机器学习系统设计:Python语言实现

机器学习系统设计:Python语言实现
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: 译者 , (David Julian)
2017-06
版次: 1
ISBN: 9787111569459
定价: 59.00
装帧: 平装
开本: 其他
页数: 190页
正文语种: 简体中文
原版书名: Designing Machine Learning Systems with Python
分类: 教育
34人买过
  • 机器学习模型不能给出准确结果的原因有很多。从设计的角度来审视这些系统,我们能够深入理解其底层算法和可用的优化方法。本书为我们提供了机器学习设计过程的坚实基础,能够使我们为特定问题建立起定制的机器学习模型。我们可能已经了解或使用过一些为解决常见问题的商用机器学习模型,例如垃圾邮件检测或电影分级,但是要着手于解决更为复杂的问题,则其重点是让这些模型适用于我们自己特定的需求。
                                     作者:(美国)戴维·朱利安(David Julian) 译者:李洋

    戴维·朱利安(David Julian),数据分析员、信息系统咨询顾问和培训讲师。他目前正致力于Urban Ecological Systems和Blue Smart Farms的机器学习项目,该项目旨在发现和预测温室作物虫害。
                                     译者序
    前言
    第1章机器学习的思维1
    1.1人机界面1
    1.2设计原理4
    1.2.1问题的类型6
    1.2.2问题是否正确7
    1.2.3任务8
    1.2.4统一建模语言27
    1.3总结31
    第2章工具和技术32
    2.1Python与机器学习33
    2.2IPython控制台33
    2.3安装SciPy栈34
    2.4NumPy35
    2.4.1构造和变换数组38
    2.4.2数学运算39
    2.5Matplotlib41
    2.6Pandas45
    2.7SciPy47
    2.8Scikit—learn50
    2.9总结57
    第3章将数据变为信息58
    3.1什么是数据58
    3.2大数据59
    3.2.1大数据的挑战60
    3.2.2数据模型62
    3.2.3数据分布63
    3.2.4来自数据库的数据67
    3.2.5来自互联网的数据68
    3.2.6来自自然语言的数据70
    3.2.7来自图像的数据72
    3.2.8来自应用编程接口的数据72
    3.3信号74
    3.4数据清洗76
    3.5数据可视化78
    3.6总结80
    第4章模型—从信息中学习81
    4.1逻辑模型81
    4.1.1一般性排序83
    4.1.2解释空间84
    4.1.3覆盖空间86
    4.1.4PAC学习和计算复杂性87
    4.2树状模型88
    4.3规则模型92
    4.3.1有序列表方法94
    4.3.2基于集合的规则模型95
    4.4总结98
    第5章线性模型100
    5.1最小二乘法101
    5.1.1梯度下降102
    5.1.2正规方程法107
    5.2logistic回归109
    5.3多分类113
    5.4正则化115
    5.5总结117
    第6章神经网络119
    6.1神经网络入门119
    6.2logistic单元121
    6.3代价函数126
    6.4神经网络的实现128
    6.5梯度检验133
    6.6其他神经网络架构134
    6.7总结135
    第7章特征—算法眼中的世界136
    7.1特征的类型137
    7.1.1定量特征137
    7.1.2有序特征138
    7.1.3分类特征138
    7.2运算和统计139
    7.3结构化特征141
    7.4特征变换141
    7.4.1离散化143
    7.4.2归一化144
    7.4.3校准145
    7.5主成分分析149
    7.6总结151
    第8章集成学习152
    8.1集成学习的类型152
    8.2Bagging方法153
    8.2.1随机森林154
    8.2.2极端随机树155
    8.3Boosting方法159
    8.3.1AdaBoost161
    8.3.2梯度Boosting163
    8.4集成学习的策略165
    8.5总结168
    第9章设计策略和案例研究169
    9.1评价模型的表现169
    9.2模型的选择174
    9.3学习曲线176
    9.4现实世界中的案例研究178
    9.4.1建立一个推荐系统178
    9.4.2温室虫害探测185
    9.5机器学习一瞥188
    9.6总结190
  • 内容简介:
    机器学习模型不能给出准确结果的原因有很多。从设计的角度来审视这些系统,我们能够深入理解其底层算法和可用的优化方法。本书为我们提供了机器学习设计过程的坚实基础,能够使我们为特定问题建立起定制的机器学习模型。我们可能已经了解或使用过一些为解决常见问题的商用机器学习模型,例如垃圾邮件检测或电影分级,但是要着手于解决更为复杂的问题,则其重点是让这些模型适用于我们自己特定的需求。
  • 作者简介:

                                     作者:(美国)戴维·朱利安(David Julian) 译者:李洋

    戴维·朱利安(David Julian),数据分析员、信息系统咨询顾问和培训讲师。他目前正致力于Urban Ecological Systems和Blue Smart Farms的机器学习项目,该项目旨在发现和预测温室作物虫害。
  • 目录:

