新書推薦：
《
炙野（全2册）
》
售價：HK$
78.2
《
女人的胜利
》
售價：HK$
55.9
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：HK$
266.6
《
500万次倾听：陪伤心的人聊聊
》
售價：HK$
53.8
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：HK$
80.6
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》
售價：HK$
87.4
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》
售價：HK$
66.1
《
周易
》
售價：HK$
44.6
|
| 編輯推薦： |
人工智能，火了！计算机是由程序驱动的，人工智能不过是一些特殊的算法。只要你有一些程序设计语言的基础，跟随本书，你也能进入人工智能的世界，成为一名人工智能应用的开发者。
本书特色
1. 内容实用实在、详略得当，讲授符合初学者的认知规律
本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识，从内容结构上非常注重知识的实用性和可操作性。必须掌握的细节处绝不吝惜笔墨、手把手细致到每一次的鼠标点击；仅需要大致了解处绝不铺张浪费纸张、整体结构的描述提纲挈领。这样的安排注重了对初学阶段必备知识的深入了解，大致了解的知识也能够有所认识，这种由浅入深、循序渐进的讲授完全是遵循和尊重了初学者对机器学习知识的认知规律。
2. 行文幽默诙谐，以实例引导全程，特别适合初学者阅读
本书介绍的基本理论知识、用于分类的机器学习算法、用于回归的机器学习算法、数据预处理、数据表达与特征工程等，都是使用非常贴近生活场景的实例来引导的，这样就避免了知识讲述过于抽象，非常易于理解。同时，作者以幽默诙谐，贴近时代的语言对这些知识进行生动、通俗的一一讲解，犹如一位你的老朋友，帮助你缩
|
| 內容簡介： |
机器学习正在迅速改变我们的世界。我们几乎每天都会读到机器学习如何改变日常的生活。如果你在淘宝或者*这样的电子商务网站购买商品，或者在爱奇艺或是腾讯视频这样的视频网站观看节目，甚至只是进行一次百度搜索，就已经触碰到了机器学习的应用。使用这些服务的用户会产生数据，这些数据会被收集，在进行预处理之后用来训练模型，而模型会通过这些数据来提供更好的用户体验。此外，目前还有很多使用机器学习技术的产品或服务即将在我们的生活当中普及，如能够解放双手的无人驾驶汽车、聪明伶俐的智能家居产品、善解人意的导购机器人等。可以说要想深入机器学习的应用开发当中，现在就是一个非常理想的时机。
本书内容涵盖了有监督学习、无监督学习、模型优化、自然语言处理等机器学习领域所必须掌握的知识，从内容结构上非常注重知识的实用性和可操作性。全书采用由浅入深、循序渐进的讲授方式，完全遵循和尊重初学者对机器学习知识的认知规律。本书适合有一定程序设计语言和算法基础的读者学习使用。
|
| 關於作者： |
|
段小手，君兮科技创始人，毕业于北京大学。具有10余年国内一线互联网电子商务公司项目管理经验。其负责的跨境电子商务项目曾获得国家发改委电子商务示范项目中关村现代服务业试点项目北京市信息化基础设施提升项目北京市外贸综合公共平台等专项政策支持。目前重点研究领域为机器学习和深度学习等方面。
|
| 目錄：
|
目
录
第1章
概 述
1.1 什么是机器学习从一个小故事开始
002
1.2 机器学习的一些应用场景蝙蝠公司的业务单元 003
1.3 机器学习应该如何入门世上无难事
005
1.4 有监督学习与无监督学习 007
1.5 机器学习中的分类与回归 008
1.6 模型的泛化、过拟合与欠拟合 008
1.7 小结 009
第2章
基于Python语言的环境配置
2.1 Python的下载和安装 012
2.2 Jupyter Notebook的安装与使用方法
013
2.2.1 使用pip进行Jupyter
Notebook的下载和安装 013
2.2.2 运行Jupyter Notebook
014
2.2.3 Jupyter Notebook的使用方法 015
2.3 一些必需库的安装及功能简介 017
