0人評分過此書
机器学习观止：核心原理与实践
作者
：
出版日期
：
2021/03/01
閱讀格式
：
EPUB
ISBN
：
9787302557449
一个处于工程应用前沿的首席技术专家带你系统学习AI技术： 学术应用，综合学习，融会贯通； 软件硬件，系统学习，整体思考； 算法平台，密切结合，释疑解惑。
- 封面页
- 书名页
- 版权页
- 内容简介
- 作者简介
- 前言
- 目录
-
机器学习基础知识篇
-
第1章 人工智能概述
-
1.1 人工智能的定义
-
1.2 人工智能发展简史
-
1.3 人工智能经典流派
-
1.4 人工智能与机器学习
-
1.5 如何选择机器学习算法
-
1.6 机器学习的典型应用场景
-
1.7 本书的组织结构
-
-
第2章 机器学习中的数学基础
-
2.1 微分学
-
2.2 线性代数
-
2.3 概率论
-
2.4 统计学
-
2.5 最优化理论
-
2.6 其他
-
-
第3章 机器学习模型的度量指标
-
3.1 Precision、Recall和mAP
-
3.2 F_1 Score
-
3.3 混淆矩阵
-
3.4 ROC
-
3.5 AUC
-
3.6 PRC
-
3.7 工业界使用的典型AI指标
-
-
-
经典机器学习篇
-
第4章 回归算法
-
4.1 回归分析
-
4.2 线性回归
-
4.3 逻辑回归
-
-
第5章 K-NN算法
-
5.1 K-NN概述
-
5.2 K-NN分类算法
-
5.3 K-NN回归算法
-
5.4 K-NN的优缺点
-
5.5 K-NN工程范例
-
-
第6章 k-means
-
6.1 k-means概述
-
6.2 k-means核心算法
-
6.3 k-means算法的优缺点
-
6.4 k-means工程范例
-
-
第7章 朴素贝叶斯
-
7.1 朴素贝叶斯分类算法
-
7.2 朴素贝叶斯的实际应用
-
-
第8章 决策树和随机森林
-
8.1 决策树
-
8.2 随机森林
-
-
第9章 支持向量机
-
9.1 SVM可以做什么
-
9.2 SVM的数学表述
-
9.3 SVM相关的最优化理论
-
9.4 硬间隔SVM
-
9.5 软间隔SVM
-
9.6 核函数技巧
-
9.7 多分类SVM
-
9.8 SVM实践
-
-
第10章 PCA降维
-
10.1 降维概述
-
10.2 PCA降维实现原理
-
10.3 PCA实例
-
-
第11章 集成学习
-
11.1 集成学习概述
-
11.2 集成学习架构
-
11.3 典型的集成方法
-
-
-
深度学习进阶篇
-
第12章 深度神经网络
-
12.1 神经元
-
12.2 激活函数
-
12.3 前向传播和后向传播算法
-
12.4 损失函数
-
-
第13章 卷积神经网络
-
13.1 CNN发展历史简述
-
13.2 CNN的核心组成元素
-
13.3 CNN经典框架
-
13.4 CNN的典型特性
-
-
第14章 RNN与LSTM
-
14.1 RNN
-
14.2 RNN的多种形态
-
14.3 RNN存在的不足
-
14.4 LSTM
-
14.5 LSTM核心框架
-
14.6 GRU
-
-
第15章 深度强化学习
-
15.1 强化学习和MDP
-
15.2 MDP问题的解决方案分类
-
15.3 基于模型的动态规划算法
-
15.4 基于无模型的强化学习算法
-
15.5 DQN
-
15.6 基于策略的强化学习算法
-
-
第16章 MCTS
-
16.1 MCTS概述
-
16.2 MCTS算法核心处理过程
-
16.3 UCB和UCT
-
16.4 MCTS实例解析
-
-
-
机器学习应用实践及相关原理
-
第17章 数据集的建设
-
17.1 数据集建设的核心目标
-
17.2 数据采集和标注
-
17.3 数据分析和处理
-
-
第18章 CNN训练技巧
-
18.1 数据预处理
-
18.2 数据增强
-
18.3 CNN核心组件择优
-
18.4 参数初始化策略
-
18.5 模型过拟合解决方法
-
18.6 模型的可解释性
-
18.7 Auto ML
-
-
第19章 CV和视觉识别经典模型
-
19.1 CV发展简史
-
19.2 视觉识别概述
-
19.3 R-CNN
-
19.4 Fast R-CNN
-
19.5 SPP-Net
-
19.6 Faster R-CNN
-
19.7 YOLO
-
19.8 SSD
-
19.9 不基于CNN来实现目标识别
-
-
第20章 自然语言处理和CNN
-
20.1 NLP简述
-
20.2 NLP发展历史
-
20.3 自然语言基础
-
20.4 词的表达方式
-
20.5 自然语言模型
-
20.6 word2vec
-
20.7 常用语料库
-
20.8 NLP应用：文本分类
-
-
第21章 自然语言处理和CNN
-
21.1 应用程序场景识别背景
-
21.2 特征向量
-
21.3 数据采集
-
21.4 算法模型
-
21.5 落地应用
-
-
第22章 软件自动修复
-
22.1 什么是软件自动修复
-
22.2 软件自动修复基础知识
-
22.3 阶段1：缺陷定位
-
22.4 阶段2：补丁生成
-
22.5 APR领域经典框架
-
-
第23章 基于强化学习的经典应用——AlphaGO
-
23.1 AlphaGO简述
-
23.2 AlphaGO核心原理
-
23.3 策略网络
-
23.4 估值网络
-
23.5 MCTS
-
-
-
机器学习平台篇
-
第24章 分布式机器学习框架基础知识
-
24.1 分布式机器学习核心理念
-
24.2 GPU硬件设备
-
24.3 网络标准
-
24.4 分布式通信框架
-
24.5 经典分布式ML框架Caffe-MPI
-
-
第25章 Tensorflow
-
25.1 Tensorflow安装过程
-
25.2 Tensorflow基础知识
-
25.3 Tensorflow分布式训练
-
25.4 Tensorflow分布式部署
-
25.5 Tensorflow范例解析
-
25.6 Tensorflow的“变种”
-
-
第26章 Caffe
-
26.1 Caffe的安装
-
26.2 Caffe支持的数据集格式
-
26.3 Caffe中的网络模型构建
-
26.4 Google Protocol Buffer
-
26.5 Caffe2源码结构
-
26.6 Caffe工程范例
-
26.7 Caffe中的Model Zoo
-
-
第27章 scikit-learn
-
27.1 scikit-learn的安装
-
27.2 scikit-learn中的机器学习算法
-
27.3 scikit-learn中的Model selection
-
27.4 scikit-learn中的预处理
-
-
第28章 主流AI云平台
-
28.1 Microsoft OpenPAI
-
28.2 Google Cloud
-
28.3 Baidu
-
28.4 Alibaba
-
-
第29章 图像处理基础
-
29.1 光、色彩和人类视觉系统
-
29.2 图像的颜色模型
-
29.3 图像的基本属性
-
29.4 图像特征
-
29.5 图像的典型特征描述子
-
29.6 图像处理实例（图像质量检测）
-
-
第30章 程序切片技术
-
30.1 程序切片综述
-
30.2 程序切片基础知识
-
30.3 静态切片技术
-
30.4 动态切片技术
-
-
第31章 人工智能概述
-
31.1 ImageNet简述
-
31.2 ImageNet的构建逻辑
-
31.3 ImageNet数据源的选择与处理
-
31.4 ImageNet的下载
-
-
- 参考文献
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
