机器学习基础：从入门到求职

出版者:电子工业出版社

作者:胡欢武

页数:384

出版时间:2019-4

价格:89元

装帧:平装-胶订

isbn号码:9787121355219

具体描述

《机器学习基础：从入门到求职》是一本机器学习算法方面的理论+实践读物，主要包含机器学习基础理论、线性回归模型、分类模型、聚类模型、降维模型和深度神经网络模型六大部分。机器学习基础理论部分包含第1、2 章，主要介绍机器学习的理论基础和工程实践基础。第3 章是线性回归模型部分，主要包括模型的建立、学习策略的确定和优化算法的求解过程，最后结合三种常见的线性回归模型实现了一个房价预测的案例。第4 至11 章详细介绍了几种常见的分类模型，包括朴素贝叶斯模型、K 近邻模型、决策树模型、Logistic 回归模型、支持向量机模型、随机森林模型、AdaBoost 模型和提升树模型，每一个模型都给出了较为详细的推导过程和实际应用案例。第12 章系统介绍了五种常见的聚类模型，包括K-Means 聚类、层次聚类、密度聚类、谱聚类和高斯混合聚类，每一个模型的原理、优缺点和工程应用实践都给出了较为详细的说明。第13 章系统介绍了四种常用的降维方式，包括奇异值分解、主成分分析、线性判别分析和局部线性嵌入，同样给出了详细的理论推导和分析。最后两章分别是Word2Vec 和Doc2Vec 词向量模型和深度神经网络模型，其中，第14 章详细介绍了Word2Vec 和Doc2Vec 模型的原理推导和应用；第15 章深度神经网络模型系统介绍了深度学习相关的各类基础知识。

《机器学习基础：从入门到求职》适合对人工智能和机器学习感兴趣的学生、求职者和已工作人士，以及想要使用机器学习这一工具的跨行业者（有最基本的高等数学、线性代数、概率基础即可），具体判别方法建议您阅读本书的前言。

