 書單推薦 新書推薦 |
Python機器學習經(jīng)典實例 第2版 
定 價：139.8 元
當前圖書已被 44 所學校薦購過！
查看明細
9 7 5 8 5 7 6 1 9 1 2 5 9 
本書介紹了如何使用scikit-learn、TensorFlow等關鍵庫來有效解決現(xiàn)實世界的機器學習問題。本書著重于實用的解決方案，提供多個案例，詳細地講解了如何使用Python生態(tài)系統(tǒng)中的現(xiàn)代庫來構建功能強大的機器學習應用程序；還介紹了分類、聚類和推薦引擎等多種機器學習算法，以及如何將監(jiān)督學習和無監(jiān)督學習技術應用于實際問題；最后，介紹了強化學習、深度神經(jīng)網(wǎng)絡和自動機器學習等應用示例。
本書適合數(shù)據(jù)科學家、機器學習開發(fā)人員、深度學習愛好者以及希望使用機器學習技術和算法解決實際問題的Python程序員閱讀。
本書采用新的方法來處理實際的機器學習和深度學習任務。
本書能夠幫助你學會如何使用 Python 生態(tài)系統(tǒng)中新的庫來構建強大的機器學習應用，指導你使用標準化的方法實現(xiàn)多種機器學習算法，如分類、聚類和推薦引擎等。本書還介紹了如何應用有監(jiān)督學習和無監(jiān)督學習技術來解決實際問題。
最后，本書結合實例講解了更先進的技術，包括強化學習、深度神經(jīng)網(wǎng)絡和自動化機器學習等。
讀完本書，你將掌握應用機器學習技術所需的各項技能，并能利用整個 Python 生態(tài)系統(tǒng)去解決現(xiàn)實問題。
提供本書源代碼以及書中彩圖文件下載。
本書主要包括以下內(nèi)容：
■使用預測建模解決實際問題
■探索數(shù)據(jù)可視化技術，以實現(xiàn)數(shù)據(jù)交互
■學習構建推薦引擎
■理解如何處理文本數(shù)據(jù)，并構建分析模型
■處理語音數(shù)據(jù)，使用隱馬爾可夫模型識別語音中的單詞
■掌握強化學習、自動化機器學習和遷移學習技術
■處理圖像數(shù)據(jù)，構建圖像識別和面部識別系統(tǒng)
■使用深度神經(jīng)網(wǎng)絡構建光學字符識別系統(tǒng)
朱塞佩·查博羅（Giuseppe Ciaburro）擁有環(huán)境技術物理學博士學位和兩個學科的
碩士學位，他的重點研究方向是機器學習在城市聲環(huán)境研究中的應用。他有超過 15 年的編程專業(yè)經(jīng)驗（Python、R、MATLAB），最初從事燃燒學領域的研究，后又致力于聲學和噪音控制方向，并出版過幾本著作，銷量均不錯。
普拉蒂克·喬希（Prateek Joshi）畢業(yè)于南加州大學，擁有人工智能碩士學位。他是一位人工智能專家，也是一位 TEDx演講者，曾位列福布斯 30 歲以下的 30 位精英榜單，并在美國消費者新聞與商業(yè)頻道（CNBC）、TechCrunch、硅谷商業(yè)期刊（Silicon Valley Business Journal）及更多的刊物上發(fā)表過文章。
第 1章 監(jiān)督學習 1
1.1 技術要求 1
1.2 簡介 2
1.3 用Python創(chuàng)建數(shù)組 3
1.3.1 準備工作 3
1.3.2 詳細步驟 3
1.3.3 工作原理 4
1.3.4 更多內(nèi)容 4
1.4 用均值移除法進行數(shù)據(jù)預處理 5
1.4.1 準備工作 5
1.4.2 詳細步驟 6
1.4.3 工作原理 7
1.4.4 更多內(nèi)容 7
1.5 數(shù)據(jù)縮放 7
1.5.1 準備工作 7
1.5.2 詳細步驟 8
1.5.3 工作原理 9
1.5.4 更多內(nèi)容 9
1.6 歸一化 9
1.6.1 準備工作 9
1.6.2 詳細步驟 10
1.6.3 工作原理 10
1.6.4 更多內(nèi)容 10
1.7 二值化 10
1.7.1 準備工作 11
1.7.2 詳細步驟 11
1.7.3 工作原理 11
1.7.4 更多內(nèi)容 12
1.8 one-hot編碼 12
1.8.1 準備工作 12
1.8.2 詳細步驟 12
1.8.3 工作原理 13
1.8.4 更多內(nèi)容 14
1.9 標簽編碼 14
1.9.1 準備工作 14
