To love and to hold, till death do us apart.

作者: [美] 弗朗索瓦•肖莱 出版社: 人民邮电出版社 原作名: Deep Learning with Python 译者: 张亮 出版年: 2018-8 页数: 320 定价: 119.00元 装帧: 平装 丛书: 图灵程序设计丛书 ISBN: 9787115488763 内容简介 · · · · · · 本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。 目录 · · · · · · 第一部分　深度学习基础 第1章　什么是深度学习　　2 1.1　人工智能、机器学习与深度学习　　2 1.1.1　人工智能　　3 1.1.2　机器学习　　3 1.1.3　从数据中学习表示　　4 1.1.4　深度学习之“深度”　　6 1.1.5　用三张图理解深度学习的工作原理　　7 1.1.6　深度学习已经取得的进展　　9 1.1.7　不要相信短期炒作　　9 1.1.8　人工智能的未来　　10 1.2　深度学习之前：机器学习简史　　11 1.2.1　概率建模　　11 1.2.2　早期神经网络　　11 1.2.3　核方法　　12 1.2.4　决策树、随机森林与梯度提升机　　13 1.2.5　回到神经网络　　14 1.2.6　深度学习有何不同　　14 1.2.7　机器学习现状　　15 1.3　为什么是深度学习，为什么是现在　　15 1.3.1　硬件　　16 1.3.2　数据　　17 1.3.3　算法　　17 1.3.4　新的投资热潮　　17 1.3.5　深度学习的大众化　　18 1.3.6　这种趋势会持续吗　　18 第2章　神经网络的数学基础　　20 2.1　初识神经网络　　20 2.2　神经网络的数据表示　　23 2.2.1　标量（0D张量）　　23 2.2.2　向量（1D张量）　　24 2.2.3　矩阵（2D张量）　　24 2.2.4　3D张量与更高维张量　　24 2.2.5　关键属性　　25 2.2.6　在Numpy中操作张量　　26 2.2.7　数据批量的概念　　27 2.2.8　现实世界中的数据张量　　27 2.2.9　向量数据　　27 2.2.10　时间序列数据或序列数据　　28 2.2.11　图像数据　　28 2.2.12　视频数据　　29 2.3　神经网络的“齿轮”：张量运算　　29 2.3.1　逐元素运算　　30 2.3.2　广播　　31 2.3.3　张量点积　　32 2.3.4　张量变形　　34 2.3.5　张量运算的几何解释　　34 2.3.6　深度学习的几何解释　　35 2.4　神经网络的“引擎”：基于梯度的优化　　36 2.4.1　什么是导数　　37 2.4.2　张量运算的导数：梯度　　38 2.4.3　随机梯度下降　　38 2.4.4　链式求导：反向传播算法　　41 2.5　回顾第一个例子　　41 本章小结　　42 第3章　神经网络入门　　43 3.1　神经网络剖析　　43 3.1.1　层：深度学习的基础组件　　44 3.1.2　模型：层构成的网络　　45 3.1.3　损失函数与优化器：配置学习过程的关键　　45 3.2　Keras简介　　46 3.2.1　Keras、TensorFlow、Theano 和CNTK　　47 3.2.2　使用Keras 开发：概述　　48 3.3　建立深度学习工作站　　49 3.3.1　Jupyter笔记本：运行深度学习实验的首选方法　　49 3.3.2　运行Keras：两种选择　　50 3.3.3　在云端运行深度学习任务：优点和缺点　　50 3.3.4　深度学习的最佳GPU　　50 3.4　电影评论分类：二分类问题　　51 3.4.1　IMDB 数据集　　51 3.4.2　准备数据　　52 3.4.3　构建网络　　52 3.4.4　