2.3.1 Numpy基础科学计算库 017
2.3.2 Scipy强大的科学计算工具集 018
2.3.3 pandas数据分析的利器 019
2.3.4 matplotlib画出优美的图形
020
深入浅出Python 机器学习
VIII
2.4 scikit-learn非常流行的Python机器学习库 021
2.5 小结 022
第3章 K最近邻算法近朱者赤，近墨者黑
3.1 K最近邻算法的原理 024
3.2 K最近邻算法的用法 025
3.2.1 K最近邻算法在分类任务中的应用 025
3.2.2 K最近邻算法处理多元分类任务 029
3.2.3 K最近邻算法用于回归分析 031
3.3 K最近邻算法项目实战酒的分类 034
3.3.1 对数据集进行分析 034
3.3.2 生成训练数据集和测试数据集 036
3.3.3 使用K最近邻算法进行建模
038
3.3.4 使用模型对新样本的分类进行预测 039
3.4 小结 041
第4章
广义线性模型耿直的算法模型
4.1 线性模型的基本概念 044
4.1.1 线性模型的一般公式 044
4.1.2 线性模型的图形表示 045
4.1.3 线性模型的特点 049
4.2 最基本的线性模型线性回归 050
4.2.1 线性回归的基本原理 050
4.2.2 线性回归的性能表现 051
4.3 使用L2正则化的线性模型岭回归
053
4.3.1 岭回归的原理 053
4.3.2 岭回归的参数调节 054
4.4 使用L1正则化的线性模型套索回归 058
4.4.1 套索回归的原理 058
4.4.2 套索回归的参数调节 059
4.4.3 套索回归与岭回归的对比 060
目
录
IX
4.5 小结 062
第5章
朴素贝叶斯打雷啦，收衣服啊
5.1 朴素贝叶斯基本概念 064
5.1.1 贝叶斯定理 064
5.1.2 朴素贝叶斯的简单应用 064
5.2 朴素贝叶斯算法的不同方法 068
5.2.1 贝努利朴素贝叶斯 068
5.2.2 高斯朴素贝叶斯 071
5.2.3 多项式朴素贝叶斯 072
5.3 朴素贝叶斯实战判断肿瘤是良性还是恶性
075
5.3.1 对数据集进行分析 076
5.3.2 使用高斯朴素贝叶斯进行建模 077
5.3.3 高斯朴素贝叶斯的学习曲线 078
5.4 小结 080
第6章
决策树与随机森林会玩读心术的算法
6.1 决策树 082
6.1.1 决策树基本原理 082
6.1.2 决策树的构建 082
6.1.3 决策树的优势和不足 088
6.2 随机森林 088
6.2.1 随机森林的基本概念 089
6.2.2 随机森林的构建 089
6.2.3 随机森林的优势和不足 092
6.3 随机森林实例要不要和相亲对象进一步发展
093
6.3.1 数据集的准备 093
6.3.2 用get_dummies处理数据 094
6.3.3 用决策树建模并做出预测 096
6.4 小结 098
第7章
支持向量机SVM专治线性不可分
7.1 支持向量机SVM基本概念 100
7.1.1 支持向量机SVM的原理 100
7.1.2 支持向量机SVM的核函数 102
7.2 SVM的核函数与参数选择 104
7.2.1 不同核函数的SVM对比 104
7.2.2 支持向量机的gamma参数调节 106
7.2.3 SVM算法的优势与不足 108
7.3 SVM实例波士顿房价回归分析 108
7.3.1 初步了解数据集 109
7.3.2 使用SVR进行建模 110
7.4 小结 114
第8章
神经网络曾入冷宫，如今得宠
8.1 神经网络的前世今生 116
8.1.1 神经网络的起源 116
8.1.2 第一个感知器学习法则 116
8.1.3 神经网络之父杰弗瑞欣顿 117
8.2 神经网络的原理及使用 118
8.2.1 神经网络的原理 118
8.2.2 神经网络中的非线性矫正 119
8.2.3 神经网络的参数设置 121
8.3 神经网络实例手写识别 127
8.3.1 使用MNIST数据集 128
8.3.2 训练MLP神经网络 129
8.3.3 使用模型进行数字识别 130
8.4 小结 131
第9章
数据预处理、降维、特征提取及聚类快
刀斩乱麻
9.1 数据预处理 134
9.1.1 使用StandardScaler进行数据预处理 134
