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

強化學習是機器學習的重要組成部分。本書採用理論與實踐相結合的寫法，從強化學習的基本概念開始，詳細介紹了強化學習的算法理論和實踐操作，配有Python代碼實現，完整呈現強化學習算法的實踐細節。通過這本書你將會：（1）理解強化學習關鍵方面的問題。（2）探索馬爾可夫決策過程及動態規劃的過程。（3）深入理解強化學習的各種方法，包括MC方法，TD方法，深度學習Q方法，SARSA方法等。（4）通過大量的現實例子及Python實現程序，不斷地實踐，成為強化學習的高手。

零基礎讀者應如何快速入門機器學習？數學基礎薄弱的讀者應如何理解機器學習中的數學原理？這些正是本書要解決的問題。本書從數學基礎知識入手，通過前3章的介紹，幫助讀者輕鬆複習機器學習涉及的數學知識；然後，通過第4-第13章的介紹，逐步講解機器學習常見算法的相關知識，幫助讀者快速入門機器學習；最後，通過第14章的綜合實踐，幫助讀者回顧本書內容，進一步鞏固所學知識。《機器學習的數學原理和算法實踐》適合對機器學習感興趣但數學基礎比較薄弱的讀者學習，也適合作為相關專業的學生入門機器學習的參考用書。

本書從機器學習的基本原理入手，以常見模型為驅動，配以精心設計的實踐案例，為大家呈現了機器學習理論知識和應用方法。書中運用 Python 語言及 scikit-learn 庫實現了幾大常見機器學習模型的訓練程序和預測程序，讓讀者能夠理論聯繫實際，在學習、工作中應用機器學習。本書適合打算入門機器學習的人閱讀。

本書是一本系統介紹深度學習技術及開源框架PyTorch的入門書。書中通過大量案例介紹了PyTorch的使用方法、神經網絡的搭建、常用神經網絡(如卷積神經網絡、循環神經網絡)的實現，以及實用的深度學習技術，包括遷移學習、對抗生成學習、深度強化學習、圖神經網絡等。讀者通過閱讀本書，可以學會構造一個圖像識別器，生成逼真的圖畫，讓機器理解單詞與文本，讓機器作曲，教會機器玩遊戲，還可以實現一個簡單的機器翻譯系統。第2版基於PyTorch 1.6.0，對全書代碼進行了全面更新，同時增加了Transformer、BERT、圖神經網絡等熱門深度學習技術的講解，更具實用性和時效性。

本書旨在利用 TensorFlow 針對各種現實場景設計深度學習系統，引導讀者實現有趣的深度學習項目。本書涵蓋 10 個實踐項目，如用目標檢測 API 標注圖像、利用長短期記憶神經網絡（LSTM）預測股票價格、構建和訓練機器翻譯模型、檢測 Quora 數據集中的重複問題等。通過閱讀本書，讀者可以瞭解如何搭建深度學習的 TensorFlow 環境、如何構建卷積神經網絡以有效地處理圖像、如何利用長短期記憶神經網絡預測股票價格，以及如何實現一個能夠自己玩電子遊戲的人工智能（AI）！本書適合數據科學家、機器學習和深度學習領域的從業者以及人工智能技術的愛好者閱讀。

本書系統介紹了機器學習常用算法及其應用，在深入分析算法原理的基礎上，結合當前熱門應用場景，向讀者展現了機器學習算法的綜合應用，帶領讀者進入機器學習領域，開啟人工智能行業的大門。 全書共 21 章，分為 3 部分。第 1 部分介紹機器學習基礎算法，包括線性回歸、多項式回歸、邏輯回歸、k-NN、決策樹、k-Means、SVM、隨機森林、樸素貝葉斯、PCA 降維等，針對每個算法給出應用案例，讓讀者既掌握算法原理，又能夠使用算法解決問題。第 2 部分是機器學習基礎算法綜合應用，通過學生分數預測、自閉症患者預測、淘寶用戶價值分析、耳機評論情感預測幾個案例提升讀者對機器學習算法的應用能力。第 3 部分是機器學習進階算法與應用，介紹邏輯更為複雜的機器學習算法，如改進的聚類算法、HMM算法、Boosting 算法等，並給出相應案例，此外，還展示了多個算法綜合應用項目。 本書適合對機器學習、人工智能感興趣的讀者閱讀，也可以作為應用型大學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相關原理與方法，提高其解決實際問題的能力。