验证你的方法　　56 3.4.5　使用训练好的网络在新数据上生成预测结果　　59 3.4.6　进一步的实验　　59 3.4.7　小结　　59 3.5　新闻分类：多分类问题　　59 3.5.1　路透社数据集　　60 3.5.2　准备数据　　61 3.5.3　构建网络　　61 3.5.4　验证你的方法　　62 3.5.5　在新数据上生成预测结果　　65 3.5.6　处理标签和损失的另一种方法　　65 3.5.7　中间层维度足够大的重要性　　65 3.5.8　进一步的实验　　66 3.5.9　小结　　66 3.6　预测房价：回归问题　　66 3.6.1　波士顿房价数据集　　67 3.6.2　准备数据　　67 3.6.3　构建网络　　68 3.6.4　利用K折验证来验证你的方法　　68 3.6.5　小结　　72 本章小结　　73 第4章　机器学习基础　　74 4.1　机器学习的四个分支　　74 4.1.1　监督学习　　74 4.1.2　无监督学习　　75 4.1.3　自监督学习　　75 4.1.4　强化学习　　75 4.2　评估机器学习模型　　76 4.2.1　训练集、验证集和测试集　　77 4.2.2　评估模型的注意事项　　80 4.3　数据预处理、特征工程和特征学习　　80 4.3.1　神经网络的数据预处理　　80 4.3.2　特征工程　　81 4.4　过拟合与欠拟合　　83 4.4.1　减小网络大小　　83 4.4.2　添加权重正则化　　85 4.4.3　添加dropout正则化　　87 4.5　机器学习的通用工作流程　　89 4.5.1　定义问题，收集数据集　　89 4.5.2　选择衡量成功的指标　　89 4.5.3　确定评估方法　　90 4.5.4　准备数据　　90 4.5.5　开发比基准更好的模型　　90 4.5.6　扩大模型规模：开发过拟合的模型　　91 4.5.7　模型正则化与调节超参数　　92 本章小结　　92 第二部分　深度学习实践 第5章　深度学习用于计算机视觉　　94 5.1　卷积神经网络简介　　94 5.1.1　卷积运算　　96 5.1.2　最大池化运算　　101 5.2　在小型数据集上从头开始训练一个卷积神经网络　　102 5.2.1　深度学习与小数据问题的相关性　　103 5.2.2　下载数据　　103 5.2.3　构建网络　　106 5.2.4　数据预处理　　107 5.2.5　使用数据增强　　111 5.3　使用预训练的卷积神经网络　　115 5.3.1　特征提取　　116 5.3.2　微调模型　　124 5.3.3　小结　　130 5.4　卷积神经网络的可视化　　130 5.4.1　可视化中间激活　　131 5.4.2　可视化卷积神经网络的过滤器　　136 5.4.3　可视化类激活的热力图　　142 本章小结　　146 第6章　深度学习用于文本和序列　　147 6.1　处理文本数据　　147 6.1.1　单词和字符的one-hot编码　　149 6.1.2　使用词嵌入　　151 6.1.3　整合在一起：从原始文本到词嵌入　　155 6.1.4　小结　　162 6.2　理解循环神经网络　　162 6.2.1　Keras中的循环层　　164 6.2.2　理解LSTM层和GRU层　　168 6.2.3　Keras中一个LSTM的具体例子　　170 6.2.4　小结　　172 6.3　循环神经网络的高级用法　　172 6.3.1　温度预测问题　　172 6.3.2　准备数据　　175 6.3.3　一种基于常识的、非机器学习的基准方法　　177 6.3.4　一种基本的机器学习方法　　178 6.3.5　第一个循环网络基准　　180 6.3.6　使用循环dropout来降低过拟合　　181 6.3.7　循环层堆叠　　182 6.3.8　使用双向RNN　　184 6.3.9　更多尝试　　187 6.3.10　