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

本書是機器學習領域的入門教材，詳細闡述了機器學習的基本理論和方法。全書由12 章組成，包括緒論、線性模型與邏輯斯諦回歸、決策樹、貝葉斯分類器、k 近鄰算法、支持向量機、人工神經網絡、線性判別分析、主成分分析法、聚類、EM 算法與高斯混合聚類、集成學習等。 對每一種機器學習算法，均從算法原理的理論推導和MATLAB 實現兩方面進行介紹。本書既注意保持理論分析的嚴謹性, 又注重機器學習算法的實用性，同時強調機器學習算法的思想和原理在計算機上的實現。全書內容選材恰當，系統性強，行文通俗流暢，具有較強的可讀性。本書的建議課時為48 課時，可作為數據科學與大數據技術、計算機科學與技術、統計學以及信息與計算科學等本科專業的教材或教學參考書， 也可以作為理工科研究生機器學習課程的教材或參考書。

如今的“機器學習”系統已具備非凡能力，能夠在各種場合代替我們看和聽，並代表我們做決定。但是警鐘已經敲響。隨著機器學習飛速發展，人們的擔憂也在與日俱增。如果我們訓練的人工智能（AI）做的事情與我們真正的目的不符，就會引發潛在的風險和倫理問題。研究人員稱之為對齊問題（the alignment problem）。 暢銷書作家布萊恩·克裡斯汀用生動的筆調，清晰闡釋了AI與我們息息相關的問題。在書中，我們將認識批積極應對對齊問題的學者，了解他們為了避免AI發展的局面失控，付出的卓絕努力和雄心勃勃的計劃。克裡斯汀不僅精練地描繪了機器學習的發展史，並且親自深入科研一線同科學家對話，準確呈現了機器學習前沿的進展。讀者可以清晰認識到，對齊問題研究的成敗，將對人類的未來產生決定性影響。 對齊問題還是一面鏡子，將人類自身的偏見和盲點暴露出來，讓我們看清自己從未闡明的假設和經常自相矛盾的目標。這是一部精彩紛呈的跨學科史詩，不僅審視了人類的科技，也審視了人類的文化，時而讓人沮喪，時而又柳暗花明。

《深度學習》由全球知名的三位專家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分系統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。《深度學習》適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平臺中應用的軟件工程師。

本書前6章介紹基礎準備、數據探索、數據預處理、機器學習模型（分類、回歸、聚類）、集成學習、模型評估及持久化；第7章介紹機器學習在土木工程中的應用場景，並以五個工程案例系統化講解SKlearn庫的應用。 本書“輕原理、重實踐”，適合廣大對機器學習有興趣，並且想系統學習數理統計的讀者；也可用作機器學習培訓、高校教材或作為學習SKlearn庫的工具書。

強化學習是機器學習的重要分支，是實現通用人工智能的重要途徑。本書介紹了強化學習在算法層面的快速發展，包括值函數、策略梯度、值分佈建模等基礎算法，以及為了提升樣本效率產生的基於模型學習、探索與利用、多目標學習、層次化學習、技能學習等算法，以及一些新興領域，包括離線學習、表示學習、元學習等，旨在提升數據高效性和策略的泛化能力的算法，還介紹了應用領域中強化學習在智能控制、機器視覺、語言處理、醫療、推薦、金融等方面的相關知識。 本書深入淺出、結構清晰、重點突出，系統地闡述了強化學習的前沿算法和應用，適合從事人工智能、機器學習、優化控制、機器人、遊戲開發等工作的專業技術人員閱讀，還可作為計算機、人工智能、智能科學相關專業的研究生和高年級本科生的教材。

本書對優化算法的理論和研究進展進行了系統的梳理，旨在幫助讀者快速瞭解該領域的發展脈絡，掌握必要的基礎知識，進而推進前沿研究工作。本書首先介紹流行的機器學習模式，對重要的優化理論進行回顧，接著重點討論已廣泛應用於優化的算法，以及有潛力應用於大規模機器學習和數據分析的算法，包括一階方法、隨機優化方法、隨機和分布式方法、非凸隨機優化方法、無投影方法、算子滑動和分散方法等。本書適合對機器學習、人工智能和數學編程感興趣的讀者閱讀參考。

本書是一本由淺入深地介紹深度學習的理論原理及PyTorch深度學習框架的入門書籍，全書通過圖文並茂的方式對重點知識進行講解，注重實踐，詳細地介紹了PyTorch的基本使用、神經網絡的構建和訓練技巧、卷積神經網絡和循環神經網絡的實現，以及前沿的深度生成模型的應用。通過學習本書，讀者不僅可以瞭解深度學習，而且可以輕鬆實現機器作詩、自動樂曲生成、機器翻譯、圖像去噪等有趣的應用。全書配有注釋詳細的代碼，方便讀者學習與實踐。本書適用於對人工智能感興趣的讀者，也適合作為深度學習領域的入門教材。

本書的內容章節分為四個部分，從技術原理到項目實踐再到商業戰略，逐層放開視野。內容涉及基於人工智能技術在產業中做創新業務的方法論，通過交流“思想”和“應用方法論”，使大家掌握機器學習的深層次思想，並理解商業、產品和技術的深層關係。

