三民網路書店 中國圖書館分類法 / 工業技術 / 自動化技術、計算機技術 / 自動化基礎理論 / 自動推理、機器學習

《機器學習》系統介紹機器學習的理論、模型和算法實現，主要內容包括機器學習實驗環境的搭建、數據清洗、模型評估、監督學習的分類和回歸問題、非監督學習的聚類和降維等理論介紹和底層算法實現。本書涵蓋了K近鄰算法、決策樹、支持向量機、BP神經網絡、卷積神經網絡、循環神經網絡、集成學習、Kmeans聚類、模糊聚類、主成分分析、獨立成分分析等內容。每章均基於實戰項目或案例介紹模型和算法的兩種實現(scikitlearn、Keras或TensorFlow的調包實現與非調包底層代碼實現)，並給出相應的實驗題目，以此加深讀者對模型和算法的理解，提升讀者對模型和算法的底層代碼實現能力。 適合作為人工智能專業高年級本科生和研究生的教材，也可作為人工智能相關領域研究人員的自學教材。

隨著深度學習、大規模預訓練模型和生成式人工智能的進展，機器學習已成為解決很多工程和科學問題的**方案。《概率機器學習》一書從概率建模和統計推斷的角度系統介紹機器學習的基本概念、經典算法及前沿進展。主要內容包括概率機器學習基礎、學習理論、概率圖模型、近似概率推斷、高斯過程、深度生成模型、強化學習等。全書從實例出發，由淺入深，直觀與嚴謹相結合，並提供了延伸閱讀內容和豐富的參考文獻。

本書是寫給沒有學過任何計算機語言的讀者的，例如大學生。本書主要講授MATLAB的基本知識，從如何打開MATLAB的指令窗口，輸入最簡單的指令開始，利用MATLAB提供的交互式環境，用簡明的實例向讀者示範如何調用MATLAB的內部函數實現數值計算、符號運算和平面曲線、空間曲線與曲面圖等圖形輸出，以及機器學習和線性代數與微積分的應用。本書的應用篇介紹了MATLAB在機器學習中的應用，討論了如何應用線性代數與函數求極值的基礎知識以及MATLAB 的內置函數來編程實現常用的機器學習算法，例如，(廣義)線性最小二乘法與梯度下降法、線性支持向量機等，也講解與用到了各種控制程序流程的語句，這可以幫助讀者編制出更複雜的算法。書中所設計的範例全部在MATLAB 2020a中運行過，“輸出結果”中的數字和顯示的圖形均為運行結果。 本書採用圖學思維方式、二維表述形式，運用典型範例，簡單明瞭、易於理解，可幫助讀者更快、更直觀地理解和運用MATLAB工作平臺，為讀者的科學論文、研究報告提供計算和圖形支持。

機器學習是人工智能的重要分支。本書立足實用且易於上手實踐的原則，系統地介紹機器學習領域的經典算法，以及這些算法的Python實現和典型應用。本書分4部分: 第1部分介紹監督學習，包括線性模型、決策樹分類、貝葉斯分類器、集成學習和支持向量機；第2部分介紹無監督學習，包括關聯規則、聚類分析和數據降維；第3部分介紹深度學習，包括神經網絡、深度學習和生成對抗網絡；第4部分介紹強化學習。本書所介紹的經典機器學習算法及其應用案例均給出了相關實驗數據和Python代碼實現，每章末尾還給出了習題和實驗題，便於讀者鞏固知識和開展課內實驗。 本書可作為高等學校信息類以及相關專業高年級本科生和研究生的教材，也可供對機器學習感興趣的工程技術人員閱讀參考。

