新書推薦：
《
紫云村（史杰鹏笔下大唐小吏的生死逃亡，新历史主义小说见微之作，附赠5张与小说内容高度契合的宣纸彩插）
》
售價：NT$
449.0
《
现代吴语的研究（中华现代学术名著3）
》
售價：NT$
296.0
《
天下的当代性：世界秩序的实践与想象（新版）
》
售價：NT$
352.0
《
德国天才4：断裂与承续
》
售價：NT$
500.0
《
妈妈的情绪，决定孩子的未来
》
售價：NT$
194.0
《
推拿纲目
》
售價：NT$
1836.0
《
精致考古--山东大学实验室考古项目论文集（一）
》
售價：NT$
1112.0
《
从天下到世界——国际法与晚清中国的主权意识
》
售價：NT$
347.0
|
| 內容簡介： |
|
本书介绍学习深度学习的基础知识，了解机器学习流程：产生可交付模型的步骤，掌握进行预测，改进决策，并应用概率方法，以及通过分类和聚类对数据进行分组机器学习可以解决哪些问题。提出了一系列可以用来解决现实问题的算法，以及利用神经网络的深度学习技术。本书适合对于想要构建机器学习应用程序的专业人员。
|
| 關於作者： |
迪诺·埃斯波西托（Dino Esposito）在程序开发领域拥有超过25年的经验，14次被评为微软最有价值专家（MVP），撰写了20多本书，包括畅销书Microsoft .NET： Architecting Applications for the Enterprise，连续22年为《MSDN杂志》撰写专栏，并经常为微软及全球各类企业的程序开发人员做培训。目前担任BaxEnergy公司的数字战略师，专注于智慧城市和智慧能源等领域。
弗朗西斯科·埃斯波西托（Francesco Esposito） 软件和AI公司Youbiquitous的创始人，并且运营着一家小型投资公司。他在青少年时期就为iOS、Android和Windows Phone等平台开发了多款应用程序，目前专注于数学和数据科学，特别关注水和医疗保健领域。
|
| 目錄：
|
|
第一部分 机器学习基础第1章 人类是如何学习的3迈向思考型机器4机器推理的曙光4哥德尔不完备定理4计算机的形式化5迈向人类思想的形式化5人工智能学科的诞生6学习原理7什么是智能软件7神经元是如何工作的8大棒加胡萝卜法14应变能力15人工智能的形式16原始智能16专家系统16自治系统19人工情感的形式20小结22第2章 智能软件23应用人工智能23 软件智能的发展24 专家系统25通用人工智能27 无监督学习27 监督学习29小结32第3章 映射问题和算法33基本问题33 对象分类34 结果预测36 对象分组38更复杂的问题40 图像分类41 目标检测41 文本分析42自动机器学习42 AutoML平台概述42 AutoML模型构建器实战45小结48第4章 机器学习解决方案的一般步骤49数据收集50 组织中的数据驱动文化50 存储选项51数据准备52 提高数据质量53 清洗数据53 特征工程54 最终确定训练数据集56模型选择及训练58 算法速查表59 神经网络案例61 评估模型性能62模型部署64 选择合适的主机平台64 公开API65小结66第5章 数据因素67数据质量67 数据有效性68 数据收集69数据完整性70 完备性70 唯一性70 及时性71 准确性71 一致性71什么是数据科学家71 工作中的数据科学家72 数据科学家的工具箱73 数据科学家和软件开发人员73小结74第二部分 .NET中的机器学习第6章 .NET方式77为什么用不用Python78 为什么Python在机器学习中如此受欢迎78 Python机器学习库的分类80 基于Python模型的端到端解决方案82ML.NET简介83 在ML.NET中创建和使用模型84 学习环境的要素87小结91第7章 实现ML.NET管道93从数据开始93 探索数据集94 应用公共数据转换94 关于数据集的注意事项95训练步骤96 选择算法96 测量算法的实际值97 计划测试阶段97 指标预览98从客户端应用程序中预测价格99 获取模型文件99 设置ASP.NET应用程序99 预测出租车费用100 设计适当的用户界面102 质疑数据和解决问题的方法103小结103第8章 ML.NET任务和算法105ML.NET的整体框架105 涉及的类型和接口105 数据表示107 支持的目录109分类任务111 二进制分类111 多类分类116聚类任务122 准备工作数据122 训练模型123 评估模型124迁移学习126 建立图像分类器的步骤127 应用必要的数据转换127 模型的构建和训练129 关于迁移学习的补充说明131小结132第三部分 浅层学习基础第9章 机器学习的数学基础135统计数据135 均值136 众数138 中位数139偏差和方差141 方差142 偏差144数据表示145 五数概括法145 直方图146 散点图148 散点图矩阵148 以适当的比例绘制149小结150第10章 机器学习的度量151统计与机器学习151 机器学习的终极目标152 从统计模型到机器学习模型153机器学习模型的评价155 从数据集到预测155 测量模型的精度157为处理准备数据162 缩放162 标准化163 归一化163小结163第11章 进行简单预测：线性回归165问题165 用数据指导预测结果166 对关系做假设167线性算法169 总体思路169 确定代价函数170 普通的最小二乘算法171 梯度下降算法174 判断算法的好坏178改进解决方案178 多项式方法178 正则化179小结180第12章 进行复杂的预测和决策：决策树181问题181 什么是树182 机器学习中的树183 基于树的算法示例183基于树的算法的设计原理185 决策树与专家系统185 树算法的种类186分类树187 CART算法的工作原理187 ID3算法的工作原理191回归树194 算法的工作原理194 剪枝195小结196第13章 