本書從數據分析與機器學習算法入手，系統地介紹了機器學習各類算法的原理方法和實際應用。本書的主要內容包括：KNN算法、樸素貝葉斯、決策樹、支持向量機、線性回歸、K-means算法、人工神經網絡、卷積網絡深度學習以及基於Python數據分析進行職業規劃。本書作為大數據技術與人工智能領域的入門教材，在內容上涵蓋了機器學習經典算法的基礎知識和應用實例，採用Python作為編程語言，強調基本算法的應用理解，內容由淺入深。各部分內容均配有相應的任務，注重實踐應用，便於讀者學習和掌握。本書可作為各類職業院校大數據技術、雲計算技術應用、人工智能技術應用等相關專業的教學用書，也可作為相關專業領域工程技術人員的參考用書。本書配有電子課件、源代碼、微課視頻(掃描二維碼觀看)等課程資源，選用本書作為授課教材的教師可以登錄機械工業出版社教育服務網(www.cmpedu.com)註冊後免費下載，也可聯繫編輯(010-88379807)諮詢。

本書系統地介紹了機器學習系統的設計原則和實踐經驗，側重於介紹機器學習的原理、神經網絡和優化器、自動差分算法、機器學習系統編程模型、控制流和數據流，異構硬件加速器的原理和編程、數據流圖編譯器前端、數據流圖編譯器後端、數據準備和增強、模型部署相關技術、分布式訓練、彈性訓練、聯合訓練和評估平臺、調試和優化工具、數據隱私和安全等。在講授的過程中，本書將根據MindSpore的自身特點，在各個章節突出討論MindSpore的優勢點，從而將MindSpore並列為與TensorFlow，PyTorch的三大框架。

本書用淺顯易懂的語言，圖文並貌地講解了深度學習的基礎知識，從如何挑選硬件到神經網絡的初步搭建，再到實現圖片識別、文本翻譯、強化學習、生成對抗網絡等多個目前最流行的深度學習應用。書中基於目前流行的PyTorch框架，運用Python語言實現了各種深度學習的應用程序，讓理論和實踐緊密結合。

本書以Python機器學習常用技術與真實案例相結合的方式，深入淺出地介紹了Python機器學習應用的主要內容。全書共11章，分別介紹了機器學習概述、數據準備、特徵工程、有監督學習、無監督學習、智能推薦的相關知識，並介紹了市財政收入分析案例、基於非侵入式電力負荷監測與分解的電力分析案例、航空公司客戶價值分析案例、廣電大數據營銷推薦案例以及基於TipDM數據挖掘建模平臺實現航空公司客戶價值分析案例。每章都包含了課後習題，幫助讀者鞏固所學的內容。本書可以作為高校數據科學或人工智能的相關專業教材，也可以作為機器學習愛好者的自學用書。

全書共 10 章，第 1 章介紹了機器學習算法的基本概念、分類及本書開發環境的搭建。第 2 章介紹了機器學習算法中經常用到的 NumPy 相關知識及繪圖工具包 Matplotlib。從第 3 章開始介紹機器學習算法，第 3 章介紹了最簡單也是最常用的線性回歸算法。第 4 章介紹了搜索算法，包括梯度下降算法、隨機梯度下降算法、小批量梯度下降算法、牛頓迭代算法及坐標下降算法。第 5 章介紹了二分類的 Logistic回歸算法和多元回歸算法 SoftMax，以及評價分類結果優劣的各種指標。第 6 章介紹了支持向量機算法及支持向量機的核函數方法。第 7 章介紹了樸素貝葉斯算法。第 8 章介紹了決策樹優化算法及由多棵決策樹構成的隨機森林算法等集成學習算法。第 9 章介紹了聚類算法，包括 K 均值算法、合併聚類算法、DBSCAN 算法等。第 10 章介紹了降維算法，主要包括主成分分析法和主成分分析的核方法。每章都包含大量的實戰案例，既有自行實現的算法，也有直接調用 Sklearn 工具庫實現的算法。本書配備思考與練習，全書所有的示例程序都提供完整的源代碼，讀者可登錄華信教育資源網或GitHub 網站免費下載。本書適合作為人工智能、大數據等專業的學生教材，對於人工智能相關培訓機構、人工智能愛好者，也有一定的參考價值。

本書系統介紹了神經網絡和深度學習，並結合實際應用場景和綜合案例，讓讀者深入了解深度學習。 全書共16章，分為4個部分。第1部分介紹了深度學習基礎算法與應用，主要包括神經網絡和深度學習的相關概念、多層神經網絡的基本原理和具體應用、卷積神經網絡的原理及項目案例實現、優化算法與模型管理。第2部分介紹了深度學習進階算法與應用，主要包括經典的深度卷積神經網絡，ResNet、DenseNet和MobileNet，目標檢測的基本概念和常見算法，循環神經網絡的基本概念和具體應用。第3部分介紹了時空數據模型與應用，主要包括CNN-LSTM混合模型的基本概念和具體應用，多元時間序列神經網絡、注意力機制和Transformer的基本結構和具體應用。第4部分介紹了生成對抗網絡及其應用，主要包括生成對抗網絡的基本概念及其模型的結構和訓練過程，使用檢測模型、識別模型對車牌進行檢測與識別。 本書適合對人工智能、機器學習、神經網絡和深度學習等感興趣的讀者閱讀，也適合作為本科院校和高等職業院校人工智能相關專業的教材。本書可以幫助有一定基礎的讀者查漏補缺，使其深入理解和掌握與深度學習相關的原理及方法，並能提高其解決實際問題的能力。

