《機器學習圖解》是一本清華大學出版社出版的圖書，作者是[加] 路易斯·G·塞拉諾（Luis G. Serrano），譯者是郭濤。
基本介紹
- 中文名：機器學習圖解
- 作者：[加] 路易斯·G·塞拉諾（Luis G. Serrano）
- 譯者：郭濤
- 出版時間：2023年6月
- 出版社：清華大學出版社
- ISBN：9787302634645
- 定價：128 元
內容簡介,圖書目錄,
內容簡介
閱讀《機器學習圖解》，即使你僅掌握高中數學知識，也能理解和套用強大的機器學習技術。簡單來講，機器學習是一套以算法為基礎的數據分析技術，你提供的數據越多，算法反饋的結果越好。ML驅動了很多尖端技術，如推薦系統、面部識別軟體、智慧型音箱和自動駕駛汽車。
《機器學習圖解》不落窠臼，示例豐富，精選的練習十分有趣，插圖清晰，講解機器學習的核心概念。
《機器學習圖解》以簡明易懂的方式介紹機器學習的算法和技術。
《機器學習圖解》不談深奧的術語，只通過基本代數知識提供清晰的解釋。你將使用Python構建有趣的項目，包括垃圾郵件檢測和圖像識別模型；還將學習清理和準備數據的實用技能。
主要內容：
分類和劃分數據的監督算法
清理和簡化數據的方法
機器學習包和工具
複雜數據集的神經網路和集成方法
閱讀門檻：
讀者閱讀《機器學習圖解》前，了解Python基礎知識，不必了解機器學習知識。
圖書目錄
第1 章 什麼是機器學習？這是一種常識，唯一特別之處在於由計算機完成1
1.1 我是否需要掌握大量的數學和編程背景知識才能理解機器學習 2
1.2 機器學習究竟是什麼 3
1.3 如何讓機器根據數據做出決策？記憶-制定-預測框架 6
1.4 本章小結 12
第2 章 機器學習類型15
2.1 標籤數據和無標籤數據的區別 17
2.2 監督學習：處理標籤數據的機器學習分支 18
2.3 無監督學習：處理無標籤
數據的機器學習分支 21
2.4 什麼是強化學習 28
2.5 本章小結 30
2.6 練習 31
第3 章 在點附近畫一條線：線性
回歸33
3.1 問題：預測房屋的價格 35
3.2 解決方案：建立房價回歸模型 35
3.3 如何讓計算機繪製出這
條線：線性回歸算法 41
3.4 如何衡量結果？誤差函式 54
3.5 實際套用：使用Turi Create預測房價 61
3.6 如果數據不在一行怎么辦？
多項式回歸 63
3.7 參數和超參數 64
3.8 回歸套用 65
3.9 本章小結 66
3.10 練習 66
第4 章 最佳化訓練過程：欠擬合、過擬合、測試和正則化 69
4.1 使用多項式回歸的欠擬合和過擬合示例 71
4.2 如何讓計算機選擇正確的模型？測試 73
4.3 我們在哪裡打破了黃金法則，如何解決呢？驗證集 75
4.4 一種決定模型複雜度的數值方法：模型複雜度圖 76
4.5 避免過擬合的另一種選擇：正則化 77
4.6 使用Turi Create 進行多項式回歸、測試和正則化 85
4.7 本章小結 89
4.8 練習 90
第5 章 使用線來劃分點: 感知器算法93
5.1 問題：我們在一個外星球上，聽不懂外星人的語言 95
5.2 如何確定分類器的好壞？誤差函式 108
5.3 如何找到一個好的分類器？感知器算法 115
5.4 感知器算法編程實現 123
5.5 感知器算法的套用 128
5.6 本章小結 129
5.7 練習 130
第6 章 劃分點的連續方法：邏輯分類器133
6.1 邏輯分類器：連續版感知器分類器 134
6.2 如何找到一個好的邏輯分類器？邏輯回歸算法 144
6.3 對邏輯回歸算法進行編程 150
6.4 實際套用：使用Turi Create對IMDB 評論進行分類 154
6.5 多分類：softmax 函式 156
6.6 本章小結 157
6.7 練習 158
第7 章 如何衡量分類模型？準確率和其他相關概念 159
7.1 準確率：模型的正確頻率是多少 160
7.2 如何解決準確率問題？定義不同類型的誤差以及如何進行衡量 161
7.3 一個有用的模型評價工具
ROC 曲線 170
7.4 本章小結 179
7.5 練習 181
第8 章 使用機率最大化：
樸素貝葉斯模型 183
8.1 生病還是健康？以貝葉斯定理為主角的故事 184
8.2 用例：垃圾郵件檢測模型 188
8.3 使用真實數據構建垃圾郵件檢測模型 201
8.4 本章小結 204
8.5 練習 205
第9 章 通過提問劃分數據：決策樹 207
9.1 問題：需要根據用戶可能下載的內容向用戶推薦
套用 213
9.2 解決方案：構建套用推薦系統 214
9.3 超出“是”或“否”之類的問題 228
9.4 決策樹的圖形邊界 231
9.5 實際套用：使用Scikit-Learn 構建招生模型 234
9.6 用於回歸的決策樹 238
9.7 套用 241
9.8 本章小結 242
9.9 練習 242
第10 章 組合積木以獲得更多力量：
神經網路245
10.1 以更複雜的外星球為例，開
啟神經網路學習 247
10.2 訓練神經網路 258
10.3 Keras 中的神經網路編程 264
10.4 用於回歸的神經網路 272
10.5 用於更複雜數據集的其他架構 273
10.6 本章小結 275
10.7 練習 276
第11 章 用風格尋找界限：支持向量機和核心方法279
11.1 使用新的誤差函式構建更好的分類器 281
11.2 Scikit-Learn 中的SVM編程 287
11.3 訓練非線性邊界的SVM：
核心方法 289
11.4 本章小結 308
11.5 練習 309
第12 章 組合模型以最大化結果：
集成學習311
12.1 獲取朋友的幫助 312
12.2 bagging：隨機組合弱學習器以構建強學習器 314
12.3 AdaBoost：以智慧型方式組合弱學習器以構建強學習器 319
12.4 梯度提升：使用決策樹構建強學習器 327
12.5 XGBoost：一種梯度提升
的極端方法 332
12.6 集成方法的套用 340
12.7 本章小結 341
12.8 練習 341
第13 章 理論付諸實踐：數據工程和
機器學習真實示例 343
13.1 鐵達尼號數據集 344
13.2 清洗數據集：缺失值及其處理方法 348
13.3 特徵工程：在訓練模型之前轉換數據集中的特徵 350
13.4 訓練模型 355
13.5 調整超參數以找到最佳模型：格線搜尋 359
13.6 使用k 折交叉驗證來重用訓練和驗證數據 362
13.7 本章小結 363
13.8 練習 364
以下內容可掃封底二維碼下載
附錄A 習題解答 365
附錄B 梯度下降背後的數學原理：
使用導數和斜率下山 398
附錄C 參考資料 416
