登入帳戶　 |　訂單查詢　 |　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
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入 新註冊 |　新用戶登記

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / EMS，時效：出貨後2-3日

新書推薦： 《 中国书法的历程 》 售價：NT$ 406.0 《 汉语修辞学（第四版）（中华当代学术著作辑要） 》 售價：NT$ 718.0 《 中国近代画报大系·中国近代画报史稿 》 售價：NT$ 822.0 《 思想地震：柄谷行人演讲集1995-2015（艺文志·日本思想） 》 售價：NT$ 302.0 《 大国人口 》 售價：NT$ 411.0 《 何以中国·君臣：宋代士大夫政治下的权力场 》 售價：NT$ 510.0 《 文明的故事（全11卷-2024版） 》 售價：NT$ 11898.0 《 中国汽车综合测评技术研究报告 （2024） 》 售價：NT$ 1040.0

建議一齊購買： + NT$ 774 《 Python深度学习 》 + NT$ 632 《 人工智能算法基础 唐宇迪等著 中国人工智能学会副理事长力荐教材 》 + NT$ 458 《 虚拟偶像AI实现 》 + NT$ 463 《 从零开始：数字图像处理的编程基础与应用 》 + NT$ 534 《 深度学习之PyTorch物体检测实战 》 + NT$ 342 《 人工智能——何时机器能掌控一切 》 編輯推薦： （1）以问题为导向，对基础理论知识点与算法演练进行详细讲解。 （2）实战案例丰富，涵盖15完整项目案例。 （3）代码详尽，避免对 API 的形式展示，规避重复代码。 （4）语言简明易懂，由浅入深带你学会 Python 以及机器学习常见算法。 （5）各个算法相对独立，数学原理相对容易理解。 內容簡介： 本书将基础理论和案例实战相结合，循序渐进地介绍了关于机器学习领域中的经典和流行算法，全面、系统地介绍了使用Python实现机器学习算法，并通过PyTorch框架实现机器学习算法中的深度学习内容。部分为基础篇，包括第1~8章，系统地介绍了机器学习基础、数据预处理、简单分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络与多层感知机； 第二部分为综合篇，包括第9~12章，介绍了CNN、RNN、GNN及GAN等经典深度学习方法及其在计算机视觉与自然语言处理领域中的应用实践； 第三部分为拓展篇，包括第13~15章，以百度飞桨和旷视天元为例介绍了具有代表性的国产开源框架及其应用案例，后简要介绍了国内外两个主流机器学习竞赛平台。 本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生及相关领域的科研人员。 關於作者： 刘袁缘，主要研究计算机视觉、跨模态情感计算、机器学习。CCF和IEEE会员，中国图像图形学会CSIG专委会委员，香港中文大学（深圳）客座副研究员。发表重要国际学术会议和期刊论文30余篇，出版学术专著2部，入选中国博士后优秀学术文库。先后主持国家面上基金和青年基金、武汉市科技局项目、航天基金预研项目。目前担任《Pattern recognition》、《Multimedia and tools application》、《IEEE Transactions on Automation Science and Engineering》、《 International Journal of Remote Sensing》、《IEEE Access》、FCS、《计算机学报》《测绘学报》等期刊和国际会议审稿人。 