目录信息

第1章 机器学习概述
1.1 机器学习介绍
1.1.1 机器学习的特点
1.1.2 机器学习的对象
1.1.3 机器学习的应用
1.2 机器学习分类
1.2.1 按任务类型分类
1.2.2 按学习方式分类
1.2.3 生成模型与判别模型
1.3 机器学习方法三要素
1.3.1 模型
1.3.2 策略
1.3.3 算法
1.3.4 小结
第2章 机器学习工程实践
2.1 模型评估指标
2.1.1 回归模型的评估指标
2.1.2 分类模型的评估指标
2.1.3 聚类模型的评估指标
2.1.4 常用距离公式
2.2 模型复杂度度量
2.2.1 偏差与方差
2.2.2 过拟合与正则化
2.3 特征工程与模型调优
2.3.1 数据挖掘项目流程
2.3.2 特征工程
2.3.3 模型选择与模型调优
第3章 线性回归
3.1 问题引入
3.2 线性回归模型
3.2.1 模型建立
3.2.2 策略确定
3.2.3 算法求解
3.2.4 线性回归模型流程
3.3 线性回归的scikit-learn实现
3.3.1 普通线性回归
3.3.2 Lasso回归
3.3.3 岭回归
3.3.4 ElasticNet回归
3.4 线性回归实例
3.5 小结
第4章 朴素贝叶斯
4.1 概述
4.2 相关原理
4.2.1 朴素贝叶斯基本原理
4.2.2 原理的进一步阐述
4.2.3 后验概率最大化的含义
4.2.4 拉普拉斯平滑
4.3 朴素贝叶斯的三种形式及scikit-learn实现
4.3.1 高斯型
4.3.2 多项式型
4.3.3 伯努利型
4.4 中文文本分类项目
4.4.1 项目简介
4.4.2 项目过程
4.4.3 完整程序实现
4.5 小结
第5章 K近邻
5.1 概述
5.2 K近邻分类原理
5.2.1 K值的选择
5.2.2 距离度量
5.2.3 分类决策规则
5.2.4 K近邻分类算法过程
5.3 K近邻回归原理
5.3.1 回归决策规则
5.3.2 K近邻回归算法过程
5.4 搜索优化——KD树
5.4.1 构造KD树
5.4.2 搜索KD树
5.5 K近邻的scikit-learn实现
5.5.1 K近邻分类
5.5.2 K近邻回归
5.6 K近邻应用实例
5.7 小结
第6章 决策树
6.1 概述
6.2 特征选择
6.2.1 信息增益
6.2.2 信息增益比
6.2.3 基尼指数
6.3 决策树生成
6.3.1 ID3决策树
6.3.2 C4.5决策树
6.3.3 CART决策树
6.4 决策树剪枝
6.5 决策树的scikit-learn实现
6.6 决策树应用于文本分类
6.7 小结
第7章 Logistic回归
7.1 Logistic回归概述
7.2 Logistic回归原理
7.2.1 Logistic回归模型
7.2.2 Logistic回归学习策略
7.2.3 Logistic回归优化算法
7.3 多项Logistic回归
7.4 Logistic回归的scikit-learn实现
7.5 Logistic回归实例
7.6 小结
第8章 支持向量机
8.1 感知机
8.1.1 感知机模型
8.1.2 感知机学习策略
8.1.3 感知机优化算法
8.1.4 感知机模型整体流程
8.1.5 小结
8.2 硬间隔支持向量机
8.2.1 引入
8.2.2 推导
8.3 软间隔支持向量机
8.4 合页损失函数
8.5 非线性支持向量机
8.6 SVM的scikit-learn实现
8.6.1 线性SVM
8.6.2 非线性SVM
8.7 SVM实例
8.8 小结
第9章 随机森林
9.1 Bagging
9.2 随机森林概念
9.3 RF的推广——extra trees
9.4 RF的scikit-learn实现
9.5 RF的scikit-learn使用实例
9.5.1 程序
9.5.2 结果及分析
9.5.3 扩展
9.6 小结
第10章 AdaBoost
10.1 AdaBoost的结构
10.1.1 AdaBoost的工作过程
10.1.2 AdaBoost多分类问题
10.1.3 AdaBoost回归问题
10.2 AdaBoost的原理
10.3 AdaBoost的scikit-learn实现
10.4 AdaBoost应用实例
10.5 AdaBoost模型的优缺点
第11章 提升树
11.1 提升树的定义
11.2 梯度提升树
11.2.1 梯度提升树的原理推导
11.2.2 GBDT和GBRT模型的处理过程
11.2.3 梯度提升模型的scikit-learn实现
11.2.4 梯度提升模型的scikit-learn使用实例
11.2.5 GBDT模型的优缺点
11.3 XGBoost
11.3.1 XGBoost的原理
11.3.2 XGBoost调参
11.3.3 XGBoost与GBDT的比较
第12章 聚类
12.1 聚类问题介绍
12.2 K-Means聚类
12.2.1 K-Means聚类过程和原理
12.2.2 K-Means算法优化
12.2.3 小结
12.2.4 K-Means应用实例
12.3 层次聚类
12.3.1 层次聚类的过程和原理
12.3.2 小结
12.3.3 层次聚类应用实例
12.4 密度聚类算法
12.4.1 密度聚类算法过程和原理
12.4.2 密度聚类小结
12.4.3 密度聚类应用实例
12.5 谱聚类
12.5.1 谱聚类的过程和原理
12.5.2 谱聚类小结
12.5.3 谱聚类应用实例
12.6 高斯混合模型
12.6.1 高斯混合聚类过程和原理
12.6.2 EM算法
12.6.3 小结
12.6.4 GMM应用实例
第13章 降维
13.1 奇异值分解
13.1.1 矩阵的特征分解
13.1.2 奇异值分解
13.2 主成分分析
13.2.1 PCA原理推导
13.2.2 核化PCA
13.2.3 PCA/KPCA的scikit-learn实现
13.3 线性判别分析
13.3.1 LDA原理推导
13.3.2 LDA与PCA的比较
13.3.3 LDA应用实例
13.4 局部线性嵌入
13.4.1 局部线性嵌入介绍
13.4.2 局部线性嵌入过程和原理
13.4.3 LLE应用实例
第14章 Word2Vec和Doc2Vec词向量模型
14.1 Word2Vec
14.1.1 Word2Vec概述
14.1.2 基于Hierarchical Softmax方法的CBOW模型
14.1.3 基于Hierarchical Softmax方法的Skip-Gram模型
14.1.4 基于Negative Sampling方法的CBOW模型
14.1.5 基于Negative Sampling方法的Skip-Gram模型
14.1.6 Word2Vec应用实例
14.2 Doc2Vec模型
14.2.1 Doc2Vec模型原理
14.2.2 Doc2Vec应用实例
第15章 深度神经网络
15.1 深度学习
15.1.1 概述
15.1.2 深度学习发展历史
15.2 神经网络原理
15.2.1 前向传播
15.2.2 反向传播
15.2.3 实例
15.2.4 几种常用激活函数
15.2.5 梯度消失与梯度爆炸
15.2.6 几种常用的优化算法
15.3 神经网络应用实例
15.4 小结
· · · · · · (收起)

