《速通機器學習》是2021年電子工業出版社出版的圖書，作者是盧菁。
基本介紹
- 中文名：速通機器學習
- 作者：盧菁
- 出版社：電子工業出版社
- 出版時間：2021年
- 頁數：240 頁
- 定價：79 元
- 開本：16 開
- ISBN：9787121411878
目錄,內容簡介,
目錄
第1章 數據的量化和特徵提取 1
1.1 機器學習概述 1
1.2 特徵提取 2
1.3 向量距離計算 6
第2章 線性回歸 12
2.1 線性回歸的基本概念 13
2.2 損失函式和梯度下降法 14
2.3 訓練集和測試集 19
2.4 多項式回歸 21
2.5 線性回歸的高級技巧 23
2.5.1 特徵敏感性研究 23
2.5.2 損失函式的選擇 24
第3章 邏輯回歸 27
3.1 邏輯回歸的基本原理 28
3.2 翻翻虹交叉熵和KL距離 32
3.2.1 KL距離 32
3.2.2 梯度下降法 34
3.2.3 上採樣和下採樣 36
3.3 線性不可分及其解決方案 38
3.4 L1正則和L2正則 39
3.5 分類模型的評價標準 43
3.6 邏輯回歸的特徵提升技巧 47
3.6.1 特徵歸一化 47
3.6.2 特徵分段 49
3.7 深入理解損失函式和邏輯函式 51
第4章 因子分解模型 55
4.1 基本原理和特徵交叉 55
4.1.1 基本原理 55
4.1.2 特徵交叉簡化 58
4.1.3 參數學習 59
4.2 因子分解模型和矩陣分解 61
第5章 經典分類模型 63
5.1 支持向量機 63
5.1.1 支持向量機的基本原理 63
5.1.2 支持向量機和邏輯回歸地判棗員的比較 68
5.2 核方法 70
5.2.1 核函式 70
5.2.2 核函式在支持向量機中的套用 72
5.3 樸素貝葉斯 73
5.3.1 樸素貝葉斯原理 73
5.3.2 樸素貝葉斯的參數估計 76
5.4 維數災難 78
5.5 奧卡姆剃刀定律的套用 82
5.6 經驗風險、期望風險和結構風險 83
第6章 無監督學習 85
6.1 K-Means聚類 86
6.1.1 K-Means算法的基本原理 86
6.1.2 改進型K-Means算法 88
6.1.3 K-Means算法和邏輯回歸的結合套用 91
6.2 主題模型 92
6.2.1 LDA模型的原理 93
6.2.2 LDA模型的訓練 95
第7章 集成學習 100
7.1 決策樹 100
7.2 隨機森林 105
7.3 GBDT 108
第8章 深度神經網路 113
8.1 BP神經網路的基本原理 113
8.2 多分類與Softmax函式 118
8.3 梯度下降法和鏈式法則 120
8.4 度量學習 125
第9章 神經網路調優 130
9.1 激活函式選型 131
9.2 權重初始化 135
9.3 改進型梯度下降法 137
9.3.1 隨機梯度下降法 138
9.3.2 鞍點問題 141
9.3.3 梯度下降法的最佳化 142
9.4 過擬合解決方案 145
9.4.1 正則化 145
9.4.2 Dropout 146
9.4.3 提前終止 147
9.4.4 批標準化和層標準化 148
9.4.5 民囑Shortcut 151
9.4.6 標籤平滑 151
9.4.7 人工製造數據 152
第10章 自然語言處理 154
10.1 自然語言處理模型 154
10.2 one-hot編碼和embedding技術 156
10.3 哈夫曼樹和負採樣 161
10.3.1 哈夫曼樹 161
10.3.2 負採樣 163
10.4 Word2vec的套用 165
10.5 fastText模型的原理及套用 166
第11章 卷積神經網路 169
11.1 卷積層和池化層 169
11.2 卷積神經網路在圖像處理海套故中的套用 177
11.3 頌罪少卷積神經網路淚連酷盼中的批標準化 179
11.4 TextCNN的原理及套用 180
第12章 深入卷積層 185
12.1 1 × 1卷積 185
12.2 小尺寸卷積 186
12.3 寬度卷積和Inception 187
12.4 Depthwise卷積和Pointwise卷積 189
12.5 特徵通道加權卷積 193