小结　　187 6.4　用卷积神经网络处理序列　　188 6.4.1　理解序列数据的一维卷积　　188 6.4.2　序列数据的一维池化　　189 6.4.3　实现一维卷积神经网络　　189 6.4.4　结合CNN和RNN来处理长序列　　191 6.4.5　小结　　195 本章总结　　195 第7章　高级的深度学习最佳实践　　196 7.1　不用Sequential模型的解决方案：Keras 函数式API　　196 7.1.1　函数式API简介　　199 7.1.2　多输入模型　　200 7.1.3　多输出模型　　202 7.1.4　层组成的有向无环图　　204 7.1.5　共享层权重　　208 7.1.6　将模型作为层　　208 7.1.7　小结　　209 7.2　使用Keras回调函数和TensorBoard来检查并监控深度学习模型　　210 7.2.1　训练过程中将回调函数作用于模型　　210 7.2.2　TensorBoard简介：TensorFlow的可视化框架　　212 7.2.3　小结　　219 7.3　让模型性能发挥到极致　　219 7.3.1　高级架构模式　　219 7.3.2　超参数优化　　222 7.3.3　模型集成　　223 7.3.4　小结　　224 本章总结　　225 第8章　生成式深度学习　　226 8.1　使用LSTM生成文本　　227 8.1.1　生成式循环网络简史　　227 8.1.2　如何生成序列数据　　228 8.1.3　采样策略的重要性　　229 8.1.4　实现字符级的LSTM文本生成　　230 8.1.5　小结　　234 8.2　DeepDream　　235 8.2.1　用Keras实现DeepDream　　236 8.2.2　小结　　241 8.3　神经风格迁移　　241 8.3.1　内容损失　　242 8.3.2　风格损失　　243 8.3.3　用Keras实现神经风格迁移　　243 8.3.4　小结　　249 8.4　用变分自编码器生成图像　　249 8.4.1　从图像的潜在空间中采样　　249 8.4.2　图像编辑的概念向量　　250 8.4.3　变分自编码器　　251 8.4.4　小结　　256 8.5　生成式对抗网络简介　　257 8.5.1　GAN 的简要实现流程　　258 8.5.2　大量技巧　　259 8.5.3　生成器　　260 8.5.4　判别器　　261 8.5.5　对抗网络　　261 8.5.6　如何训练DCGAN　　262 8.5.7　小结　　264 本章总结　　264 第9章　总结　　265 9.1　重点内容回顾　　265 9.1.1　人工智能的各种方法　　265 9.1.2　深度学习在机器学习领域中的特殊之处　　266 9.1.3　如何看待深度学习　　266 9.1.4　关键的推动技术　　267 9.1.5　机器学习的通用工作流程　　268 9.1.6　关键网络架构　　268 9.1.7　可能性空间　　272 9.2　深度学习的局限性　　273 9.2.1　将机器学习模型拟人化的风险　　273 9.2.2　局部泛化与极端泛化　　275 9.2.3　小结　　276 9.3　深度学习的未来　　277 9.3.1　模型即程序　　277 9.3.2　超越反向传播和可微层　　278 9.3.3　自动化机器学习　　279 9.3.4　终身学习与模块化子程序复用　　279 9.3.5　长期愿景　　281 9.4　了解一个快速发展领域的最新进展　　281 9.4.1　使用Kaggle练习解决现实世界的问题　　281 9.4.2　在arXiv阅读最新进展　　282 9.4.3　探索Keras生态系统　　282 9.5　结束语　　282 附录A　在Ubuntu上安装Keras及其依赖　　283 附录B　在EC2 GPU实例上运行Jupyter笔记本　　287