1.9.2 詳細步驟 14
1.9.3 工作原理 15
1.9.4 更多內(nèi)容 16
1.10 構建線性回歸器 16
1.10.1 準備工作 17
1.10.2 詳細步驟 18
1.10.3 工作原理 20
1.10.4 更多內(nèi)容 20
1.11 計算回歸準確度 21
1.11.1 準備工作 21
1.11.2 詳細步驟 21
1.11.3 工作原理 22
1.11.4 更多內(nèi)容 22
1.12 模型持久化 22
1.12.1 準備工作 22
1.12.2 詳細步驟 23
1.12.3 工作原理 23
1.12.4 更多內(nèi)容 23
1.13 構建嶺回歸器 24
1.13.1 準備工作 25
1.13.2 詳細步驟 25
1.13.3 工作原理 26
1.14 構建多項式回歸器 26
1.14.1 準備工作 27
1.14.2 詳細步驟 27
1.14.3 工作原理 29
1.14.4 更多內(nèi)容 29
1.15 估算房屋價格 29
1.15.1 準備工作 30
1.15.2 詳細步驟 30
1.15.3 工作原理 33
1.15.4 更多內(nèi)容 33
1.16 計算特征的相對重要性 33
1.16.1 準備工作 34
1.16.2 詳細步驟 34
1.16.3 工作原理 36
1.16.4 更多內(nèi)容 36
1.17 評估共享單車的需求分布 36
1.17.1 準備工作 36
1.17.2 詳細步驟 36
1.17.3 工作原理 39
1.17.4 更多內(nèi)容 39
第 2章 構建分類器 41
2.1 技術要求 41
2.2 簡介 42
2.3 構建簡單分類器 42
2.3.1 準備工作 43
2.3.2 詳細步驟 43
2.3.3 工作原理 45
2.3.4 更多內(nèi)容 45
2.4 構建邏輯回歸分類器 45
2.4.1 準備工作 45
2.4.2 詳細步驟 46
2.4.3 工作原理 49
2.4.4 更多內(nèi)容 49
2.5 構建樸素貝葉斯分類器 49
2.5.1 準備工作 50
2.5.2 詳細步驟 50
2.5.3 工作原理 52
2.5.4 更多內(nèi)容 53
2.6 將數(shù)據(jù)集劃分成訓練集和測試集 53
2.6.1 準備工作 54
2.6.2 詳細步驟 54
2.6.3 工作原理 56
2.6.4 更多內(nèi)容 57
2.7 用交叉驗證評估模型準確度 57
2.7.1 準備工作 57
2.7.2 詳細步驟 57
2.7.3 工作原理 58
2.7.4 更多內(nèi)容 59
2.8 混淆矩陣可視化 59
2.8.1 準備工作 60
2.8.2 詳細步驟 60
2.8.3 工作原理 61
2.8.4 更多內(nèi)容 62
2.9 提取性能報告 62
2.9.1 準備工作 62
2.9.2 詳細步驟 62
2.9.3 工作原理 63
2.9.4 更多內(nèi)容 63
2.10 根據(jù)特征評估汽車質(zhì)量 63
2.10.1 準備工作 63
2.10.2 詳細步驟 64
2.10.3 工作原理 66
2.10.4 更多內(nèi)容 66
2.11 生成驗證曲線 66
2.11.1 準備工作 67
2.11.2 詳細步驟 67
2.11.3 工作原理 69
2.11.4 更多內(nèi)容 69
2.12 生成學習曲線 69
2.12.1 準備工作 70
2.12.2 詳細步驟 70
2.12.3 工作原理 71
2.12.4 更多內(nèi)容 71
2.13 估算收入階層 71
2.13.1 準備工作 72
2.13.2 詳細步驟 72
2.13.3 工作原理 75
2.13.4 更多內(nèi)容 75
2.14 葡萄酒質(zhì)量預測 75
2.14.1 準備工作 76
2.14.2 詳細步驟 76
2.14.3 工作原理 78
2.14.4 更多內(nèi)容 78
2.15 新聞組熱門話題分類 78
2.15.1 準備工作 78
2.15.2 詳細步驟 79
2.15.3 工作原理 80
2.15.4 更多內(nèi)容 80
第3章 預測建�！�81
3.1 技術要求 81
3.2 簡介 82
3.3 用SVM構建線性分類器 82
3.3.1 準備工作 83
3.3.2 詳細步驟 84
3.3.3 工作原理 86
