最好懂的機器學習書 – 使用Python了解原理、演算法及實戰案例DM2319

資料來源: https://deepwisdom.com.tw/product/%e6%9c%80%e5%a5%bd%e6%87%82%e7%9a%84%e6%a9%9f%e5%99%a8%e5%ad%b8%e7%bf%92%e6%9b%b8-%e4%bd%bf%e7%94%a8python%e4%ba%86%e8%a7%a3%e5%8e%9f%e7%90%86%e3%80%81%e6%bc%94%e7%ae%97%e6%b3%95%e5%8f%8a%e5%af%a6/

GITHUB: https://github.com/jash-git/deepwisdom_DM2319

描述

內容簡介

☆ ★PythonＸ人工智慧Ｘ深度學習★☆

 

✔將機器學習進行分門別類的介紹

✔提供大量範例解析演算法

✔每章節都附有習題，讓讀者可以自行操作

 

※ 本書附程式碼，可至深智官網下載：https://deepmind.com.tw/

 

機器學習是人工智慧的核心基礎，是電腦研究領域的重要分支。機器學習正展現其巨大的潛力，在許多領域扮演著日益重要的角色。當電腦程式具有學習能力後，就能夠在不斷的資料中越來越好：例如醫療診斷程式，透過學習後便能夠不斷提高自身的診斷能力。Python近年來發展迅速，被廣泛用於科學計算，資料探勘和機器學習。Python語言配備了很多高品質的機器學習和資料分析函數庫，為機器學習提供了重要工具。本書讓你無痛進入機器學習乃至深度學習的領域，建立出真正的商業應用。當今業界十分需要人工智慧工程師，只要花一點點時間，把這最流行的機器學習上手，在往後的各行各業中，都能是你揮灑的空間。

 

本書內容劃分為、機器學習演算法基礎理論及介紹基本的機器學習演算法之理論及應用3部分。介紹Python資料處理功能，如：Python開發環境、基本資料結構和資料處理等。講解機器學習的理論框架和Python機器學習常用的協力廠商函數庫。甚至提供神經網路以及深度學習的理論及專案實例。

 

讀完本書，您能強化以下實作技能與觀念：

✔何為人工智慧、常用領域、開發環境

✔熟悉pandas、numpy

✔學會製作中文相關應用、詞雲、結巴中文分詞

✔學會使用Matplotlib，OpenCV，SKLearn

✔使用Python實作KNN、K-Means。

✔使用Python實作SVM、感知機、核心函數

✔Python實作推薦系統、商品推薦、內容推薦、協作過濾及圖結構

✔了解機器學習模型、線性非維性、監督及非監督、強化學習

✔了解線性回歸(一元、多元)、邏輯回歸

✔了解多層神經網路、深度學習

 

☛適合讀者

✔人工智慧/深度學習/機器學習入門讀者

✔大專院校、專業教育訓練機構師生

✔其他對智慧化、自動化感興趣的開發者

 

作者

主要作者為長期從事電腦最前端技術教學的教師，博士學歷，研究方向均為人工智慧與模式辨識,具有豐富的電腦教學經驗和紮實的科學研究經驗。
主持國家級及一線城市等多個科學研究專案。包括多目標旅行商問題的求解、稀疏半監督學習方法研究、蛋白質結構預測導向的支援向量機的研究等、多Agent蟻群演算法在模擬最佳化中應用研究等。

主持國家級及省級教學改革專案，作為核心成員參加上海市精品課程、校級重大教研課題。主編參編教材十餘本。多次獲得中國華東師範大學優秀任課教師獎、中國華東師範大學教學成果獎等獎勵。

 

目錄

第一部分入門篇
第1章機器學習概述

1.1人工智慧簡介

1.2機器學習的主要工作

1.3機器學習開發環境

習題

 

第2章Python資料處理基礎

2.1 Python程式開發技術

2.2基底資料型態

2.3資料檔案讀寫

習題

第二部分基礎篇

第3章Python常用機器學習函數庫

3.1 NumPy

3.2 Pandas

3.3 Matplotlib

3.4 OpenCV

3.5 Scikit learn

3.6其他常用模

習題

 