第13章 循環神經網路和LSTM模型 196
13.1 循環神經網路模型詳解 196
13.1.1 循環神經網路的基本原理 196
13.1.2 循環神經網路存在的一些問題 199
13.2 LSTM模型詳解 202
13.3 LSTM模型的改進和套用 206
13.4 贈符戶CTC算法 208
第14章 Attention模型和Transformer模型 210
14.1 Attention模型詳解 210
14.1.1 注意力機制的基本原理 210
14.1.2 Attention模型概述 212
14.1.3 Attention模型的改進形式 214
14.1.4 Self-Attention模型 215
14.1.5 Multi-Head Attention模型 217
14.2 Transformer模型原理 219
14.3 BERT模型及套用 221
內容簡介
本書從傳統的機器學習，如線性回歸、邏輯回歸、樸素貝葉斯、支持向量機、集成學習，到前沿的深度學習和神經網路，如DNN、CNN、BERT、ResNet等，對人工智慧技術進行零基礎講解，內容涵蓋數學原理、公式推導、圖表展示、企業套用案例。本書面向國中級讀者，能幫助讀者迅速掌握機器學習技術的相關概念及原理。本書內容結合作者多年的科研工作經驗，理論和實踐並重，對科研、學習、面試等均有幫助。
第9章 神經網路調優 130
9.1 激活函式選型 131
9.2 權重初始化 135
9.3 改進型梯度下降法 137
9.3.1 隨機梯度下降法 138
9.3.2 鞍點問題 141
9.3.3 梯度下降法的最佳化 142
9.4 過擬合解決方案 145
9.4.1 正則化 145
9.4.2 Dropout 146
9.4.3 提前終止 147
9.4.4 批標準化和層標準化 148
9.4.5 Shortcut 151
9.4.6 標籤平滑 151
9.4.7 人工製造數據 152
第10章 自然語言處理 154
10.1 自然語言處理模型 154
10.2 one-hot編碼和embedding技術 156
10.3 哈夫曼樹和負採樣 161
10.3.1 哈夫曼樹 161
10.3.2 負採樣 163
10.4 Word2vec的套用 165
10.5 fastText模型的原理及套用 166
第11章 卷積神經網路 169
11.1 卷積層和池化層 169
11.2 卷積神經網路在圖像處理中的套用 177
11.3 卷積神經網路中的批標準化 179
11.4 TextCNN的原理及套用 180
第12章 深入卷積層 185
12.1 1 × 1卷積 185
12.2 小尺寸卷積 186
12.3 寬度卷積和Inception 187
12.4 Depthwise卷積和Pointwise卷積 189
12.5 特徵通道加權卷積 193
第13章 循環神經網路和LSTM模型 196
13.1 循環神經網路模型詳解 196
13.1.1 循環神經網路的基本原理 196
13.1.2 循環神經網路存在的一些問題 199
13.2 LSTM模型詳解 202
13.3 LSTM模型的改進和套用 206
13.4 CTC算法 208
第14章 Attention模型和Transformer模型 210
14.1 Attention模型詳解 210
14.1.1 注意力機制的基本原理 210
14.1.2 Attention模型概述 212
14.1.3 Attention模型的改進形式 214
14.1.4 Self-Attention模型 215
14.1.5 Multi-Head Attention模型 217
14.2 Transformer模型原理 219
14.3 BERT模型及套用 221
內容簡介
本書從傳統的機器學習，如線性回歸、邏輯回歸、樸素貝葉斯、支持向量機、集成學習，到前沿的深度學習和神經網路，如DNN、CNN、BERT、ResNet等，對人工智慧技術進行零基礎講解，內容涵蓋數學原理、公式推導、圖表展示、企業套用案例。本書面向國中級讀者，能幫助讀者迅速掌握機器學習技術的相關概念及原理。本書內容結合作者多年的科研工作經驗，理論和實踐並重，對科研、學習、面試等均有幫助。
