《機器學習與人工智慧實戰：基於業務場景的工程套用》是2023年7月1日清華大學出版社出版的圖書，作者：[美]傑夫·普羅西斯（Jeff Prosise）著 周靖 譯。
基本介紹
- 中文名：機器學習與人工智慧實戰：基於業務場景的工程套用
- 作者：[美]傑夫·普羅西斯（Jeff Prosise）
- 譯者：周靖
- 出版時間：2023年7月1日
- 出版社：清華大學出版社
- ISBN：9787302635239
- 定價：138 元
- 印次：1-1
- 印刷日期：2023.07.11
內容簡介,圖書目錄,
內容簡介
《機器學習與人工智慧實戰：基於業務場景的工程套用》分為兩部分共14章，介紹了如何用Scikit-Learn來構建機器學習模型以及如何用Keras和TensorFlow來構建神經網路。書中的內容和實例基於作者過去幾年在全球各地開設相關課程的經歷，闡述了如何藉助於機器學習和深度學習來構建產品或服務，從而真正解決現實業務場景中的問題，比如監測熱帶雨林盜伐、文本情感分析以及預測機械設備的早期故障等。 《機器學習與人工智慧實戰：基於業務場景的工程套用》適合相關工程師與軟體開發人員閱讀和參考，可以幫助他們快速入門並通過書中的操作實例迅速掌握機器學習和人工智慧。
圖書目錄
目錄
第I 部分 用Scikit-Learn 進行機器學習
第1 章 機器學習 3
1.1 什麼是機器學習4
1.1.1 機器學習與人工智慧 7
1.1.2 監督和無監督學習 9
1.2 使用k-means 聚類算法的無監督學習10
1.2.1 將k-means 聚類算法套用於客戶數據 13
1.2.2 使用兩個以上的維度對客戶進行細分 16
1.3 監督學習 19
1.3.1 k 近鄰22
1.3.2 使用k 近鄰對花卉進行分類 24
1.4 小結 28
第2 章 回歸模型 30
2.1 線性回歸 30
2.2 決策樹 34
2.3 隨機森林 37
2.4 梯度提升機 39
2.5 支持向量機 41
2.6 回歸模型的精度測量 42
2.7 使用回歸來預測車費 46
2.8 小結 51
第3 章 分類模型 53
3.1 邏輯回歸 54
3.2 分類模型的準確率度量56
3.3 分類數據 61
3.4 二分類 63
3.4.2 檢測信用卡欺詐68
3.5 多分類 73
3.6 構建數字識別模型 74
3.7 小結 78
第4 章 文本分類 80
4.1 準備用於分類的文本 81
4.2 情感分析 84
4.3 樸素貝葉斯 88
4.4 垃圾郵件過濾 91
4.5 推薦系統 95
4.5.1 餘弦相似性 96
4.5.2 構建一個電影推薦系統 98
4.6 小結 100
第5 章 支持向量機 102
5.1 支持向量機的工作原理 102
5.1.1 核 105
5.1.2 核技巧 106
5.2 超參數調整 109
5.3 數據歸一化 112
5.4 管道化117
5.5 使用SVM 進行面部識別 118
5.6 小結 124
第6 章 主成分分析 126
6.1 理解主成分分析127
6.2 噪聲過濾133
6.3 數據匿名化 135
6.4 可視化高維數據137
6.5 異常檢測140
6.5.1 使用PCA 檢測信用卡欺詐 141
6.5.2 使用PCA 來預測軸承故障 145
6.5.3 多變數異常檢測150
6.6 小結 151
第7 章 機器學習模型的操作化 152
7.1 從Python 客戶端使用Python 模型 153
7.2 pkl 檔案的版本管理157
7.3 從C# 客戶端使用Python 模型 157
7.4 容器化機器學習模型 160
7.5 使用ONNX 來橋接不同的語言 161
7.6 用ML.NET 在C# 中構建ML 模型 165
7.6.1 用ML.NET 進行情感分析 166
7.6.2 保存和載入ML.NET 模型 169
7.7 為Excel 添加機器學習功能 169
7.8 小結 173
第II 部分 用Keras 和TensorFlow 進行深度學習