本書系統地介紹了強化學習的原理和實現，是一本理論扎實、落地性強的圖書。本書包含3個部分：第一部分為強化學習基礎，講解強化學習的基礎概念和表格型強化學習方法；第二部分為強化學習進階，討論深度強化學習的思維方式、深度價值函數和深度策略學習方法；第三部分為強化學習前沿，介紹學術界在深度強化學習領域的主要關注方向和前沿算法。同時，本書提供配套的線上代碼實踐平臺，展示源碼的編寫和運行過程，讓讀者進一步掌握強化學習算法的運行機制。本書理論與實踐並重，在介紹強化學習理論的同時，輔之以線上代碼實踐平臺，幫助讀者通過實踐加深對理論的理解。本書適合對強化學習感興趣的高校學生、教師，以及相關行業的開發和研究人員閱讀、實踐。

本書從基礎知識開始，介紹深度學習與圖神經網絡相關的一系列技術與實現方法，主要內容包括PyTorch的使用、神經網絡的原理、神經網絡的基礎模型、圖神經網絡的基礎模型。書中側重講述與深度學習基礎相關的網絡模型和算法思想，以及圖神經網絡的原理，且針對這些知識點給出在PyTorch框架上的實現代碼。本書適合想學習圖神經網絡的技術人員、人工智能從業人員閱讀，也適合作為大專院校相關專業的師生用書和培訓班的教材。

本書基於備受讀者推崇的王樹森“深度強化學習”系列公開視頻課，專門解決“入門深度強化學習難”的問題。本書的獨特之處在於：第一，知識精簡，剔除一切不必要的概念和公式，學起來輕鬆；第二，內容新穎，聚焦近10年深度強化學習領域的突破，讓你一上手就緊跟新技術。本書系統講解深度強化學習的原理與實現，但不回避數學公式和各種模型，原創100多幅精美插圖，並以全彩印刷展示。簡潔清晰的語言+生動形象的圖示，助你掃除任何可能的學習障礙！本書內容分為五部分：基礎知識、價值學習、策略學習、多智能體強化學習、應用與展望，涉及DQN、A3C、TRPO、DDPG、AlphaGo等。本書面向深度強化學習入門讀者，助你構建完整的知識體系。學完本書，你能夠輕鬆看懂深度強化學習的實現代碼、讀懂該領域的論文、聽懂學術報告，具備進一步自學和深挖的能力。

本書從數據集、數據清理開始談起, 在介紹機器學習的建模方式後, 第2章詳細說明了機器學習與深度學習所涉及的矩陣、向量等技術。第3章使用Keras搭建深度學習模型, 也介紹了激活函數、損失函數、反向傳播、過擬合或欠擬合等問題。第4章給出了訓練深度學習模型的過程中可能存在的交叉驗證問題。當需要提高模型精度時, 可以考慮參考第5章中的L1/L2正則化、丟棄正則化、早停等方式。第6章講解模型評估問題, 在太平洋颶風數據集上指出準確率的局限性, 從而引出混淆矩陣、ROC曲線、AUC評分等概念。接下來的3章介紹卷積神經網絡、遷移學習、循環神經網絡等問題, 這些內容在工業實際項目中佔據核心地位, 值得大家多寫代碼、多實踐。

本書前幾章涵蓋了DevOps和MLOps的理論和實踐，然後介紹了如何設置持續集成和持續交付，接著介紹Kaizen，即對所有事物進行持續改進的想法。與雲計算相關的MLOps分為三章，涵蓋AWS、Azure 和GCP(穀歌雲平臺)。之後介紹了機器學習互操作性、構建MLOps命令行工具和微服務。這些主題包括許多具有積極吸引力的尖端新興技術。結尾介紹了一些真實案例研究，以及執行MLOps時面臨的挑戰。

本書以系統性地介紹深度學習理論和相關技術應用為目標，對框架實現及多種深度學習模型進行了詳細講解，並且在介紹計算機圖形學(CV)和自然語言處理(NLP)任務之外，還會對科學研究、城市監測等方面的範例應用進行講解。本書知識全面、實用，共10章，內容包括深度學習數學基礎，深度學習基礎模型(全連接網絡、卷積神經網絡、循環神經網絡和Transformer等)和實現，多場景多領域最佳實踐，模型優化、加速與部署等。本書配套有完整的案例源碼，獲取方式見封底。本書適合有數據分析需求的技術人員、科研人員，以及互聯網數據分析人員閱讀，還可以作為深度學習培訓班及相關專業研究生的教學參考用書。