本書基於PyTorch框架介紹深度學習的有關理論和應用,以Python為實現語言。全書共分10章，內容包括深度學習的概念和發展過程、感知器、全連接神經網絡、卷積神經網絡、若干經典CNN預訓練模型及其遷移方法、深度卷積神經網絡應用案例、循環神經網絡、基於預訓練模型的自然語言處理、面向模型解釋的深度神經網絡可視化方法、多模態學習與多模態數據分類等。 本書兼顧理論與應用、原理與方法，集系統性、實用性、便捷性於一體，易於入門，實例豐富，所有代碼全部經過調試和運行。此外，每一章後面都配有適量的習題，供教學和學習參考使用。 本書可作為各類高等學校人工智能和計算機相關專業的“人工智能”或“機器學習”課程的教材，也可作為人工智能、深度學習愛好者和初學者的自學教材，以及從事人工智能課題研究和應用開發人員的參考用書。

雖然很多深度學習工具都使用Python，但PyTorch 庫是真正具備Python 風格的。對於任何瞭解NumPy 和scikit-learn 等工具的人來說，上手PyTorch 輕而易舉。PyTorch 在不犧牲高級特性的情況下簡化了深度學習，它非常適合構建快速模型，並且可以平穩地從個人應用擴展到企業級應用。由於像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch，所以當你掌握了PyTorth，就會擁有更多的職業選擇。本書是教你使用 PyTorch 創建神經網絡和深度學習系統的實用指南。它幫助讀者快速從零開始構建一個真實示例：腫瘤圖像分類器。在此過程中，它涵蓋了整個深度學習管道的關鍵實踐，包括 PyTorch張量 API、用 Python 加載數據、監控訓練以及將結果進行可視化展示。本書主要內容：（1）訓練深層神經網絡；（2）實現模塊和損失函數；（3）使用 PyTorch Hub 預先訓練的模型；（4）探索在 Jupyter Notebooks 中編寫示例代碼。本書適用於對深度學習感興趣的 Python 程序員。瞭解深度學習的基礎知識對閱讀本書有一定的幫助，但讀者無須具有使用 PyTorch 或其他深度學習框架的經驗。

圖數據是對萬物間聯繫的一般抽象，廣泛存在於各行各業中。圖表徵學習為圖數據的建模與分析提供了新範式，是近年來機器學習與數據挖掘領域的熱門研究方向，並被有效地應用於推薦系統、交通預測等眾多領域。本書將全面介紹圖表徵學習，特別是針對處於真實世界動態、開放環境之中圖數據的圖表徵學習方法。本書分為3 篇：第1 篇介紹圖嵌入和圖神經網絡等經典圖表徵學習方法；第2 篇圍繞魯棒性、動態性、可解釋性、分佈外泛化性等多個角度，系統地介紹針對動態開放環境中的圖表徵學習方法；第3 篇以四個不同領域為例，從推薦系統、交通預測、自然語言處理、組合優化等場景，介紹圖表徵學習的應用方法。除了對代表性方法進行詳細介紹，本書還提供了豐富的參考文獻，讀者可以更深入地學習圖表徵學習的前沿內容。本書適合具有一定機器學習基礎的高年級本科生、研究生、教師和研究者，以及對圖數據感興趣的計算機工程師和從業人員閱讀，也適合對人工智能、深度學習和圖數據分析感興趣的其他人士參考。

本書的目標，是讓非機器學習領域甚至非計算機專業出身但有學習需求的人，輕鬆地掌握機器學習的基本知識，從而擁有相關的實戰能力。本書通過AI“小白”小冰拜師程序員咖哥學習機器學習的對話展開，內容輕鬆，實戰性強，主要包括機器學習快速上手路徑、數學和Python 基礎知識、機器學習基礎算法（線性回歸和邏輯回歸）、深度神經網絡、卷積神經網絡、循環神經網絡、經典算法、集成學習、無監督和半監督等非監督學習類型、強化學習實戰等內容，以及相關實戰案例。本書所有案例均通過Python及Scikit-learn 機器學習庫和Keras 深度學習框架實現，同時還包含豐富的數據分析和數據可視化內容。本書適合對AI 感興趣的程序員、項目經理、在校大學生以及任何想以零基礎學機器學習的人，用以入門機器學習領域，建立從理論到實戰的知識通道。