第8 章 深度學習 177
8.1 了解神經網路 178
8.2 訓練神經網路 182
8.3 小結 185
第9 章 神經網路 187
9.1 用Keras 和TensorFlow 構建神經網路 188
9.1.1 設定神經網路的大小192
9.1.2 使用神經網路來預測車費 193
9.2 用神經網路進行二分類 197
9.2.1 進行預測199
9.2.2 訓練神經網路來檢測信用卡欺詐 200
9.3 用神經網路進行多分類 204
9.4 訓練神經網路進行面部識別 207
9.5 Dropout 210
9.6 保存和載入模型211
9.7 Keras 回調213
9.8 小結 216
第10 章 用卷積神經網路進行圖像分類 218
10.1 理解CNN 219
10.1.1 使用Keras 和TensorFlow 來構建CNN 223
10.1.2 訓練CNN 來識別北極野生動物 227
10.2 預訓練CNN 232
10.3 使用ResNet50V2 對圖像分類 235
10.4 轉移學習 237
10.5 通過轉移學習來識別北極野生動物240
10.6 數據增強 243
10.6.1 用ImageDataGenerator 進行圖像增強 244
10.6.2 使用增強層進行圖像增強 247
10.6.3 將圖像增強套用於北極野生動物 248
10.7 全局池化 251
10.8 用CNN 進行音頻分類 252
10.9 小結 259
第11 章 面部檢測和識別261
11.1 人臉檢測 262
11.1.1 用Viola-Jones 算法進行人臉檢測 263
11.1.2 使用Viola-Jones 的OpenCV 實現 265
11.1.3 用卷積神經網路檢測人臉 267
11.1.4 從照片中提取人臉 271
11.2 面部識別 273
11.2.1 將遷移學習套用於人臉識別 274
11.2.2 用任務特定的權重強化轉移學習 277
11.2.3 ArcFace280
11.3 綜合運用：檢測和識別照片中的人臉 281
11.4 處理未知人臉：閉集和開集分類287
11.5 小結 288
第12 章 目標檢測 290
12.1 R-CNN 291
12.2 Mask R-CNN294
12.3 YOLO 300
12.4 YOLOv3 和Keras 302
12.5 自定義目標檢測 307
12.5.1 用自定義視覺服務訓練自定義目標檢測模型 308
12.5.2 使用導出的模型 315
12.6 小結 317
第13 章 自然語言處理318
13.1 文本準備 319
13.2 詞嵌入 322
13.3 文本分類 323
13.3.1 自動化文本矢量處理 327
13.3.2 在情感分析模型中使用TextVectorization 328
13.3.3 將詞序納入預測的因素 330
13.3.4 循環神經網路(RNN) 331
13.3.5 使用預訓練模型進行文本分類 333
13.4 神經機器翻譯 335
13.4.1 LSTM 編碼器- 解碼器 336
13.4.2 Transformer 編碼器- 解碼器 338
13.4.3 構建基於Transformer 的NMT 模型 340
13.4.4 使用預訓練模型來翻譯文本 349
13.5 基於變換器的雙向編碼器(BERT) 350
13.5.1 構建基於BERT 的答題系統 352
13.5.2 調優BERT 以進行情感分析 355
13.6 小結 359
第14 章 Azure 認知服務361
14.1 Azure 認知服務簡介 362
14.1.1 密鑰和終結點 364
14.1.2 調用Azure 認知服務API 367
14.1.3 Azure 認知服務容器 369
14.2 計算機視覺服務 371
14.3 語言服務 380
14.4 翻譯服務 383
14.5 語音服務 385
14.6 集大成者Contoso Travel 386
14.7 小結 391