3.3.4 更多內(nèi)容 87
3.4 用SVM構建非線性分類器 87
3.4.1 準備工作 87
3.4.2 詳細步驟 87
3.4.3 工作原理 89
3.4.4 更多內(nèi)容 89
3.5 解決類型不平衡問題 89
3.5.1 準備工作 90
3.5.2 詳細步驟 90
3.5.3 工作原理 93
3.5.4 更多內(nèi)容 93
3.6 提取置信度 93
3.6.1 準備工作 93
3.6.2 詳細步驟 93
3.6.3 工作原理 95
3.6.4 更多內(nèi)容 96
3.7 尋找最優(yōu)超參數(shù) 96
3.7.1 準備工作 96
3.7.2 詳細步驟 96
3.7.3 工作原理 100
3.7.4 更多內(nèi)容 101
3.8 構建事件預測器 101
3.8.1 準備工作 101
3.8.2 詳細步驟 102
3.8.3 工作原理 104
3.8.4 更多內(nèi)容 104
3.9 估算交通流量 104
3.9.1 準備工作 104
3.9.2 詳細步驟 105
3.9.3 工作原理 107
3.9.4 更多內(nèi)容 107
3.10 用TensorFlow簡化機器學習流程 107
3.10.1 準備工作 107
3.10.2 詳細步驟 108
3.10.3 工作原理 109
3.10.4 更多內(nèi)容 109
3.11 堆疊法實現(xiàn) 109
3.11.1 準備工作 109
3.11.2 詳細步驟 109
3.11.3 工作原理 110
3.11.4 更多內(nèi)容 111
第4章 無監(jiān)督學習——聚類 112
4.1 技術要求 112
4.2 簡介 113
4.3 用k-means算法聚類數(shù)據(jù) 113
4.3.1 準備工作 114
4.3.2 詳細步驟 114
4.3.3 工作原理 116
4.3.4 更多內(nèi)容 117
4.4 用向量量化壓縮圖片 117
4.4.1 準備工作 118
4.4.2 詳細步驟 118
4.4.3 工作原理 121
4.4.4 更多內(nèi)容 121
4.5 用凝聚層次聚類進行數(shù)據(jù)分組 122
4.5.1 準備工作 122
4.5.2 詳細步驟 122
4.5.3 工作原理 125
4.5.4 更多內(nèi)容 125
4.6 評估聚類算法性能 126
4.6.1 準備工作 126
4.6.2 詳細步驟 126
4.6.3 工作原理 129
4.6.4 更多內(nèi)容 129
4.7 用DBSCAN算法估算簇的個數(shù) 129
4.7.1 準備工作 130
4.7.2 詳細步驟 130
4.7.3 工作原理 133
4.7.4 更多內(nèi)容 133
4.8 探索股票數(shù)據(jù)模式 134
4.8.1 準備工作 134
4.8.2 詳細步驟 134
4.8.3 工作原理 136
4.8.4 更多內(nèi)容 136
4.9 構建市場細分模型 136
4.9.1 準備工作 136
4.9.2 詳細步驟 137
4.9.3 工作原理 139
4.9.4 更多內(nèi)容 139
4.10 用自動編碼器重構手寫數(shù)字圖像 139
4.10.1 準備工作 140
4.10.2 詳細步驟 140
4.10.3 工作原理 143
4.10.4 更多內(nèi)容 144
第5章 可視化數(shù)據(jù) 145
5.1 技術需求 145
5.2 簡介 146
5.3 畫3D散點圖 146
5.3.1 準備工作 146
5.3.2 詳細步驟 146
5.3.3 工作原理 148
5.3.4 更多內(nèi)容 148
5.4 畫氣泡圖 148
5.4.1 準備工作 148
5.4.2 詳細步驟 148
5.4.3 工作原理 149
5.4.4 更多內(nèi)容 150
5.5 畫動態(tài)氣泡圖 150
5.5.1 準備工作 150
5.5.2 詳細步驟 150
5.5.3 工作原理 152
5.5.4 更多內(nèi)容 152
5.6 畫餅圖 152
5.6.1 準備工作 152
5.6.2 詳細步驟 153
5.6.3 工作原理 154
5.6.4 更多內(nèi)容 154
5.7 繪制日期格式的時間序列數(shù)據(jù) 154
5.7.1 準備工作 154
5.7.2 詳細步驟 154