作者: [美] 史蒂芬·卢奇（Stephen Lucci） / [美]丹尼·科佩克（Danny Kopec） 出版社: 人民邮电出版社 译者: 林赐 出版年: 2018-8-1 页数: 560 定价: 108 装帧: 平装 ISBN: 9787115488435 内容简介 · · · · · · 作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。 本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。第一部分从人工智能的定义讲起，就人工智能的早期历史、思维和智能的内涵、图灵测试、启发法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，以及受到自然启发的搜索等。第四部分介绍了自然语言处理和自动规划等高级专题。第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。 本书系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。本书特色鲜明、内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。 目录 · · · · · · 第一部分引言 第　1章人工智能概述　2 1.0　引言　2 1.0.1　人工智能的定义　3 1.0.2　思维是什么？智能是什么？　3 1.1　图灵测试　5 1.1.1　图灵测试的定义　6 1.1.2　图灵测试的争议和批评　8 1.2　强人工智能与弱人工智能　9 1.3　启发法　11 1.3.1　长方体的对角线：解决一个相对简单但相关的 问题　11 1.3.2　水壶问题：向后倒推　12 1.4　识别适用人工智能来求解的问题　13 1.5　应用和方法　15 1.5.1　搜索算法和拼图　16 1.5.2　二人博弈　18 1.5.3　自动推理　18 1.5.4　产生式规则和专家系统　19 1.5.5　细胞自动机　20 1.5.6　神经计算　21 1.5.7　遗传算法　23 1.5.8　知识表示　23 1.5.9　不确定性推理　24 1.6　人工智能的早期历史　25 1.7　人工智能的近期历史到现在　29 1.7.1　博弈　29 1.7.2　专家系统　30 1.7.3　神经计算　31 1.7.4　进化计算　31 1.7.5　自然语言处理　32 1.7.6　生物信息学　34 1.8　新千年人工智能的发展　34 1.9　本章小结　36 第二部分　基础知识 第　2章盲目搜索　46 2.0　简介：智能系统中的搜索　46 2.1　状态空间图　47 2.2　生成与测试范式　49 2.2.1　回溯　50 2.2.2　贪婪算法　54 2.2.3　旅行销售员问题　56 2.3　盲目搜索算法　58 2.3.1　深度优先搜索　58 2.3.2　广度优先搜索　60 2.4　盲目搜索算法的实现和比较　63 2.4.1　实现深度优先搜索　63 2.4.2　实现广度优先搜索　65 2.4.3　问题求解性能的测量指标　65 2.4.4　DFS和BFS的比较　66 2.5　本章小结　68 第3章　知情搜索　74 3.0　引言　74 3.1　启发法　76 3.2　知情搜索（第一部分）——找到任何解　81 3.2.1　爬山法　81 3.2.2　最陡爬坡法　82 3.3　最佳优先搜索　84 3.4　集束搜索　87 3.5　搜索算法的其他指标　89 3.6　知情搜索（第二部分）——找到最佳解　90 3.6.1　分支定界法　90 3.6.2　使用低估值的分支定界法　95 3.6.3　采用动态规划的分支定界法　98 3.6.4　A*搜索　99 3.7　知情搜索（第三部分）—高级搜索算法　100 3.7.1　约束满足搜索　100 3.7.2　与或树　101 3.7.3　双向搜索　102 3.8　本章小结　104 第4章　博弈中的搜索　109 4.0　引言　109 4.1　博弈树和极小化极大评估　110 4.1.1　启发式评估　112 4.1.2　博弈树的极小化极大评估　112 4.2　具有α-剪枝的极小化极大算法　115 4.3　极小化极大算法的变体和改进　120 4.3.1　负极大值算法　120 4.3.2　渐进深化法　122 4.3.3　启发式续篇和地平线效应　122 4.4　概率游戏和预期极小化极大值算法　123 4.5　博弈理论　125 迭代的囚徒困境　126 4.6　本章小结　127 第5章　人工智能中的逻辑　133 5.0　引言　133 5.1　逻辑和表示　134 5.2　命题逻辑　135 5.2.1　命题逻辑—基础　136 5.2.2　命题逻辑中的论证　