进行更好的决策：集成学习算法197问题197bagging技术198 随机森林算法198 算法步骤200 优点与缺点202boosting技术203 boosting的功能203 梯度boosting206 优点与缺点210小结210第14章 概率方法：朴素贝叶斯211贝叶斯统计快速入门211 贝叶斯概率简介212 基本符号212 贝叶斯定理214 一个实用的代码审查示例215贝叶斯统计在分类中的应用216 问题的初始表述217 简化的有效分子式217 贝叶斯分类器实践218朴素贝叶斯分类器219 通用算法219 多项式朴素贝叶斯220 伯努利朴素贝叶斯223 高斯朴素贝叶斯224朴素贝叶斯回归226 贝叶斯线性回归的基础226 贝叶斯线性回归的应用228小结228第15章 对数据进行分组：分类与聚类229有监督分类的基本方法230 K–近邻算法230 算法步骤232 应用场景234支持向量机235 算法概述235 数学知识回顾239 算法步骤240无监督聚类245 应用案例：缩减数据集245 K–均值算法246 K–模型算法247 DBSCAN算法248小结251第四部分 深度学习基础第16章 前馈神经网络255神经网络简史255 McCulloch-Pitt神经元255 前馈网络256 更复杂的网络256人工神经元的类型257 感知机神经元257 逻辑神经元260训练神经网络263 整体学习策略263 反向传播算法264小结270第17章 神经网络的设计273神经网络概览273 激活函数274 隐层277 输出层281构建神经网络282 现成的框架282 你的第一个Keras神经网络284 神经网络与其他算法287小结289第18章 其他类型的神经网络291前馈神经网络的常见问题291递归神经网络292 有状态神经网络的结构292 LSTM神经网络295卷积神经网络298 图像分类与识别298 卷积层299 池化层301 全连接层303神经网络的进一步发展304 生成对抗神经网络304 自动编码器305小结307第19章 情感分析：端到端解决方案309为训练准备数据310 对问题进行形式化310 获取数据311 处理数据311 关于中间格式的注意事项313训练模型313 选择生态系统314 建立单词字典314 选择训练器315 网络的其他方面319客户端应用321 获取模型的输入321 从模型中预测322 将响应转化为可用信息323小结323第五部分 思考第20章 面向现实世界的AI云服务327Azure认知服务327Azure机器学习工作室329 Azure机器学习服务331 数据科学虚拟机333本地服务333 SQL Server机器学习服务333 机器学习服务器334微软数据处理服务334 Azure数据湖334 Azure Databricks334 Azure HDInsight335 用于Apache Spark的.NET335 Azure数据分享336 Azure数据工厂336小结336第21章 人工智能的商业愿景339工业界对AI的看法339 挖掘潜能339 AI可以为你做什么340 面临的挑战342端到端解决方案343 我们就叫它咨询吧344 软件和数据科学之间的界线344 敏捷AI346小结349Contents PART I LAYING THE GROUNDWORK OF MACHINE LEARNING Chapter 1 How Humans Learn 3 The Journey Toward Thinking Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 The Dawn of Mechanical Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Godel’s Incompleteness Theorems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Formalization of Computing Machines. . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Toward the Formalization of Human Thought . . . . . . . . . . . . . . . . . . . . . 5 The Birth of Artificial Intelligence as a Discipline . . . . . . . . . . . . . . . . . . . 6 The Biology of Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 What Is Intelligent Software, Anyway? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 How Neurons Work . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 8 The Carrot-and-Stick Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Adaptability to Changes . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 15 Artificial Forms of Intelligence . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 16 Primordial Intelligence . . . . . . . . . . . . . .