5.7.3 工作原理 156
5.7.4 更多內(nèi)容 156
5.8 畫直方圖 156
5.8.1 準備工作 157
5.8.2 詳細步驟 157
5.8.3 工作原理 158
5.8.4 更多內(nèi)容 159
5.9 可視化熱力圖 159
5.9.1 準備工作 159
5.9.2 詳細步驟 159
5.9.3 工作原理 161
5.9.4 更多內(nèi)容 161
5.10 動態(tài)信號的可視化模擬 161
5.10.1 準備工作 161
5.10.2 詳細步驟 161
5.10.3 工作原理 163
5.10.4 更多內(nèi)容 164
5.11 用seaborn庫畫圖 164
5.11.1 準備工作 164
5.11.2 詳細步驟 164
5.11.3 工作原理 166
5.11.4 更多內(nèi)容 166
第6章 構建推薦引擎 167
6.1 技術要求 167
6.2 簡介 168
6.3 為數(shù)據(jù)處理構建函數(shù)組合 168
6.3.1 準備工作 169
6.3.2 詳細步驟 169
6.3.3 工作原理 170
6.3.4 更多內(nèi)容 170
6.4 構建機器學習管道 171
6.4.1 準備工作 171
6.4.2 詳細步驟 171
6.4.3 工作原理 173
6.4.4 更多內(nèi)容 173
6.5 構建最近鄰分類器 173
6.5.1 準備工作 173
6.5.2 詳細步驟 173
6.5.3 工作原理 175
6.5.4 更多內(nèi)容 176
6.6 構建KNN分類器 176
6.6.1 準備工作 176
6.6.2 詳細步驟 176
6.6.3 工作原理 180
6.6.4 更多內(nèi)容 181
6.7 構建KNN回歸器 181
6.7.1 準備工作 181
6.7.2 詳細步驟 181
6.7.3 工作原理 183
6.7.4 更多內(nèi)容 184
6.8 計算歐式距離分數(shù) 184
6.8.1 準備工作 184
6.8.2 詳細步驟 184
6.8.3 工作原理 186
6.8.4 更多內(nèi)容 186
6.9 計算皮爾遜相關系數(shù) 186
6.9.1 準備工作 186
6.9.2 詳細步驟 186
6.9.3 工作原理 188
6.9.4 更多內(nèi)容 189
6.10 查找數(shù)據(jù)集中的相似用戶 189
6.10.1 準備工作 189
6.10.2 詳細步驟 189
6.10.3 工作原理 190
6.10.4 更多內(nèi)容 191
6.11 生成電影推薦 191
6.11.1 準備工作 191
6.11.2 詳細步驟 191
6.11.3 工作原理 193
6.11.4 更多內(nèi)容 193
6.12 實現(xiàn)排序算法 193
6.12.1 準備工作 194
6.12.2 詳細步驟 194
6.12.3 工作原理 195
6.12.4 更多內(nèi)容 195
6.13 用TensorFlow構建過濾器模型 195
6.13.1 準備工作 196
6.13.2 詳細步驟 196
6.13.3 工作原理 200
6.13.4 更多內(nèi)容 200
第7章 文本數(shù)據(jù)分析 201
7.1 技術要求 201
7.2 簡介 202
7.3 用標記解析的方法預處理數(shù)據(jù) 203
7.3.1 準備工作 203
7.3.2 詳細步驟 203
7.3.3 工作原理 204
7.3.4 更多內(nèi)容 205
7.4 提取文本數(shù)據(jù)的詞干 205
7.4.1 準備工作 205
7.4.2 詳細步驟 205
7.4.3 工作原理 206
7.4.4 更多內(nèi)容 207
7.5 用詞形還原的方法還原文本的基本形式 207
7.5.1 準備工作 207
7.5.2 詳細步驟 207
7.5.3 工作原理 208
7.5.4 更多內(nèi)容 209
7.6 用分塊的方法劃分文本 209
7.6.1 詳細步驟 209
7.6.2 工作原理 210
7.6.3 更多內(nèi)容 211
7.7 構建詞袋模型 211
7.7.1 準備工作 211
7.7.2 詳細步驟 211
7.7.3 工作原理 213
7.7.4 更多內(nèi)容 214