140 5.2.3　证明命题逻辑论证有效的第二种方法　141 5.3　谓词逻辑——简要介绍　143 5.3.1　谓词逻辑中的合一　144 5.3.2　谓词逻辑中的反演　146 5.3.3　将谓词表达式转换为子句形式　148 5.4　其他一些逻辑　151 5.4.1　二阶逻辑　151 5.4.2　非单调逻辑　152 5.4.3　模糊逻辑　152 5.4.4　模态逻辑　153 5.5　本章小结　153 第6章　知识表示　160 6.0　引言　160 6.1　图形草图和人类视窗　163 6.2　图和哥尼斯堡桥问题　166 6.3　搜索树　167 6.4　表示方法的选择　169 6.5　产生式系统　172 6.6　面向对象　172 6.7　框架法　173 6.8　脚本和概念依赖系统　176 6.9　语义网络　179 6.10　关联　181 6.11　新近的方法　182 6.11.1　概念地图　182 6.11.2　概念图　184 6.11.3　Baecker的工作　184 6.12　智能体：智能或其他　185 6.12.1　智能体的一些历史　188 6.12.2　当代智能体　189 6.12.3　语义网　191 6.12.4　IBM眼中的未来世界　191 6.12.5　作者的观点　192 6.13　本章小结　192 第7章　产生式系统　199 7.0　引言　199 7.1　背景　199 7.2　基本示例　202 7.3　CARBUYER系统　204 7.4　产生式系统和推导方法　208 7.4.1　冲突消解　211 7.4.2　正向链接　213 7.4.3　反向链接　214 7.5　产生式系统和细胞自动机　219 7.6　随机过程与马尔可夫链　221 7.7　本章小结　222 第三部分　基于知识的系统 第8章　人工智能中的不确定性　228 8.0　引言　228 8.1　模糊集　229 8.2　模糊逻辑　231 8.3　模糊推理　232 8.4　概率理论和不确定性　235 8.5　本章小结　239 第9章　专家系统　242 9.0　引言　242 9.1　背景　242 9.2　专家系统的特点　249 9.3　知识工程　250 9.4　知识获取　252 9.5　经典的专家系统　254 9.5.1　DENDRAL　254 9.5.2　MYCIN　255 9.5.3　EMYCIN　258 9.5.4　PROSPECTOR　259 9.5.5　模糊知识和贝叶斯规则　261 9.6　提高效率的方法　262 9.6.1　守护规则　262 9.6.2　Rete算法　263 9.7　基于案例的推理　264 9.8　更多最新的专家系统　269 9.8.1　改善就业匹配系统　269 9.8.2　振动故障诊断的专家系统　270 9.8.3　自动牙科识别　270 9.8.4　更多采用案例推理的专家系统　271 9.9　本章小结　271 第　10章机器学习第一部分　277 10.0　引言　277 10.1　机器学习：简要概述　277 10.2　机器学习系统中反馈的作用　279 10.3　归纳学习　280 10.4　利用决策树进行学习　282 10.5　适用于决策树的问题　283 10.6　熵　284 10.7　使用ID3构建决策树　285 10.8　其余问题　287 10.9　本章小结　288 第　11章机器学习第二部分：神经网络　291 11.0　引言　291 11.1　人工神经网络的研究　292 11.2　麦卡洛克-皮茨网络　294 11.3　感知器学习规则　295 11.4　增量规则　303 11.5　反向传播　308 11.6　实现关注点　313 11.6.1　模式分析　316 11.6.2　训练方法　317 11.7　离散型霍普菲尔德网络　318 11.8　应用领域　323 11.9　本章小结　330 第　12章受到自然启发的搜索　337 12.0　引言　337 12.1　模拟退火　338 12.2　遗传算法　341 12.3　遗传规划　349 12.4　禁忌搜索　353 12.5　蚂蚁聚居地优化　356 12.6　本章小结　359 第四部分　高级专题 第　13章自然语言处理　368 13.0　引言　368 13.1　概述：语言的问题和可能性　368 13.2　自然语言处理的历史　371 13.2.1　基础期（20世纪40年代和50年代）　371 13.2.2　符号与随机方法（1957—1970）　372 13.2.3　４种范式（1970—1983）　372 13.2.4　经验主义和有限状态模型（1983—1993）　373 13.2.5　大融合（1994—1999）　373 13.2.6　机器学习的兴起（2000—2008）　374 13.3　句法和形式语法　374 13.3.1　