第4章機器學習基礎

4.1機器學習模型

4.2機器學習演算法的選擇

4.3 Python機器學習利器SKlearn

習題

第三部分實戰篇

第5章KNN分類演算法

5.1 KNN分類

5.2初識KNN——鳶尾花分類

5.3 KNN手寫數字辨識

實驗

 

第6章K-Means聚類演算法

6.1 K-Means聚類演算法概述

6.2使用K-Means實現資料聚類

6.3 K-Means演算法存在的問題

實驗

 

第7章推薦演算法

7.1推薦系統

7.2協作過濾推薦演算法

7.3基於內容的推薦演算法案例

7.4協作過濾演算法實現電影推薦

實驗

 

第8章回歸演算法

8.1線性回歸

8.2邏輯回歸

8.3回歸分析綜合案例

實驗

 

第9章支援向量機

9.1支援向量機的概念

9.2支援向量機的參數

實驗

 

第10章神經網路

10.1神經網路的基本原理

10.2多層神經網路

10.3 BP神經網路

實驗

 

第11章深度學習

11.1深度學習概述

11.2卷積神經網路

11.3循環神經網路

11.4常見的深度學習開放原始碼框架和平台

11.5 TensorFlow學習框架

11.6 Keras深度學習框架

習題

 

序

機器學習是電腦研究領域的重要分支，已經成為人工智慧的核心基礎。一方面，機器學習是人工智慧理論和應用研究的橋樑；另一方面，模式辨識與資料探勘的核心演算法大都與機器學習有關。機器學習在電腦發展過程中日益完善，目前是人工智慧領域最具活力的研究方向之一。
 

機器學習作為人工智慧理論研究的一部分，以數學理論知識為基礎，以解決實際問題為實踐場景，與社會生產息息相關。在許多領域，機器學習正展現其巨大的潛力，扮演著日益重要的角色。

 

本書系統介紹了經典的機器學習演算法。在撰寫過程中，儘量減少數學理論知識，將數學公式轉換成原理示意圖、步驟解析圖、流程圖、資料圖表和來源程式等表達方式，幫助讀者理解演算法原理。本書注重理論結合實務，將演算法應用於實際案例場景，培養理論研究能力和分析、解決問題能力。

 

本書選取典型的問題作為實踐案例，借助案例對演算法進行系統解析。在解決實際任務的過程中，讀者能夠掌握機器學習演算法並進行靈活運用。本書帶領讀者循序漸進，從Python資料分析與挖掘入門，在實踐中掌握機器學習基礎，最終將機器學習演算法運用於預測、判斷、辨識、分類、策略制定等人工智慧領域。

 

本書內容包含三部分：第1部分（第1～2章）為資料處理入門，著重介紹Python開發基礎及資料分析與處理；第2部分（第3～4章）為機器學習基礎實踐，著重介紹機器學習的理論框架和常用機器學習模組；第3部分（第5～11章）介紹經典機器學習演算法及應用，包括分類演算法、聚類演算法、推薦演算法、回歸演算法、支援向量機演算法、神經網路演算法以及深度學習理論及專案實例。

 

本書以培養人工智慧與機器學習初學者的實踐能力為目標，適用範圍廣，可作為大專院校電腦、軟體工程、巨量資料、通訊、電子等相關專業機器學習實踐教材，也可作為成人教育及自學考試用書，還可作為機器學習相關領域開發人員、工程技術人員和研究人員的參考用書。

 

本書第1章由劉豔、韓龍哲撰寫，第2章由李哲撰寫，第3章由劉豔、李沫沫撰寫，第4～11章由劉豔撰寫。全書由劉豔擔任主編，完成全書的修改及統稿。感謝阿里天池AI平台提供的雲端運算開發環境，極大地提升了模型訓練效率。感謝華東師範大學精品教材建設專項基金對本書撰寫過程的支持。感謝英特爾公司的支援，本書也作為英特爾公司Intel AI for Future Workforce教育專案的參考用書。感謝鄭駿、王偉、陳志雲、黃波、劉小平、常麗、陳宇皓、李小露等多位老師和同學對本書提出的寶貴意見。

 

由於編者水準有限，內容難免有不足之處，歡迎讀者們批評指正。

編者