7.8 構建文本分類器 214
7.8.1 準備工作 214
7.8.2 詳細步驟 214
7.8.3 工作原理 216
7.8.4 更多內(nèi)容 217
7.9 識別名字性別 217
7.9.1 準備工作 217
7.9.2 詳細步驟 217
7.9.3 工作原理 219
7.9.4 更多內(nèi)容 219
7.10 語句情感分析 219
7.10.1 準備工作 220
7.10.2 詳細步驟 220
7.10.3 工作原理 222
7.10.4 更多內(nèi)容 223
7.11 用主題建模識別文本模式 223
7.11.1 準備工作 223
7.11.2 詳細步驟 223
7.11.3 工作原理 225
7.11.4 更多內(nèi)容 226
7.12 用spaCy進行詞性標注 226
7.12.1 準備工作 226
7.12.2 詳細步驟 226
7.12.3 工作原理 227
7.12.4 更多內(nèi)容 227
7.13 用gensim構建Word2Vec模型 228
7.13.1 準備工作 228
7.13.2 詳細步驟 228
7.13.3 工作原理 229
7.13.4 更多內(nèi)容 229
7.14 用淺層學習檢測垃圾信息 229
7.14.1 準備工作 229
7.14.2 詳細步驟 230
7.14.3 工作原理 230
7.14.4 更多內(nèi)容 231
第8章 語音識別 232
8.1 技術要求 232
8.2 簡介 233
8.3 讀取和繪制音頻數(shù)據(jù) 233
8.3.1 準備工作 233
8.3.2 詳細步驟 234
8.3.3 工作原理 235
8.3.4 更多內(nèi)容 235
8.4 將音頻信號轉(zhuǎn)換為頻域 236
8.4.1 準備工作 236
8.4.2 詳細步驟 236
8.4.3 工作原理 238
8.4.4 更多內(nèi)容 238
8.5 用自定義參數(shù)生成音頻信號 238
8.5.1 準備工作 238
8.5.2 詳細步驟 239
8.5.3 工作原理 240
8.5.4 更多內(nèi)容 241
8.6 合成音樂 241
8.6.1 準備工作 241
8.6.2 詳細步驟 241
8.6.3 工作原理 243
8.6.4 更多內(nèi)容 243
8.7 提取頻域特征 243
8.7.1 準備工作 244
8.7.2 詳細步驟 244
8.7.3 工作原理 246
8.7.4 更多內(nèi)容 246
8.8 構建隱馬爾可夫模型 246
8.8.1 準備工作 246
8.8.2 詳細步驟 246
8.8.3 工作原理 247
8.8.4 更多內(nèi)容 248
8.9 構建語音識別器 248
8.9.1 準備工作 248
8.9.2 詳細步驟 249
8.9.3 工作原理 252
8.9.4 更多內(nèi)容 253
8.10 構建TTS系統(tǒng) 253
8.10.1 準備工作 253
8.10.2 詳細步驟 253
8.10.3 工作原理 254
8.10.4 更多內(nèi)容 255
第9章 時序列化和時序數(shù)據(jù)分析 256
9.1 技術要求 256
9.2 簡介 257
9.3 將數(shù)據(jù)轉(zhuǎn)換為時間序列格式 257
9.3.1 準備工作 257
9.3.2 詳細步驟 258
9.3.3 工作原理 259
9.3.4 更多內(nèi)容 260
9.4 切分時間序列數(shù)據(jù) 260
9.4.1 準備工作 260
9.4.2 詳細步驟 260
9.4.3 工作原理 262
9.4.4 更多內(nèi)容 262
9.5 操作時間序列數(shù)據(jù) 262
9.5.1 準備工作 262
9.5.2 詳細步驟 263
9.5.3 工作原理 264
9.5.4 更多內(nèi)容 265
9.6 從時序數(shù)據(jù)中提取統(tǒng)計信息 265
9.6.1 準備工作 265
9.6.2 詳細步驟 265
9.6.3 工作原理 267
9.6.4 更多內(nèi)容 267
9.7 為序列數(shù)據(jù)構建隱馬爾可夫模型 268
9.7.1 準備工作 268
9.7.2 詳細步驟 268
9.7.3 工作原理 271
9.7.4 更多內(nèi)容 271