本書將介紹一種非常常用的優化算法--交替方向乘子法，將完整介紹交替方向法的各種來源和各種主流的變種，並給出完整的證明和解釋。本書涵蓋了求解確定性凸問題、非凸問題、隨機問題和分布式問題的各類算法。本書將作為交替方向法的重要參考資料。該書更關注收斂速度，而不僅僅是收斂性，這樣的理論分析能給使用者提供極為有用的信息。該書對優化、信號處理和機器學習等不同領域的研究者和使用者來說，都毫無疑問是很有價值的參考。

本書講解了經典的高級機器學習算法原理與知識，包括常見的監督學習、無監督學習、概率圖模型、核方法、深度神經網絡，以及強化學習等內容，同時更強調動手實踐。所有算法均利用PyTorch計算框架進行實現，並且在各章節配備實戰環節，內容涵蓋點擊率預估、異常檢測、概率圖模型變分推斷、高斯過程超參數優化、深度強化學習智能體訓練等內容。 本書附贈所有案例的源代碼及各類學習資料來源，適合具有一定編程基礎的人工智能愛好者學習，也是相關從業者和研究人員的學習指南。

本書是算法競賽領域一本系統介紹競賽的圖書，書中不僅包含競賽的基本理論知識，還結合多個方向和案例詳細闡述了競賽中的上分思路和技巧。全書分為五部分：第一部分以算法競賽的通用流程為主，介紹競賽中各個部分的核心內容和具體工作；第二部分介紹了用戶畫像相關的問題；第三部分以時間序列預測問題為主，先講述這類問題的常見解題思路和技巧，然後分析天池平臺的全球城市計算AI 挑戰賽和 Kaggle 平臺的Corporación Favorita Grocery Sales Forecasting；第四部分主要介紹計算廣告的核心技術和業務，包括廣告召回、廣告排序和廣告競價，其中兩個實戰案例是2018 騰訊廣告算法大賽——相似人群拓展和Kaggle 平臺的TalkingData AdTracking Fraud Detection Challenge；第五部分基於自然語言處理相關的內容進行講解，其中實戰案例是Kaggle 平臺上的經典競賽Quora Question Pairs。 本書適合從事機器學習、數據挖掘和人工智能相關算法崗位的人閱讀。

本書展示了如何在業務場景中應用機器學習，以使業務流程更快、更靈活地適應變化。本書分為三個部分。第一部分介紹有效的決策如何幫助公司提高生產率以保持競爭力，闡釋如何使用開源工具和AWS工具將機器學習應用於業務決策中。第二部分以虛擬人物為主線，研究六個場景，這些場景展示了如何使用機器學習來制定各種業務決策。第三部分討論如何在Web上設置和共享機器學習模型，以便公司使用機器學習進行決策，還介紹了一些案例，

本書全面系統地講解了深度學習相關的知識。全書共8章，內容包括深度學習簡介及TensorFlow安裝，神經網絡基礎、神經網絡的TensorFlow實現、卷積神經網絡基礎、經典卷積神經網絡（上）、經典卷積神經網絡（下）、深度學習用於文本序列和深度學習實驗項目等內容。本書以知識體系為基礎，以課堂案例為載體，採取理論與實踐相結合的教學模式，通過知識講解和上機實驗，使學生不僅掌握深度學習的理論基礎，而且能夠實現基本的代碼。

作為一門應用型學科，機器學習植根於數學理論，落地於代碼實現。這就意味著，掌握公式推導和代碼編寫，方能更加深入地理解機器學習算法的內在邏輯和運行機制。本書在對全部機器學習算法進行分類梳理的基礎之上，分別對監督學習單模型、監督學習集成模型、無監督學習模型、概率模型四個大類共26個經典算法進行了細緻的公式推導和代碼實現，旨在幫助機器學習學習者和研究者完整地掌握算法細節、實現方法以及內在邏輯。

2017年，國務院印發《新一代人工智能發展規劃》，要求中小學開設人工智能相關課程，並提倡以計算思維為指導，將信息技術課程從技術導向轉換為科學導向。因此，“機器學習”作為人工智能技術的內核，走入我國廣大中小學生的課堂是科技發展的必然選擇。 《機器學習與計算思維》共11章，系統地介紹機器學習模型中常見的白盒和黑盒模型，以及這些模型統一的框架和經常被使用的技巧。《機器學習與計算思維》介紹了這些技巧是如何被巧妙地封裝成一種通用方法，並在適當的時候被反復使用。從框架到思路，再到解決問題的技巧，以及技巧的封裝和重用，這些都是塑造良好計算思維的必經之路。