                                     译者序
    前言
    第1章机器学习的思维1
    1.1人机界面1
    1.2设计原理4
    1.2.1问题的类型6
    1.2.2问题是否正确7
    1.2.3任务8
    1.2.4统一建模语言27
    1.3总结31
    第2章工具和技术32
    2.1Python与机器学习33
    2.2IPython控制台33
    2.3安装SciPy栈34
    2.4NumPy35
    2.4.1构造和变换数组38
    2.4.2数学运算39
    2.5Matplotlib41
    2.6Pandas45
    2.7SciPy47
    2.8Scikit—learn50
    2.9总结57
    第3章将数据变为信息58
    3.1什么是数据58
    3.2大数据59
    3.2.1大数据的挑战60
    3.2.2数据模型62
    3.2.3数据分布63
    3.2.4来自数据库的数据67
    3.2.5来自互联网的数据68
    3.2.6来自自然语言的数据70
    3.2.7来自图像的数据72
    3.2.8来自应用编程接口的数据72
    3.3信号74
    3.4数据清洗76
    3.5数据可视化78
    3.6总结80
    第4章模型—从信息中学习81
    4.1逻辑模型81
    4.1.1一般性排序83
    4.1.2解释空间84
    4.1.3覆盖空间86
    4.1.4PAC学习和计算复杂性87
    4.2树状模型88
    4.3规则模型92
    4.3.1有序列表方法94
    4.3.2基于集合的规则模型95
    4.4总结98
    第5章线性模型100
    5.1最小二乘法101
    5.1.1梯度下降102
    5.1.2正规方程法107
    5.2logistic回归109
    5.3多分类113
    5.4正则化115
    5.5总结117
    第6章神经网络119
    6.1神经网络入门119
    6.2logistic单元121
    6.3代价函数126
    6.4神经网络的实现128
    6.5梯度检验133
    6.6其他神经网络架构134
    6.7总结135
    第7章特征—算法眼中的世界136
    7.1特征的类型137
    7.1.1定量特征137
    7.1.2有序特征138
    7.1.3分类特征138
    7.2运算和统计139
    7.3结构化特征141
    7.4特征变换141
    7.4.1离散化143
    7.4.2归一化144
    7.4.3校准145
    7.5主成分分析149
    7.6总结151
    第8章集成学习152
    8.1集成学习的类型152
    8.2Bagging方法153
    8.2.1随机森林154
    8.2.2极端随机树155
    8.3Boosting方法159
    8.3.1AdaBoost161
    8.3.2梯度Boosting163
    8.4集成学习的策略165
    8.5总结168
    第9章设计策略和案例研究169
    9.1评价模型的表现169
    9.2模型的选择174
    9.3学习曲线176
    9.4现实世界中的案例研究178
    9.4.1建立一个推荐系统178
    9.4.2温室虫害探测185
    9.5机器学习一瞥188
    9.6总结190
查看详情
12
系列丛书 / 更多
机器学习系统设计:Python语言实现
Python自然语言处理实战:核心技术与算法
涂铭、刘祥、刘树春 著
机器学习系统设计:Python语言实现
面向机器智能的TensorFlow实践
段菲、陈澎 译
机器学习系统设计:Python语言实现
机器人学基础 第2版
蔡自兴 著
机器学习系统设计:Python语言实现
智能科学技术导论
周昌乐 著
机器学习系统设计:Python语言实现
Java自然语言处理
[美]理查德·里斯(Richard、M、Reese 著;邹伟 孙逢举 译
机器学习系统设计:Python语言实现
Python大规模机器学习
[意]卢卡·马萨罗 著;[荷]巴斯蒂安·贾丁(Bastiaan Sjardin)、王贵财、刘春明 译
机器学习系统设计:Python语言实现
机器学习:使用OpenCV和Python进行智能图像处理
[美]迈克尔·贝耶勒(Michael Beyeler) 著;王磊 译
机器学习系统设计:Python语言实现
深度学习:Java语言实现
陈澎、王磊 译者;巣笼悠辅(Yusuke Sugomori)
机器学习系统设计:Python语言实现
神经网络:R语言实现
[美]朱塞佩·查博罗(Giuseppe Ciaburro) 著;李洪成 译
机器学习系统设计:Python语言实现
面向自然语言处理的深度学习:用Python创建神经网络
Pand 著;[印]帕拉什·戈雅尔(Palash Goyal)、苏米特·潘迪(Sumit、陶阳 张冬松 徐潇 译
机器学习系统设计:Python语言实现
Python3智能数据分析快速入门
李明江、张良均、周东平、张尚佳 著
机器学习系统设计:Python语言实现
Java机器学习
克里希纳·肖佩拉 著;[美]乌黛·卡马特(Dr.Uday Kamath)、陈瑶、陈峰、刘江一 译
相关图书 / 更多
机器学习系统设计:Python语言实现
机器视觉原理及应用教程
宋丽梅 朱新军 李云鹏 编著
机器学习系统设计:Python语言实现
机器视觉与传感器技术(第2版)(教材)
王瑞雪 著;王瑞雪 编;邵欣;田悦妍;邵欣;田悦妍
机器学习系统设计:Python语言实现
机器视觉技术:基础及实践
陈思遥 编著;陈兵旗;梁习卉子
机器学习系统设计:Python语言实现
机器学习:工业大数据分析
李彦夫
机器学习系统设计:Python语言实现
机器人工程基础
徐东 岳昊嵩
机器学习系统设计:Python语言实现
机器和生灵:人工智能、动物智慧与人类智识
[美]保罗·萨伽德(Paul;Thagard
机器学习系统设计:Python语言实现
机器人操作系统ROS原理及应用
牛杰 余正泓
机器学习系统设计:Python语言实现
机器人综合设计与实践
樊泽明
机器学习系统设计:Python语言实现
机器视觉与产品检测
宫海兰 著;王珺萩
机器学习系统设计:Python语言实现
机器人是怎样工作的(图解版)
[日]濑户文美
机器学习系统设计:Python语言实现
机器学习中的统计思维(Python实现)
董平
机器学习系统设计:Python语言实现
机器人焊接、激光加工与喷涂工艺及设备(应用型本科规划教材)
荆学东 编著