9.8 為序列化文本數(shù)據(jù)構建條件隨機場 271
9.8.1 準備工作 271
9.8.2 詳細步驟 272
9.8.3 工作原理 274
9.8.4 更多內(nèi)容 274
9.9 股市數(shù)據(jù)分析 274
9.9.1 準備工作 275
9.9.2 詳細步驟 275
9.9.3 工作原理 278
9.9.4 更多內(nèi)容 278
9.10 用RNN預測時間序列數(shù)據(jù) 279
9.10.1 準備工作 279
9.10.2 詳細步驟 279
9.10.3 工作原理 283
9.10.4 更多內(nèi)容 283
第 10章 圖像內(nèi)容分析 284
10.1 技術要求 284
10.2 簡介 285
10.3 用OpenCV_Python操作圖像 286
10.3.1 準備工作 286
10.3.2 詳細步驟 286
10.3.3 工作原理 288
10.3.4 更多內(nèi)容 288
10.4 邊緣檢測 288
10.4.1 準備工作 288
10.4.2 詳細步驟 288
10.4.3 工作原理 290
10.4.4 更多內(nèi)容 290
10.5 直方圖均衡 290
10.5.1 準備工作 291
10.5.2 詳細步驟 291
10.5.3 工作原理 292
10.5.4 更多內(nèi)容 292
10.6 角點檢測 293
10.6.1 準備工作 293
10.6.2 詳細步驟 293
10.6.3 工作原理 294
10.6.4 更多內(nèi)容 294
10.7 SIFT特征點檢測 294
10.7.1 準備工作 295
10.7.2 詳細步驟 295
10.7.3 工作原理 296
10.7.4 更多內(nèi)容 296
10.8 構建Star特征檢測器 296
10.8.1 準備工作 297
10.8.2 詳細步驟 297
10.8.3 工作原理 298
10.8.4 更多內(nèi)容 298
10.9 用視覺碼本和向量量化創(chuàng)建特征 299
10.9.1 準備工作 299
10.9.2 詳細步驟 299
10.9.3 工作原理 301
10.9.4 更多內(nèi)容 302
10.10 用極端隨機森林訓練圖像分類器 302
10.10.1 準備工作 302
10.10.2 詳細步驟 302
10.10.3 工作原理 304
10.10.4 更多內(nèi)容 304
10.11 構建對象識別器 304
10.11.1 準備工作 304
10.11.2 詳細步驟 304
10.11.3 工作原理 306
10.11.4 更多內(nèi)容 306
10.12 用LightGBM進行圖像分類 306
10.12.1 準備工作 306
10.12.2 詳細步驟 307
10.12.3 工作原理 309
10.12.4 更多內(nèi)容 309
第 11章 生物特征人臉識別 310
11.1 技術要求 310
11.2 簡介 311
11.3 從網(wǎng)絡攝像頭采集和處理視頻信息 311
11.3.1 準備工作 312
11.3.2 詳細步驟 312
11.3.3 工作原理 313
11.3.4 更多內(nèi)容 313
11.4 用Haar級聯(lián)構建人臉識別器 313
11.4.1 準備工作 314
11.4.2 詳細步驟 314
11.4.3 工作原理 315
11.4.4 更多內(nèi)容 316
11.5 構建眼鼻檢測器 316
11.5.1 準備工作 316
11.5.2 詳細步驟 316
11.5.3 工作原理 318
11.5.4 更多內(nèi)容 319
11.6 主成分分析 319
11.6.1 準備工作 319
11.6.2 詳細步驟 319
11.6.3 工作原理 321
11.6.4 更多內(nèi)容 321
11.7 核主成分分析 321
11.7.1 準備工作 321
11.7.2 詳細步驟 321
11.7.3 工作原理 324
11.7.4 更多內(nèi)容 324
11.8 盲源分離 324
11.8.1 準備工作 325
11.8.2 詳細步驟 325
11.8.3 工作原理 328
11.8.4 更多內(nèi)容 328
11.9 用局部二值模式直方圖構建人臉識別器 328
11.9.1 準備工作 328