语法类型　374 13.3.2　句法解析：CYK算法　379 13.4　语义分析和扩展语法　380 13.4.1　转换语法　381 13.4.2　系统语法　381 13.4.3　格语法　382 13.4.4　语义语法　383 13.4.5　Schank系统　383 13.5　NLP中的统计方法　387 13.5.1　统计解析　387 13.5.2　机器翻译（回顾）和IBM的Candide系统　388 13.5.3　词义消歧　389 13.6　统计NLP的概率模型　390 13.6.1　隐马尔可夫模型　390 13.6.2　维特比算法　391 13.7　统计NLP语言数据集　392 13.7.1　宾夕法尼亚州树库项目　392 13.7.2　WordNet　394 13.7.3　NLP中的隐喻模型　394 13.8　应用：信息提取和问答系统　396 13.8.1　问答系统　396 13.8.2　信息提取　401 13.9　现在和未来的研究（基于CHARNIAK的工作）　401 13.10　语音理解　402 13.11　语音理解技术的应用　405 13.12　本章小结　410 第　14章自动规划　417 14.0　引言　417 14.1　规划问题　418 14.1.1　规划术语　418 14.1.2　规划应用示例　419 14.2　一段简短的历史和一个著名的问题　424 14.3　规划方法　426 14.3.1　规划即搜索　426 14.3.2　部分有序规划　430 14.3.3　分级规划　432 14.3.4　基于案例的规划　433 14.3.5　规划方法集锦　434 14.4　早期规划系统　435 14.4.1　STRIPS　435 14.4.2　NOAH　436 14.4.3　NONLIN　436 14.5　更多现代规划系统　437 14.5.1　O-PLAN　438 14.5.2　Graphplan　439 14.5.3　规划系统集锦　441 14.5.4　学习系统的规划方法　441 14.5.5　SCIBox自动规划器　442 14.6　本章小结　444 第五部分　现在和未来 第　15章机器人技术　452 15.0　引言　452 15.1　历史：服务人类、仿效人类、增强人类和替代人类　455 15.1.1　早期机械机器人　455 15.1.2　电影与文学中的机器人　458 15.1.3　20世纪早期的机器人　458 15.2　技术问题　464 15.2.1　机器人的组件　464 15.2.2　运动　467 15.2.3　点机器人的路径规划　468 15.2.4　移动机器人运动学　469 15.3　应用：21世纪的机器人　471 15.4　本章小结　479 第　16章高级计算机博弈　482 16.0　引言　482 16.1　跳棋：从塞缪尔到舍弗尔　483 16.1.1　在跳棋博弈中用于机器学习的启发式方法　486 16.1.2　填鸭式学习与概括　488 16.1.3　签名表评估和棋谱学习　489 16.1.4　含有奇诺克程序的世界跳棋锦标赛　490 16.1.5　彻底解决跳棋游戏　491 16.2　国际象棋：人工智能的“果蝇”　494 16.2.1　计算机国际象棋的历史背景　495 16.2.2　编程方法　496 16.2.3　超越地平线效应　505 16.2.4　DeepThought和DeepBlue与特级大师的比赛（1988—1995年）　505 16.3　计算机国际象棋对人工智能的贡献　507 16.3.1　在机器中的搜索　507 16.3.2　在搜索方面，人与机器的对比　508 16.3.3　启发式、知识和问题求解　509 16.3.4　蛮力：知识vs.搜索；表现vs.能力　510 16.3.5　残局数据库和并行计算　511 16.3.6　本书第一作者的贡献　514 16.4　其他博弈　514 16.4.1　奥赛罗　515 16.4.2　西洋双陆棋　516 16.4.3　桥牌　518 16.4.4　扑克　519 16.5　围棋：人工智能的“新果蝇”？　520 16.6　本章小结　523 第　17章大事记　532 17.0　引言　532 17.1　提纲挈领——概述　532 17.2　普罗米修斯归来　534 17.3　提纲挈领——介绍人工智能的成果　535 17.4　IBM的沃森-危险边缘挑战赛　539 17.5　21世纪的人工智能　543 17.6　本章小结　545 附录A　CLIPS示例：专家系统外壳　548 附录B　用于隐马尔可夫链的维特比算法的实现（由HarunIftikhar提供）　552 附录C　对计算机国际象棋的贡献：令人惊叹的WalterShawnBrowne　555 附录D　应用程序和数据　559 附录E　部分练习的答案　560