用户评价

这本《机器学习基础：从入门到求职》简直是为我这种想转行但又对技术心生畏惧的人量身定做的。我本来是做市场营销的，对数据和算法一窍不通，每次看到技术岗位的JD就头大。但这本书的开篇部分，它没有直接丢给我一堆复杂的数学公式，而是用非常生活化的例子讲解了什么是机器学习、它能解决什么问题。比如，它用推荐系统来解释监督学习和无监督学习的区别，那种清晰度，让我第一次感觉AI离我很近，而不是高不可攀的空中楼阁。而且，它对Python环境的搭建、常用库的安装和基础语法也讲得非常细致，几乎是手把手带着我走的。我记得我以前看其他教程时，光是环境配置就卡了好几天，但这本书里提供的步骤简直是傻瓜式操作。最让我惊喜的是，它在讲完理论后，立刻就配了一个小项目，让我立刻学以致用，这种即时反馈极大地增强了我的学习动力。对于一个零基础的读者来说，这本书成功地扫清了入门阶段最大的心理障碍。

关于“求职”这个主题的融入，这本书的处理方式可以说是教科书级别的实用。很多技术书籍在最后往往草草收尾，留给读者一个“学完了，但不知道怎么用”的尴尬境地。然而，本书的后半部分完全聚焦于实战和职业规划。它详细讲解了如何构建一个能“说服”面试官的个人项目集——从数据获取、预处理到模型部署的完整流程都被清晰地列了出来，并且针对每个环节，都给出了行业内通用的最佳实践建议。我特别喜欢其中关于“项目亮点提炼”的章节，它指导我如何用STAR法则来描述我在项目中所扮演的角色和解决的难题，这对于我准备技术面试的简历撰写帮助太大了。它甚至还涉及了一些常见的算法面试题的解题思路，虽然不是高深的算法竞赛题，但绝对是入门级面试中必考的内容。这本书让我清晰地看到，学习完这些知识后，我应该走向何方，如何将知识转化为实际的职业竞争力。

这本书的深度和广度拿捏得非常到位，绝不仅仅是一本停留在概念层面的入门读物。当我通过了基础部分的“新手村”后，真正精彩的部分才开始展开。它对核心算法的讲解，比如决策树、支持向量机（SVM）以及基础的神经网络结构，深入到了数学原理层面，但又巧妙地避开了让人望而却步的纯数学推导，转而侧重于算法的直观理解和参数的意义。我尤其欣赏它在介绍梯度下降时所采用的类比手法，让人能立刻把握住“优化”的核心思想。更别提它在模型评估与选择这一章的处理方式了，对于过拟合、欠拟合的辨识，以及如何科学地使用交叉验证，讲解得极其透彻。这对于我后续开始接触真实世界的数据集时，避免走弯路起到了决定性的作用。它不是那种只教你怎么调包的“速成书”，而是真的在帮你构建一个扎实的理论框架，这点对于想长期在数据科学领域发展的人来说，是无价之宝。

不得不提，这本书在代码实现上的严谨性令人印象深刻。作者似乎深谙“代码即是最好的注释”这一真理。书中提供的所有代码示例都放在了配套的GitHub仓库中，结构清晰，注释详尽。更重要的是，它没有局限于单一的库，而是展示了如何使用TensorFlow和PyTorch这两个主流框架进行相同任务的对比实现。这种对比让读者可以根据自己的偏好和未来的工作方向进行选择。当我尝试复现那些复杂的模型时，几乎没有遇到环境依赖冲突或代码逻辑错误。这表明作者在编写和测试代码时投入了巨大的精力，保证了代码的可运行性和教学的有效性。对于一个以实战为导向的读者来说，这种高度可靠的代码支持，远比空洞的理论讲解来得更有价值，它大大缩短了从“理解”到“实现”的鸿沟。

这本书的排版和语言风格也值得称赞，它有一种恰到好处的“陪伴感”。尽管内容涉及面广、专业性强，但作者的叙述语气总是保持着一种鼓励和引导的姿态，读起来毫不费力。图文的配合运用得非常巧妙，复杂的流程图和数据结构图清晰地辅助了文字说明，避免了长篇大论带来的阅读疲劳。很多技术书籍的排版就是一堵灰色的墙，让人读两页就想放弃，但这本在重点概念的标注、公式的突出显示上都做了细致的设计。它似乎明白，学习是一场马拉松，需要保持阅读的舒适度和连贯性。因此，我常常能沉浸其中，感觉作者就像一位经验丰富的导师，耐心地陪着我，一步步跨越那些看似难以逾越的技术障碍，直到我能够自信地迈向职业生涯的下一站。