閱讀本書，即使讀者僅掌握高中數學知識，也能理解和應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，當你提供更多數據時，算法可反饋更好的結果。ML支持許多尖端技術，如推薦系統、面部識別軟件、智能揚聲器，甚至包括自動駕駛汽車。本書不落窠臼，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。本書不談深奧的術語，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；還將學習一些實用技能，以清理和準備數據。 · 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絡和集成方法讀者閱讀本書前，最好瞭解Python基礎知識，不必瞭解機器學習知識。

本書主要講解分布式機器學習算法和開源框架，讀者既可以從宏觀的設計上瞭解分布式機器學習的概念和理論，也可以深入核心技術的細節設計中，對分布式機器學習形成深刻而直觀的認識，做到學以致用。 本書共分為5篇，第1篇是分布式基礎，首先介紹了分布式機器學習的概念、基礎設施，以及機器學習並行化技術、框架和軟件系統，然後對集合通信和參數服務器PS-Lite進行了介紹。第2篇是數據並行，以PyTorch和Horovod為主對數據並行進行分析，讀者可以瞭解在具體工程領域內實現數據並行有哪些挑戰和解決方案。第3篇是流水線並行，講解了除模型劃分之外，還通過引入額外的流水線來提高效率，以GPipe / PyTorch / PipeDream為例進行分析。第4篇是模型並行，首先對NVIDIA Megatron進行分析，講解如何進行層內分割模型並行，然後講解PyTorch 如何支持模型並行，最後介紹分布式優化器。第5篇是TensorFlow分布式，前面幾篇以PyTorch為綱，結合其他框架/庫來穿插完成，本篇帶領大家進入TensorFlow分布式領域。

本書針對學習者在選擇合適的學習資源時所面臨的學習資源問題，利用深度學習技術分別對學習者模型、學習者的反饋信息、學習者的社交關係和學習資源的知識圖譜等方面的內容進行建模研究。本書採用定量與定性的研究方式評估了所提出的學習資源適配模型，並實現和開發了學習資源適配服務平臺，從理論和實證研究相結合的角度對學習資源適配技術進行了系統性的研究。本書圖文並茂，既有詳細的模型算法圖，又有嚴謹的公式推導和實驗驗證，所構建的模型能夠有效的提高學習資源適配的準確率，使學習者在進行在線學習過程中，獲得更加個性化的學習體驗，以此提高學習者的學習體驗和學習效率，具有一定的理論研究價值和較高應用可行性。

本書基於卷積神經網絡和圖像識別方法，介紹了PyTorch和PaddlePaddle兩種框架，並結合移動機器人講解了具體的開發過程。

本書旨在向讀者交付有關深度學習的交互式學習體驗。書中不僅闡述深度學習的算法原理，還演示它們的實現和運行。與傳統圖書不同，本書的每一節都是一個可以下載並運行的 Jupyter記事本，它將文字、公式、圖像、代碼和運行結果結合在了一起。此外，讀者還可以訪問並參與書中內容的討論。全書的內容分為3個部分：第一部分介紹深度學習的背景，提供預備知識，並包括深度學習最基礎的概念和技術；第二部分描述深度學習計算的重要組成部分，還解釋近年來令深度學習在多個領域大獲成功的卷積神經網絡和循環神經網絡；第三部分評價優化算法，檢驗影響深度學習計算性能的重要因素，並分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者瞭解基本的Python編程或附錄中描述的線性代數、微分和概率基礎。

本書用豐富的圖示，從最小二乘法出發，對基於最小二乘法實現的各種機器學習演算法進行了詳細的介紹。第Ⅰ部分介紹了機器學習領域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監督的回歸演算法和分類演算法；第Ⅳ部分介紹了各種無監督學習演算法；第Ⅴ部分介紹了機器學習領域中的新興演算法。書中大部分演算法都有相應的MATLAB程式原始程式碼，可以用來進行簡單的測試。 本書適合所有對機器學習有興趣的初學者閱讀。