本書以掌握Python語言基礎為前提，由淺入深、全面系統地講解了機器學習的相關知識及技能，內容注重實用性和可操作性，在介紹機器學習理論知識的基礎上，結合具體的實戰實例，給出了詳細的代碼及實現步驟。全書共9個項目，分別介紹了數據分析基礎、機器學習項目實戰流程、探索性數據分析與特徵工程、常見機器學習算法及框架、交叉驗證與超參數調優，並結合主流機器學習技術框架Scikit-learn，展開了信用違約分類預測、社交媒體評論分類預測、共享單車用量需求回歸預測、信用卡客戶忠誠度回歸預測的項目實戰。

本書共6章。第1章介紹機器學習的基本概念及其發展史、機器學習分類、常見機器學習算法及其特點；第2章搭建機器學習開發環境，主要包括Anaconda\PyCham\Python軟件的安裝及使用，以及常見機器學習庫的介紹和安裝使用方法；第3章介紹監督學習的4個經典算法：線性回歸、決策樹、k近鄰和支持向量機算法，其重點在算法的應用；第4章介紹主成分分析降維算法、K-means聚類算法；第5章介紹人工神經網絡基礎，並通過房價預測和手寫數字識別實例進行驗證；第6章介紹強化學習的基本概念，有模型學習和無模型學習，最後介紹了Q-Learning算法和Sarsa算法。

MATLAB為機器學習領域提供了必要的工具。用戶可以借助MATLAB環境提供的強大交互式圖形界面，非常輕鬆地解決機器學習問題。本書在介紹每個主題前，會簡要概述其理論基礎，然後輔以實際案例進行闡釋。通過閱讀本書，讀者能夠應用機器學習方法，並能充分利用MATLAB的功能解決實際問題。《MATLAB機器學習》前3章主要介紹MATLAB機器學習的基礎知識、使用MATLAB導入數據和組織數據的方法以及從數據到知識發掘的方法，中間3章主要介紹回歸分析、分類分析以及無監督學習，最後3章介紹人工神經網絡、降維變換的方法以及機器學習實戰的相關知識。本書可供數據分析員、數據科學家以及任何希望學習機器學習算法以及構建數據處理、預測應用的讀者閱讀。

本書通過扎實、詳細的內容和清晰的結構，從算法理論、算法源碼、實驗結果等方面對深度學習算法進行分析和介紹。本書共三篇，第一篇主要介紹深度學習在計算機視覺方向的一些卷積神經網絡，從基礎骨幹網絡、輕量級 CNN、模型架構搜索 3 個方向展開，介紹計算機視覺方向的里程碑算法；第二篇主要介紹深度學習在自然語言處理方向的重要突破，包括基礎序列模型和模型預訓練；第三篇主要介紹深度學習在模型優化上的進展，包括模型優化方法。 通過閱讀本書，讀者可以深入理解主流的深度學習基礎算法，搭建起自己的知識體系，領會算法的本質，學習模型優化方法。無論是從事深度學習科研的教師及學生，還是從事算法落地實踐的工作人員，都能從本書中獲益。

本書從圖劃分的視角系統介紹基於圖論的機器學習方法，包括機器學習中的三類基本學習問題：無監督、半監督和監督學習問題，同時考慮協同正則化、多重正則化和路徑傳播對基於圖論的學習方法進行了拓展。通過大量的實驗驗證，本書提供的方法合理有效，算法效率顯著提高。

本書將帶領讀者一起主動擁抱機器學習，快樂翻越高等數學、算法分析、工程實踐這三座大山。根據會用即可者、想深入學習者、想成為專家者這三類讀者的學習動機和閱讀需求，全書一共用19章來講解機器學習的各種模型，主要包括機器學習中基礎和關鍵的線性回歸、邏輯回歸、決策樹、貝葉斯、支持向量機、KNN等。全書具有語言表達輕快、模型講解細緻、圖表配備眾多三點特色。 本書可供計算機、人工智能、大數據等專業的大學生、研究生閱讀，也可供需要用到機器學習技術的廣大工程技術人員、研究人員作為參考。