11.9.2 詳細步驟 328
11.9.3 工作原理 332
11.9.4 更多內(nèi)容 332
11.10 基于HOG模型進行人臉識別 332
11.10.1 準備工作 332
11.10.2 詳細步驟 333
11.10.3 工作原理 333
11.10.4 更多內(nèi)容 334
11.11 人臉特征點識別 334
11.11.1 準備工作 334
11.11.2 詳細步驟 334
11.11.3 工作原理 336
11.11.4 更多內(nèi)容 336
11.12 用人臉識別進行用戶身份驗證 336
11.12.1 準備工作 337
11.12.2 詳細步驟 337
11.12.3 工作原理 338
11.12.4 更多內(nèi)容 338
第 12章 強化學習 339
12.1 技術要求 339
12.2 簡介 340
12.3 用MDP預報天氣 341
12.3.1 準備工作 341
12.3.2 詳細步驟 341
12.3.3 工作原理 343
12.3.4 更多內(nèi)容 343
12.4 用DP優(yōu)化金融投資組合 344
12.4.1 準備工作 344
12.4.2 詳細步驟 344
12.4.3 工作原理 346
12.4.4 更多內(nèi)容 346
12.5 找出最短路徑 346
12.5.1 準備工作 346
12.5.2 詳細步驟 347
12.5.3 工作原理 348
12.5.4 更多內(nèi)容 348
12.6 使用Q學習決定折扣因子 348
12.6.1 準備工作 349
12.6.2 詳細步驟 349
12.6.3 工作原理 350
12.6.4 更多內(nèi)容 351
12.7 實現(xiàn)深度Q學習算法 351
12.7.1 準備工作 351
12.7.2 詳細步驟 351
12.7.3 工作原理 353
12.7.4 更多內(nèi)容 353
12.8 開發(fā)基于AI的動態(tài)模型系統(tǒng) 353
12.8.1 準備工作 353
12.8.2 詳細步驟 354
12.8.3 工作原理 355
12.8.4 更多內(nèi)容 355
12.9 通過雙Q學習進行深度強化學習 355
12.9.1 準備工作 356
12.9.2 詳細步驟 356
12.9.3 工作原理 357
12.9.4 更多內(nèi)容 357
12.10 通過dueling Q學習進行深度強化學習 357
12.10.1 準備工作 358
12.10.2 詳細步驟 358
12.10.3 工作原理 359
12.10.4 更多內(nèi)容 360
第 13章 深度神經(jīng)網(wǎng)絡 361
13.1 技術要求 361
13.2 簡介 362
13.3 構建感知機模型 362
13.3.1 準備工作 363
13.3.2 詳細步驟 363
13.3.3 工作原理 364
13.3.4 更多內(nèi)容 364
13.4 構建單層神經(jīng)網(wǎng)絡 365
13.4.1 準備工作 365
13.4.2 詳細步驟 365
13.4.3 工作原理 367
13.4.4 更多內(nèi)容 367
13.5 構建深度神經(jīng)網(wǎng)絡 368
13.5.1 準備工作 368
13.5.2 詳細步驟 368
13.5.3 工作原理 371
13.5.4 更多內(nèi)容 371
13.6 創(chuàng)建向量量化器 371
13.6.1 準備工作 371
13.6.2 詳細步驟 371
13.6.3 工作原理 373
13.6.4 更多內(nèi)容 373
13.7 為序列數(shù)據(jù)分析構建循環(huán)神經(jīng)網(wǎng)絡 373
13.7.1 準備工作 374
13.7.2 詳細步驟 374
13.7.3 工作原理 377
13.7.4 更多內(nèi)容 377
13.8 可視化OCR數(shù)據(jù)庫字符 377
13.8.1 準備工作 377
13.8.2 詳細步驟 377
13.8.3 工作原理 378
13.8.4 更多內(nèi)容 378
13.9 使用神經(jīng)網(wǎng)絡構建光學字符識別器 379
13.9.1 準備工作 379
13.9.2 詳細步驟 379
13.9.3 工作原理 381