作者: [德]安德里亚斯·穆勒 / [美]莎拉·吉多 出版社: 人民邮电出版社 原作名: Introduction to Machine Learning with Python 译者: 张亮 出版年: 2018-1 页数: 300 定价: 79.00元 装帧: 平装 ISBN: 9787115475619 内容简介 · · · · · · 本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。 目录 · · · · · · 前言　　ix 第1章　引言　　1 1.1　为何选择机器学习　　1 1.1.1　机器学习能够解决的问题　　2 1.1.2　熟悉任务和数据　　4 1.2　为何选择Python　　4 1.3　scikit-learn　　4 1.4　必要的库和工具　　5 1.4.1　Jupyter Notebook　　6 1.4.2　NumPy　　6 1.4.3　SciPy　　6 1.4.4　matplotlib　　7 1.4.5　pandas　　8 1.4.6　mglearn　　9 1.5　Python 2与Python 3的对比　　9 1.6　本书用到的版本　　10 1.7　第一个应用：鸢尾花分类　　11 1.7.1　初识数据　　12 1.7.2　衡量模型是否成功：训练数据与测试数据　　14 1.7.3　要事第一：观察数据　　15 1.7.4　构建第一个模型：k近邻算法　　16 1.7.5　做出预测　　17 1.7.6　评估模型　　18 1.8　小结与展望　　19 第2章　监督学习　　21 2.1　分类与回归　　21 2.2　泛化、过拟合与欠拟合　　22 2.3　监督学习算法　　24 2.3.1　一些样本数据集　　25 2.3.2　k 近邻　　28 2.3.3　线性模型　　35 2.3.4　朴素贝叶斯分类器　　53 2.3.5　决策树　　54 2.3.6　决策树集成　　64 2.3.7　核支持向量机　　71 2.3.8　神经网络（深度学习）　　80 2.4　分类器的不确定度估计　　91 2.4.1　决策函数　　91 2.4.2　预测概率　　94 2.4.3　多分类问题的不确定度　　96 2.5　小结与展望　　98 第3章　无监督学习与预处理　　100 3.1　无监督学习的类型　　100 3.2　无监督学习的挑战　　101 3.3　预处理与缩放　　101 3.3.1　不同类型的预处理　　102 3.3.2　应用数据变换　　102 3.3.3　对训练数据和测试数据进行相同的缩放　　104 3.3.4　预处理对监督学习的作用　　106 3.4　降维、特征提取与流形学习　　107 3.4.1　主成分分析　　107 3.4.2　非负矩阵分解　　120 3.4.3　用t-SNE进行流形学习　　126 3.5　聚类　　130 3.5.1　k 均值聚类　　130 3.5.2　凝聚聚类　　140 3.5.3　DBSCAN　　143 3.5.4　聚类算法的对比与评估　　147 3.5.5　聚类方法小结　　159 3.6　小结与展望　　159 第4章　数据表示与特征工程　　161 4.1　分类变量　　161 4.1.1　One-Hot编码（虚拟变量）　　162 4.1.2　数字可以编码分类变量　　166 4.2　分箱、离散化、线性模型与树　　168 4.3　交互特征与多项式特征　　171 4.4　单变量非线性变换　　178 4.5　自动化特征选择　　181 4.5.1　单变量统计　　181 4.5.2　基于模型的特征选择　　183 4.5.3　迭代特征选择　　184 4.6　利用专家知识　　185 4.7　小结与展望　　192 