目錄： 部分基础篇 第1章机器学习基础 1.1机器学习概述 1.1.1机器学习任务 1.1.2重要概念 1.1.3性能评估 1.2编程语言与环境 1.2.1Python简介 1.2.2Python环境配置与安装 1.2.3Python机器学习编程库 1.2.4PyTorch框架 第2章数据预处理 2.1数据清洗 2.1.1缺失值处理 2.1.2离群值检测 2.2数据转换 2.2.1数字化 2.2.2离散化 2.2.3正规化 2.2.4数值转换 2.3数据压缩 2.3.1降维 2.3.2实例选择和采样 2.4应用案例： 基于PCA的数据降维 2.4.1数据集 2.4.2PCA降维 2.4.3案例结果及分析 第3章简单分类算法 3.1朴素贝叶斯分类算法 3.2KNN分类算法 3.2.1KNN算法实现原理 3.2.2KNN算法实现步骤 3.2.3KNN算法优缺点 3.3应用案例： KNN分类 3.3.1数据集 3.3.2构建KNN分类器 3.3.3案例结果及分析 第4章决策树 4.1决策树模型 4.2特征选择 4.2.1特征和数据划分 4.2.2划分标准 4.3决策树生成算法 4.3.1ID3决策树生成算法 4.3.2C4.5决策树生成算法 4.4CART算法 4.4.1决策树的剪枝 4.4.2CART生成算法 4.4.3CART剪枝算法 4.5应用案例： 基于决策树的鸢尾花图像分类 4.5.1数据集 4.5.2构建决策树 4.5.3案例结果及分析 第5章支持向量机 5.1支持向量机的基本原理 5.1.1线性可分 5.1.2间隔问题 5.1.3支持向量 5.2常用核函数 5.2.1线性核函数 5.2.2高斯核函数 5.2.3多项式核函数 5.3应用案例： 基于SVM的异或数据集划分 5.3.1数据集及数据预处理 5.3.2构建SVM分类器 5.3.3案例结果及分析 第6章回归分析 6.1线性回归 6.1.1简单线性回归 6.1.2多元线性回归 6.2多项式回归 6.3正则化回归 6.3.1岭回归 6.3.2小收缩与选择算子 6.3.3弹性网络 6.4随机森林回归 6.5回归模型的性能评估 6.6回归模型的实现 6.6.1线性回归实现 6.6.2多项式回归实现 6.6.3正则化回归实现 6.6.4随机森林回归实现 6.7应用案例： 基于随机森林的房价预测 6.7.1数据集 6.7.2数据预处理 6.7.3随机森林回归模型建立 6.7.4案例结果及分析 第7章聚类分析 7.1聚类概述 7.1.1性能度量 7.1.2距离计算 7.2Kmeans算法 7.3层次聚类 7.4密度聚类 7.4.1DBSCAN相关概念 7.4.2DBSCAN算法流程 7.5应用案例 7.5.1Kmeans应用案例 7.5.2层次聚类应用案例 7.5.3DBSCAN应用案例 第8章神经网络与多层感知机 8.1神经元模型 8.2感知机原理及结构 8.2.1单层感知机 8.2.2多层感知机 8.2.3反向传播算法 8.3应用案例： 基于多层感知机的手写数字识别 8.3.1数据集及数据预处理 8.3.2三层感知机构建 8.3.3案例结果及分析 第二部分综合篇 第9章基于CNN的图像识别 9.1CNN的基本组成 9.1.1卷积运算基本过程 9.1.2多通道卷积 9.1.3池化 9.2CNN模型简介 9.3基于PyTorch构建CNN 9.4应用案例： 基于CNN的人脸性别识别 9.4.1数据集 9.4.2数据预处理 9.4.3搭建卷积神经网络 9.4.4案例结果及分析 第10章基于RNN的序列数据分类 10.1面向序列数据的机器学习 10.1.1RNN相关背景知识 10.1.2序列数据 10.1.3序列数据与建模 10.2RNN的常用网络结构 10.2.1基本结构 10.2.2简单循环网络模型 10.2.3门控算法模型 10.3基于PyTorch构建LSTM 10.4应用案例： 基于LSTM的文本分类 10.4.1数据准备 10.4.2模型构建和实现 10.4.3训练模型 10.4.4测试模型 第11章基于GNN的文本分类 11.1GNN基础 11.1.1GNN模型简介 11.1.2GCN模型简介 11.2GCN构建 11.2.1代码层次结构 11.2.2代码实现 11.3应用案例： 基于GCN的文本分类 11.3.1TextGCN介绍 11.3.2基于TextGCN的文本分类 11.3.3案例结果及分析 第12章基于GAN的图像生成 12.1GAN概述 12.1.1自编码器 12.1.2生成模型 12.1.3GAN基本原理 12.1.4GAN模型结构 12.1.5GAN的两种目标函数 12.1.6GAN的训练 