學習入門之道

定　價：￥59.00

作　者：	[日] 中井悅司著，姚待艷譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115479341	出版時間：	2018-05-01	包裝：	平裝
開本：	小16開	頁數(shù)：	201	字數(shù)：

內容簡介

　　人工智能正在形成一股新的浪潮，它將從技術、經(jīng)濟、社會等各個層面改變我們的工作和生活方式。作為實現(xiàn)人工智能的重要技術，機器學習正在受到人工智能專家之外的更廣泛人群的關注，想要了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(yè)應用”這個主題，從數(shù)學原理上解釋了機器學習的一些基礎算法，如*小二乘法、*優(yōu)推斷法、感知器、Logistic回歸、K均值算法、EM算法、貝葉斯推斷等。全書的主旨在于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么樣的思維方式，以及如何進行計算，為讀者探索更加復雜的深度學習領域或神經(jīng)網(wǎng)絡算法打下堅實的基礎。

作者簡介

　　1971年4月生于日本大阪市?，F(xiàn)為Linux工程師，任職于知名的Linux發(fā)行商Red Hat，主要致力于推動Linux/OSS在企業(yè)系統(tǒng)中的應用。從基于Linux/OSS的企業(yè)應用開發(fā)，到10000余臺Linux服務器的運維，再到私有云的設計和構建，他通過各種各樣的項目掌握了豐富的Linux編程經(jīng)驗，并積極地將自己的經(jīng)驗傳授給年輕的程序員們。著作有《Linux系統(tǒng)網(wǎng)絡管理技術》《Linux系統(tǒng)架構和應用技巧》等。

圖書目錄

第 1章數(shù)據(jù)科學和機器學習\t1
1．1　數(shù)據(jù)科學在商業(yè)領域中的作用　2
1．2　機器學習算法的分類　8
1．2．1　分類：產(chǎn)生類判定的算法　8
1．2．2　回歸分析：預測數(shù)值的算法　9
1．2．3　聚類分析：對數(shù)據(jù)進行無監(jiān)督群組化的算法　10
1．2．4　其他算法　12
1．3　本書使用的例題　13
1．3．1　基于回歸分析的觀測值推斷　13
1．3．2　基于線性判別的新數(shù)據(jù)分類　17
1．3．3　圖像文件的褪色處理（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(shù)據(jù)分析工具　21
1．4．2　運行環(huán)境設置步驟（以CentOS 6為例）　22
1．4．3　運行環(huán)境設置步驟（以Mac OS X為例）　25
1．4．4　運行環(huán)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　基于近似多項式和最小二乘法的推斷　36
2．1．1　訓練集的特征變量和目標變量　36
2．1．2　近似多項式和誤差函數(shù)的設置　38
2．1．3　誤差函數(shù)最小化條件　39
2．1．4　示例代碼的確認　42
2．1．5　統(tǒng)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　基于交叉檢查的泛化能力驗證　52
2．2．4　基于數(shù)據(jù)的過度擬合變化　54
2．3　附錄：Hessian矩陣的特性　56
第3章　最優(yōu)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(shù)據(jù)的產(chǎn)生概率”設置　60
3．1．2　基于似然函數(shù)的參數(shù)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(tài)分布的參數(shù)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：分類算法的基礎　89
4．1　概率梯度下降法的算法　91
4．1．1　分割平面的直線方程　91
4．1．2　基于誤差函數(shù)的分類結果評價　93
4．1．3　基于梯度的參數(shù)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(yōu)推斷法　108
5．1．1　數(shù)據(jù)發(fā)生概率的設置　108
5．1．2　基于最優(yōu)推斷法的參數(shù)確定　112
5．1．3　示例代碼的確認　114
5．2　基于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　基于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均值算法：無監(jiān)督學習模型的基礎　133
6．1　基于K均值算法的聚類分析和應用實例　134
6．1．1　無監(jiān)督學習模型類聚類分析　134
6．1．2　基于K均值算法的聚類分析　135
6．1．3　在圖像數(shù)據(jù)方面的應用　138
6．1．4　示例代碼的確認　141
6．1．5　K均值算法的數(shù)學依據(jù)　143
6．2　“懶惰”學習模型K近鄰法　146
6．2．1　基于K近鄰法的分類　146
6．2．2　K近鄰法的問題　148
第7章　EM算法：基于最優(yōu)推斷法的監(jiān)督學習　151
7．1　使用伯努利分布的最優(yōu)推斷法　152
7．1．1　手寫文字的合成方法　153
7．1．2　基于圖像生成器的最優(yōu)推斷法應用　154
7．2　使用混合分布的最優(yōu)推斷法　157
7．2．1　基于混合分布的概率計算　157
7．2．2　EM算法的過程　158
7．2．3　示例代碼的確認　161
7．2．4　基于聚類分析的探索性數(shù)據(jù)解析　165
7．3　附錄：手寫文字數(shù)據(jù)的采集方法　167
第8章　貝葉斯推斷：以數(shù)據(jù)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(tài)分布：推斷參數(shù)　178
8．1．4　使用貝葉斯推斷確定正態(tài)分布：推斷觀測值分布　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(shù)后期分布的計算　190
8．2．2　觀測值分布的推斷　194
8．2．3　示例代碼的確認　195
8．3　附錄：最優(yōu)推斷法和貝葉斯推斷的關系　198
后記　201