第5章　模型评估与改进　　193 5.1　交叉验证　　194 5.1.1　scikit-learn中的交叉验证　　194 5.1.2　交叉验证的优点　　195 5.1.3　分层k 折交叉验证和其他策略　　196 5.2　网格搜索　　200 5.2.1　简单网格搜索　　201 5.2.2　参数过拟合的风险与验证集　　202 5.2.3　带交叉验证的网格搜索　　203 5.3　评估指标与评分　　213 5.3.1　牢记最终目标　　213 5.3.2　二分类指标　　214 5.3.3　多分类指标　　230 5.3.4　回归指标　　232 5.3.5　在模型选择中使用评估指标　　232 5.4　小结与展望　　234 第6章　算法链与管道　　236 6.1　用预处理进行参数选择　　237 6.2　构建管道　　238 6.3　在网格搜索中使用管道　　239 6.4　通用的管道接口　　242 6.4.1　用make_pipeline方便地创建管道　　243 6.4.2　访问步骤属性　　244 6.4.3　访问网格搜索管道中的属性　　244 6.5　网格搜索预处理步骤与模型参数　　246 6.6　网格搜索选择使用哪个模型　　248 6.7　小结与展望　　249 第7章　处理文本数据　　250 7.1　用字符串表示的数据类型　　250 7.2　示例应用：电影评论的情感分析　　252 7.3　将文本数据表示为词袋　　254 7.3.1　将词袋应用于玩具数据集　　255 7.3.2　将词袋应用于电影评论　　256 7.4　停用词　　259 7.5　用tf-idf缩放数据　　260 7.6　研究模型系数　　263 7.7　多个单词的词袋（n元分词）　　263 7.8　高级分词、词干提取与词形还原　　267 7.9　主题建模与文档聚类　　270 7.10　小结与展望　　277 第8章　全书总结　　278 8.1　处理机器学习问题　　278 8.2　从原型到生产　　279 8.3　测试生产系统　　280 8.4　构建你自己的估计器　　280 8.5　下一步怎么走　　281 8.5.1　理论　　281 8.5.2　其他机器学习框架和包　　281 8.5.3　排序、推荐系统与其他学习类型　　282 8.5.4　概率建模、推断与概率编程　　282 8.5.5　神经网络　　283 8.5.6　推广到更大的数据集　　283 8.5.7　磨练你的技术　　284 8.6　总结　　284 关于作者　　285 关于封面　　285

人工智能 （第二版） 中文PDF高清版 https://www.fageka.com/i/suSskM45550

543篇JAVA技术文章(txt打包)，涵盖java编程的各个方面，从J2ME到J2EE，有各种编程技术文章，值得一看。

java笔试题大集合及答案（另附各大公司笔试题）,对找工作的朋友很有帮助。

经典数据结构教程(C语言版)，写得很详细，并有大量例子。

Microsoft的编程精粹，编写优质无错C程序的秘诀，是C程序员必看书籍之一。

一共291页，里面有很详实的解释和例子，让你避开C语言中可能遇到的问题，对编程能力的提高很有帮助。

学习c++的50条忠告(初学者必看),至理明言

里面有很多文章，详细介绍了如何用C++来编写dll的方法和技巧，值得一看。

软件测试的相关问题与分析，值得一看

修练8年C++面向对象程序设计之体会，经典之作，读完理解之后，可以大大改善程序的质量。

C语言编程的要点，很实用，对编程大有裨益

学习指针不可少的好文章，看了以后，就不会再害怕指针了。

Unix和Linux下很出色的开源FTP的源代码

h323plus源代码