12.2基于PyTorch构建GAN 12.2.1网络结构 12.2.2基于PyTorch建立GAN模型 12.3应用案例： 基于GAN的图像生成 12.3.1FashionMNIST数据集 12.3.2数据预处理 12.3.3搭建GAN模型 12.3.4案例结果及分析 第三部分拓展篇 第13章基于百度飞桨的车道线检测 13.1百度飞桨平台简介 13.2百度AI Studio平台简介 13.3使用AI Studio平台创建个项目 13.4应用案例： 车道线检测 13.4.1车道线检测数据集 13.4.2评价指标 13.4.3数据预处理 13.4.4模型构建 13.4.5训练和预测 第14章基于旷视天元MegEngine的目标检测 14.1旷视天元MegEngine平台简介 14.1.1MegEngine整体架构 14.1.2旷视天元平台特点 14.2MegEngine平台使用方法 14.2.1注册 14.2.2创建项目 14.3应用案例： 基于MegEngine的目标检测 14.3.1MSCOCO数据集 14.3.2目标检测评估指标 14.3.3模型训练与测试 第15章机器学习竞赛平台实践 15.1主流竞赛平台 15.1.1Kaggle竞赛 15.1.2天池大数据竞赛 15.2Kaggle竞赛实践 15.2.1应用案例1： 泰坦尼克之灾 15.2.2应用案例2： 细粒度犬种识别 15.2.3应用案例3： Home Depot产品相关性预测 15.3天池大数据竞赛实践 15.3.1应用案例1： 街景字符编码识别 15.3.2应用案例2： NLP新闻文本分类 15.3.3应用案例3： 贷款违约预测 参考文献 內容試閱： 近年来，随着大数据技术、机器学习、数据挖掘、数据科学以及人工智能等领域的发展与兴起，掀起一场新的技术革命，各行各业对机器学习相关人才的需求也随之而来。机器学习作为数学与计算机的交叉学科，旨在培养集数学分析和计算机编程于一体的优秀人才，适应于当前人工智能的高速发展。 本书的编写旨在帮助大量对机器学习和数据挖掘应用感兴趣的读者朋友，整合并应用时下流行的基于Python语言的机器学习程序库，如scikitlearn、PyTorch等； 针对现实中的科研问题，甚至是企业案例、Kaggle竞赛(当前流行的机器学习竞赛平台)中的应用任务，快速搭建有效的机器学习系统。 本书每一章都描述一个经典的机器学习方法及其实践案例。作者在充分讲解了方法的理论基础上，进一步通过应用案例手把手地教读者如何搭建一个机器学习模型及其应用。本书力求减少读者对编程技能和数学知识的过分依赖，进而降低理解本书与应用机器学习模型的门槛，并试图让更多的兴趣爱好者体会到使用经典模型以及更前沿的深度学习模型的乐趣。 本书主要内容 本书可被视为一本以问题为导向的书籍，非常适合具备一定数学基础和计算机编程基础的读者学习。读者可以在短时间内学习本书中介绍的所有算法。 作为一本关于机器学习应用实战的书籍，本书分为三部分，包括基础篇、综合篇和拓展篇，共15章。 部分为基础篇，包括第1~8章。 第1章为机器学习基础，首先简要阐述机器学习的相关任务，并对机器学习中常用的术语进行了讲解； 然后介绍了机器学习常用的编程语言与环境，展示了Python的安装、使用方法和PyTorch框架。 第2章为数据预处理，围绕数据预处理的原理和应用展开，包括数据清洗、数据转换和数据压缩技术。后在实践环节，通过一个数据预处理应用案例演示了如何利用PCA进行降维分析。 第3章为简单分类算法，围绕分类算法的基础知识和应用展开，介绍了两种经典的分类算法——朴素贝叶斯分类算法和KNN分类算法。在实践环节，通过一个应用案例演示了如何使用KNN进行鸢尾花分类。 第4章为决策树，介绍了决策树的基础知识和相关算法，主要包括决策树的基本概念、决策指标、决策树剪枝和经典的决策树算法。在实践环节，介绍了如何使用scikitlearn实现决策树，并通过使用鸢尾花数据集做分类，演示了基于决策树的鸢尾花数据分类以及可视化结果的完整过程。 第5章为支持向量机，首先介绍了支持向量机的基本原理： 通过核方法，将数据映射到高维空间得到线性决策边界，再映射到低维空间得到非线性决策边界。该方法在解决非线性分类问题上有很好的效果。