近年來，Python語言成為了廣受歡迎的編程語言，而它在機器學習領域也有很好的表現。scikit-learn是一個用Python語言編寫的機器學習算法庫，它可以實現一系列常用的機器學習算法，是一個好工具。本書通過14章內容，詳細地介紹了一系列機器學習模型和scikit-learn的使用技巧。本書從機器學習的基礎理論講起，涵蓋了簡單線性回歸、K-近鄰算法、特徵提取、多元線性回歸、邏輯回歸、樸素貝葉斯、非線性分類、決策樹回歸、隨機森林、感知機、支持向量機、人工神經網絡、K-均值算法、主成分分析等重要話題。本書適合機器學習領域的工程師學習，也適合想要瞭解scikit-learn的數據科學家閱讀。通過閱讀本書，讀者將有效提升自己在機器學習模型的構建和評估方面的能力，並能夠高效地解決機器學習難題。

本書主要講述了深度學習中的重要概念和技術，並展示了如何使用TensorFlow實現高級機器學習算法和神經網絡。本書首先介紹了數據科學和機器學習中的基本概念，然後講述如何使用TensorFlow訓練深度學習模型，以及如何通過訓練深度前饋神經網絡對數字進行分類，如何通過深度學習架構解決計算機視覺、語言處理、語義分析等方面的實際問題，最後討論了高級的深度學習模型，如生成對抗網絡及其應用。

本書首先從Python 基本語法開始討論，逐步介紹必備的數學知識與神經網絡的基本知識，並利用討論的內容編寫一個深度學習框架TensorPy，有了這些知識作為鋪墊後，就開始討論生成對抗網絡（GAN）相關的內容。然後，本書使用比較簡單的語言來描述GAN 涉及的思想、模型與數學原理，接著便通過TensorFlow實現傳統的GAN，並討論為何一定需要生成器或判別器。接下來，重點介紹GAN 各種常見的變體，包括卷積生成對抗網絡、條件對抗生成網絡、循環一致性、改進生成對抗網絡、漸近增強式生成對抗網絡等內容。本書從模型與數學的角度來理解GAN 變體，希望通過數學符號表達出不同GAN 變體的核心思想，適合人工智能、機器學習、計算機視覺相關專業的人員學習使用。

本書旨在介紹人工智能中深度學習的基礎知識，為即將進入深度學習領域進行研究的讀者奠定基礎。全書共13章，其中，第1～4章為理論部分，第5～13章為應用部分。理論部分介紹了機器學習和深度學習的基本內容，以及TensorFlow開發框架的搭建和使用；應用部分設置了多個項目案例，並介紹了這些案例詳細的實現步驟和代碼，使讀者在練習中熟悉和掌握相關知識的應用方法與技巧。 本書採用項目驅動的編寫方式，做到了理論和實踐的結合。每個項目案例都提供配套的數據源文件和源代碼文件，使讀者可以直接感受案例效果。讀者也可以在相關案例代碼的基礎上調整相關參數，得到不一樣的結果，以加深理解。 本書適合作為高等院校的人工智能課程教材，也可作為人工智能相關培訓的教材。

本書是機器學習入門書籍，面向需要提升數據科學技能的開發人員和需要提升編程技能的數據科學家，涵蓋了從機器學習基礎概念到完整解決方案的各個方面。本書共分為五個部分，主要內容包括人工智能基礎知識、實現機器學習解決方案的步驟、微軟的ML.NET庫、實用的機器學習算法、神經網絡、AI雲服務等，並且免費提供使用ML.NET庫構建的代碼示例。

本書主要介紹深度學習項目化技術和分析應用，涵蓋初級視覺領域的智能分析應用和高級視覺領域的智能分析應用，在初級人工智能分析技術中詳細的介紹了人工智能的發展，從知識入手，讓讀者瞭解人工智能的由來，同時介紹了人工智能學習的框架以及目標訓練的技術，這些是人工智能中的核心技術，對讀者接觸人工智能技術知識以及學習到人工智能技術操作有著巨大的幫助，由淺入深增加學習的興趣，真正學習到人工智能的核心技術。