|
| 內容試閱：
|
|
我们需要这样的人，他能够梦想从未有过的事情，并且问自己为什么不能。—约翰·F. 肯尼迪在爱尔兰议会的演讲，1963年6月人们对如今的人工智能持有两种观点，而且这两种观点并不是截然对立的。一种是绝大多数媒体所宣扬和追求的观点，而另一种则是IT社区宣扬和追求的观点。在这两大阵营中，都有一些真正的专家和权威人士。媒体所宣扬的观点关注的是人工智能作为一个整体（无论是以已知还是未知的形式）可能对我们未来的生活产生的影响。IT社区（软件和数据科学家所属领域）所宣扬的观点认为，机器学习是新一代软件服务的基础，而新一代软件服务只是比现有服务更智能。在媒体触及的大众与小得多的IT社区之间的中间地带是云服务团队。云服务团队每天开展研究工作，使技术水平不断提高，并发布新的服务，以便潜在地为新的和现有的应用程序添加智能。位于人工智能金字塔底部的是经理和管理人员。一方面，他们渴望将从科技新闻中听到的那些令人惊叹的服务应用到业务中，以超越竞争对手；另一方面，在带着极大的希望开启项目后，随之而来的是数额惊人的账单。人工智能不是一根魔杖。人工智能不是按使用次数付费的服务。更糟糕的是，它既不是资本，也不是经营支出。人工智能只是一种软件。如果能从软件开发的角度来考虑—设置需求、找到可靠的合作伙伴、制定合理的预算、开展工作、在充分考虑敏捷性的前提下重新开始，那么，任何关于人工智能的商业决策都会更有效。可是，真的就那么简单吗？虽然人工智能与软件开发有关，但它与建立电子商务网站或预订平台并不完全一样。如果你不清楚要解决的问题、问题的背景和要表达的观点，就不要开始人工智能项目。不要以最接近的竞争者为唯一榜样来从事雄心勃勃的冒险项目。如果你还没准备好花一大笔钱，就不要开始这样的项目。你需要每次只解决一个痛点，构建一个跨功能的团队，并提供对数据的完全访问。谁应该阅读本书在准备本书的过程中，我们收到了很多关于章节结构及文字细节的反馈。我们至少对目录进行了三次大改。困难之处在于，我们写这本书的初衷是使其内容与众不同且具有创新性，追求的是一种与我们熟知的现实相去甚远的机器学习和软件开发理念。希望我们的愿景也是机器学习将来的愿景！在数据科学的范畴下，我们把机器学习看作交付给开发人员的组件，可嵌入某些Web服务或桌面应用程序中。这看起来仍然是瀑布式结构，公司和企业经常谈论的敏捷在哪里？敏捷机器学习意味着数据科学家和开发人员是在一起工作的，业务分析师和领域专家也会加入团队。同时为了方便数据访问和操作，数据利益相关者—无论是IT、DevOps还是其他什么—也会加入团队。这就是一个恰到好处的敏捷团队。我们看到了从数据科学到软件开发以及从软件开发到数据科学的技术融合（商业）需求。这本入门书籍对这两方面的读者都是有益的。在深入分析机器学习算法的原理之前，我们首先面向开发人员展开讨论，并展示ML.NET的实际运行情况（涉及使用Python和不使用Python两种情况）。我们还面向需要了解更多软件需求的数据科学家进行了讨论。如果你是一名软件开发人员，愿意将数据科学和机器学习技能添加到自己的技能库中，那么本书就是你的理想选择。如果你是一名数据科学家，愿意学习更多关于软件的知识，那么本书也是非常理想的选择。不过，这两类人都需要更多地了解对方的领域。这就是本书所下的“赌注”。我们将其归类为“入门级”，因为它注重内容的广度而不是深度。书中提供了.NET的例子，因为我们认为，尽管Python生态系统非常丰富和繁荣，但是没有理由不去寻找支持我们在更接近软件应用、软件服务和微服务的情况下进行机器学习的平台，最终可以使用任意的学习管道（包括TensorFlow、PyTorch及Python代码）。谁不应该阅读本书这是一本入门级的书，对基于ML.NET平台的机器学习进行了广泛但清晰、准确的概述。如果你正在寻找大量的Python示例，那么本书并不理想。如果你正在寻找能在解决方案中复制和粘贴的示例（无论是Python还是ML.NET），我们不确定这本书是否理想。如果你正在寻找算法背后的数学本质，或者一些算法实现的简单注释，这本书也不理想。（书中确实包含一些数学知识，但只是皮毛。）章节安排本书分为五个部分。第一部分简要介绍人工智能、智能软件的基础，以及机器学习项目在端到端解决方案中的基本实现步骤。第二部分重点介绍ML.NET库，概述其核心部分，比如在回归和分类等常见问题中完成数据处理、训练及评估等任务。第三部分涉及一系列算法的数学细节，这些算法通常被训练来解决现实生活中的问题，包括回归器、决策树、集成方法、贝叶斯分类器、支持向量机、K–均值、在线梯度。第四部分致力于研究神经网络，当浅层算法都不适用时，神经网络可能会发挥作用。第五部分是关于人工智能（特别是机器学习）的商业愿景，粗略地回顾了云平台（特别是Azure平台）为数据处理和计算提供的运行时服务。代码示例本书中演示的所有代码，包括可能的勘
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