然后介绍了支持向量机常用的核函数。后演示了基于SVM的异或数据集分类案例。 第6章为回归分析，介绍了几种常用的回归模型及其基本原理和评估方法，讲解了如何使用Python实现这些回归模型。后，以基于随机森林的房价预测作为应用案例，展示了一个完整的回归分析过程。 第7章为聚类分析，介绍了聚类分析的基本概念，并详细介绍了3种不同的聚类算法及其应用案例，即Kmeans、层次聚类和DBSCAN应用案例。 第8章为神经网络与多层感知机，主要介绍了单层感知机、多层感知机和反向传播算法的基本概念和应用，并且详细介绍了基于多层感知机的手写数字识别应用案例。 第二部分为综合篇，包括第9~12章。 第9章为基于CNN的图像识别，围绕CNN的基础知识和应用展开，首先介绍了CNN的基本组成、基本运算和常用结构，然后在实践环节介绍了如何使用PyTorch搭建CNN网络模型，并通过一个应用案例——基于CNN的人脸性别识别，演示了基于CNN的图像识别的完整过程。 第10章为基于RNN的序列数据分类，首先讲解了RNN的发展和特点、序列数据的特点，并列举了4种与输入输出格式相关的RNN模型结构。接着使用PyTorch简单搭建了一个LSTM模型，并展示了通过该框架构建LSTM的模型结构以及隐含状态的输出。后结合详细代码介绍了基于LSTM的文本分类。 第11章为基于GNN的文本分类，从GNN的基础概念出发，从原理上介绍了GNN的特点，描述了GCN的代码实现，后以一个文本分类的TextGCN模型为例，演示GNN的具体使用方法。 第12章为基于GAN的图像生成，首先介绍了GAN的基本原理、模型结构、目标函数，以及GAN的训练流程。接着通过PyTorch搭建一个比较简单的GAN。后通过使用FashionMNIST数据集实现GAN比较广泛的应用——GAN的图像生成。 第三部分为拓展篇，包括第13~15章。 第13章为基于百度飞桨的车道线检测，首先介绍了百度飞桨深度学习平台和AI Studio平台，然后介绍了如何在AI Studio平台创建项目，后以车道线检测任务为应用案例。 第14章为基于旷视天元MegEngine的目标检测，首先介绍了旷视天元MegEngine平台，包括整体架构和平台特点，然后介绍了MegEngine平台使用方法，后以MSCOCO目标检测任务为应用案例，展示基于MegEngine平台的模型构建、训练与测试的过程。 第15章为机器学习竞赛平台实践，介绍了国内外两项主流竞赛——Kaggle竞赛和天池大数据竞赛，并介绍了两项赛事中的经典赛题。 本书特色 (1) 以问题为导向，对基础理论与算法演练进行详细讲解。 (2) 实战案例丰富，涵盖15个完整项目案例。 (3) 代码详尽，避免对 API 的形式展示，规避重复代码。 (4) 语言简明易懂，由浅入深带领读者学会 Python 以及机器学习常见算法。 (5) 各算法相对独立，数学原理相对容易理解。 配套资源 为便于教学，本书配有源代码、数据集、教学课件和教学大纲，可以扫描本书封底的“书圈”二维码下载。 获取全书网址方式： 扫描下方二维码，即可获取。 全书网址 读者对象 本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生，在互联网、IT相关领域从事机器学习、数据挖掘、计算机视觉、自然语言处理和人工智能相关任务的研发人员。 感谢硕士研究生王文斌、王超凡、代崴、冯传旭、李天赐、杨万辰、张浩宇、张嘉辉、陈仁谣、郑道远、程旭阳、曾壮、曾林芸等同学协助整理资料并撰写成册，感谢王坤朋、刘子扬、李康林、吴开顺、郝清仪、陈妍伶、郑康、徐瑞等同学协助收集资料及调试代码。感谢百度飞桨、旷视天元等提供的企业案例和技术指导。感谢中国地质大学(武汉)研究生精品教材建设项目和本科教学工程项目的支持。 在本书的编写过程中，参考了诸多相关资料。在此，对相关资料的作者表示衷心的感谢。限于个人水平和时间仓促，书中难免存在疏漏之处，欢迎读者批评指正。 作者2022年2月

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	香港用户　 |　台灣用户　|　海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.