9.1.2 使用MinMaxScaler进行数据预处理 135
9.1.3 使用RobustScaler进行数据预处理 136
9.1.4 使用Normalizer进行数据预处理 137
9.1.5 通过数据预处理提高模型准确率 138
9.2 数据降维 140
9.2.1 PCA主成分分析原理 140
9.2.2 对数据降维以便于进行可视化 142
9.2.3 原始特征与PCA主成分之间的关系
143
9.3 特征提取 144
9.3.1 PCA主成分分析法用于特征提取 145
9.3.2 非负矩阵分解用于特征提取 148
9.4 聚类算法 149
9.4.1 K均值聚类算法 150
9.4.2 凝聚聚类算法 153
9.4.3 DBSCAN算法 154
9.5 小结 157
第10章
数据表达与特征工程锦上再添花
10.1 数据表达 160
10.1.1 使用哑变量转化类型特征 160
10.1.2 对数据进行装箱处理 162
10.2 数据升维 166
10.2.1 向数据集添加交互式特征 166
10.2.2 向数据集添加多项式特征 170
10.3 自动特征选择 173
10.3.1 使用单一变量法进行特征选择 173
10.3.2 基于模型的特征选择 178
10.3.3 迭代式特征选择 180
10.4 小结 182
第11章
模型评估与优化只有更好，没有最好
11.1 使用交叉验证进行模型评估 184
11.1.1 scikit-learn中的交叉验证法 184
11.1.2 随机拆分和挨个儿试试 186
11.1.3 为什么要使用交叉验证法 188
11.2 使用网格搜索优化模型参数 188
11.2.1 简单网格搜索 189
11.2.2 与交叉验证结合的网格搜索 191
11.3 分类模型的可信度评估 193
11.3.1 分类模型中的预测准确率 194
11.3.2 分类模型中的决定系数 197
11.4 小结 198
第12章
建立算法的管道模型团结就是力量
12.1 管道模型的概念及用法 202
12.1.1 管道模型的基本概念 202
12.1.2 使用管道模型进行网格搜索 206
12.2 使用管道模型对股票涨幅进行回归分析
209
12.2.1 数据集准备 209
12.2.2 建立包含预处理和MLP模型的管道模型 213
12.2.3 向管道模型添加特征选择步骤 214
12.3 使用管道模型进行模型选择和参数调优
216
12.3.1 使用管道模型进行模型选择 216
12.3.2 使用管道模型寻找更优参数 217
12.4 小结 220
第13章
文本数据处理亲，见字如数
13.1 文本数据的特征提取、中文分词及词袋模型
222
13.1.1 使用CountVectorizer对文本进行特征提取
222
13.1.2 使用分词工具对中文文本进行分词 223
13.1.3 使用词袋模型将文本数据转为数组 224
13.2 对文本数据进一步进行优化处理 226
13.2.1 使用n-Gram改善词袋模型 226
13.2.2 使用tf-idf模型对文本数据进行处理
228
13.2.3 删除文本中的停用词 234
13.3 小结 236
第14章
从数据获取到话题提取从研究员
到段子手
14.1 简单页面的爬取 238
14.1.1 准备Requests库和User Agent
238
14.1.2 确定一个目标网站并分析其结构 240
14.1.3 进行爬取并保存为本地文件 241
14.2 稍微复杂一点的爬取 244
14.2.1 确定目标页面并进行分析 245
14.2.2 Python中的正则表达式 247
14.2.3 使用BeautifulSoup进行HTML解析 251
14.2.4 对目标页面进行爬取并保存到本地 256
14.3 对文本数据进行话题提取 258
14.3.1 寻找目标网站并分析结构 259
14.3.2 编写爬虫进行内容爬取 261
14.3.3 使用潜在狄利克雷分布进行话题提取
263
14.4 小结 265
第15章
人才需求现状与未来学习方向你是不
是下一个大牛
15.1 人才需求现状 268
15.1.1 全球AI从业者达190万，人才需求3年翻8倍 268
15.1.2 AI人才需求集中于一线城市，七成从业者月薪过万
269
15.1.3 人才困境仍难缓解，政策支援亟不可待
269
15.2 未来学习方向 270
15.2.1 用于大数据分析的计算引擎 270
15.2.2 深度学习开源框架 271
15.2.3 使用概率模型进行推理 272
15.3 技能磨炼与实际应用 272
15.3.1 Kaggle算法大赛平台和OpenML平台 272
15.3.2 在工业级场景中的应用 273
15.3.3 对算法模型进行AB测试 273
15.4 小结 274
参考文献 275
|
| 內容試閱：
|
前 言
计算机是由程序驱动的，人工智能（AI）不过是一些特殊的算法。只要你有一些程序设计语言的基础，跟随本书，你也能进入人工智能的世界，成为一个AI应用的开发者。
人工智能，火了
仿佛就在一夜之间，人工智能火了，一跃成为IT业内最受关注的热点话题。如果读者关注互联网圈子的话，应该会听说在2017年12月乌镇举办的第四届互联网大会上，一众互联网大咖张口闭口都在谈人工智能，使得AI成了毫无疑问的最大风口。
例如，网易公司的CEO丁磊就表示，人工智能会成为每一个行业的标配。他认为，任何一个行业都可以用到人工智能，并且建议每个企业的领导者都不要忽略人工智能对自己所在领域的影响。
苹果公司的CEO蒂姆库克也谈到人工智能可以让世界变得更美好。同时，他表示并不担心机器会像人一样思考，但强调必须为技术注入人性，赋予技术应有的价值。
把All in AI作为口号的百度，其CEO李彦宏更是极为推崇人工智能。他的观点是，人工智能不可能超越人类的能力，但是随着它的能力逐步逼近人类，就会开始一个行业一个行业地去颠覆了。
还有一位不能不提的人，就是阿里巴巴集团董事局主席马云。在他的演讲中提到，与其担心人工智能会带走很多就业机会，不如拥抱技术，解决新的问题。人工智能只会让人的工作更有价值，更有尊严。
当然，小米的CEO雷军更是不忘在大会上直接做了个硬广告。他告诉与会嘉宾，小米正在拥抱人工智能，在2018年小米手机将深度利用AI技术。
深入浅出Python 机器学习
II
此外，大名鼎鼎的斯坦福大学计算机系教授、Coursera创始人吴恩达，更是人工智能的坚定拥护者。他直言未来政府和企业会在人工智能领域扮演着越来越重要的角色，监管得力才能使AI发展得更好，企业领导者更应该将AI技术融入企业文化中，创造一个AI支持下的未来。
国内的顶级学者也高度重视AI的发展，中国工程院院士倪光南老先生强调，AI是未来非常重要的一个发展方向，会产生什么我们很难预料，但一定会产生重大的影响；同时他指出，未来人和机器应该和谐相处，我们可以把重复性的劳动交给人工智能，人类去做更多有创造力的工作。
诸如此类，我们这里不一一列举了，但从上述这些大咖们的言论之中，人工智能的火爆程度，已然是可见一斑了。
置身事外，还是投身其中
既然各路大咖都如此看好人工智能的前景，那么我们应该怎样面对这一波浪潮呢？
前不久，我们的朋友圈几乎被同一种情绪刷屏，那就是对人工智能即将取代人类的强烈担忧。各路自媒体不惜笔墨地渲染人工智能将逐步蚕食人类的就业机会，并且最终取代人类统治世界，以此来博得大众的眼球，吸引粉丝的关注。
对于此，笔者的观点是：这简直是咸吃萝卜淡操心！这种通过夸大其词误导大众换取关注的方法是不可取的。纵观人类历史，发生过三次大的工业革命，而在这三次革命当中，确实发生过短暂的对于人类就业的冲击。但是人类自起源以来，依靠强大的适应能力一直存活到今天，并没有被任何机器或者别的物种所取代。相反地，我们的生活质量还在不断提高，享受着新兴技术给我们带来的高效与便捷。
不过，尽管我们不必担心新的技术取代人类，但还是要面对一个现实，那就是每次大的技术革命带来的阶层转换与固化。比如距离我们最近的这一次信息技术蓬勃发展，制造了一大批顶级富豪，如微软的比尔盖茨、亚马逊的贝索斯，国内的李彦宏、马云、马化腾、张朝阳、丁磊等。
如果说，在上一次互联网带来巨大机遇的时候，咱们年龄还小有可能还在上中学甚至小学，没能抓住这一波浪潮，那么这一波AI带来的机会就真的是生逢其时，估计本书的读者朋友年龄段会相对集中在80后90后这一代，正是青春好年华，体力和脑力都处在一个非常出色的阶段，可以说是完美地遭遇了这一千载难逢的好时机。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