13.9.4 更多內(nèi)容 381
13.10 用ANN實現(xiàn)優(yōu)化算法 381
13.10.1 準備工作 382
13.10.2 詳細步驟 382
13.10.3 工作原理 384
13.10.4 更多內(nèi)容 384
第 14章 無監(jiān)督表示學習 385
14.1 需要的文件 385
14.2 簡介 386
14.3 用降噪自動編碼器檢測欺詐交易 386
14.3.1 準備工作 386
14.3.2 詳細步驟 386
14.3.3 工作原理 390
14.3.4 更多內(nèi)容 391
14.4 用CBOW和skipgram表示生成詞嵌入 391
14.4.1 準備工作 391
14.4.2 詳細步驟 392
14.4.3 工作原理 393
14.4.4 更多內(nèi)容 393
14.5 用PCA和t-SNE可視化MNIST數(shù)據(jù) 393
14.5.1 準備工作 394
14.5.2 詳細步驟 394
14.5.3 工作原理 396
14.5.4 更多內(nèi)容 396
14.6 使用詞嵌入進行推特情感分析 397
14.6.1 準備工作 397
14.6.2 詳細步驟 397
14.6.3 工作原理 400
14.6.4 更多內(nèi)容 400
14.7 用scikit-learn實現(xiàn)LDA 400
14.7.1 準備工作 401
14.7.2 詳細步驟 401
14.7.3 工作原理 402
14.7.4 更多內(nèi)容 402
14.8 用LDA對文本文檔分類 402
14.8.1 準備工作 402
14.8.2 詳細步驟 403
14.8.3 工作原理 404
14.8.4 更多內(nèi)容 404
14.9 為LDA準備數(shù)據(jù) 405
14.9.1 準備工作 405
14.9.2 詳細步驟 405
14.9.3 工作原理 407
14.9.4 更多內(nèi)容 407
第 15章 自動機器學習與遷移學習 408
15.1 技術要求 408
15.2 簡介 409
15.3 Auto-WEKA 409
15.3.1 準備工作 410
15.3.2 詳細步驟 410
15.3.3 工作原理 410
15.3.4 更多內(nèi)容 410
15.4 用AutoML工具TPOT生成機器學習管道 410
15.4.1 準備工作 411
15.4.2 詳細步驟 411
15.4.3 工作原理 412
15.4.4 更多內(nèi)容 412
15.5 Auto-Keras 412
15.5.1 準備工作 412
15.5.2 詳細步驟 412
15.5.3 工作原理 413
15.5.4 更多內(nèi)容 413
15.6 auto-sklearn 413
15.6.1 準備工作 413
15.6.2 詳細步驟 414
15.6.3 工作原理 414
15.6.4 更多內(nèi)容 414
15.7 用MLBox進行功能選擇和泄漏檢測 415
15.7.1 準備工作 415
15.7.2 詳細步驟 415
15.7.3 工作原理 416
15.7.4 更多內(nèi)容 416
15.8 用卷積神經(jīng)網(wǎng)絡進行遷移學習 417
15.8.1 準備工作 417
15.8.2 詳細步驟 417
15.8.3 工作原理 420
15.8.4 更多內(nèi)容 420
15.9 用ResNet-50作預訓練圖像分類器進行遷移學習 421
15.9.1 準備工作 421
15.9.2 詳細步驟 421
15.9.3 工作原理 422
15.9.4 更多內(nèi)容 423
15.10 用VGG16模型作特征提取器進行遷移學習 423
15.10.1 準備工作 423
15.10.2 詳細步驟 423
15.10.3 工作原理 425
15.10.4 更多內(nèi)容 425
15.11 用預訓練GloVe嵌入模型進行遷移學習 425
15.11.1 準備工作 425
15.11.2 詳細步驟 426
15.11.3 工作原理 428
15.11.4 更多內(nèi)容 428
第 16章 生產(chǎn)中的應用 430
16.1 技術要求 430
16.2 簡介 430
16.3 處理非結構化數(shù)據(jù) 431
16.3.1 準備工作 431
16.3.2 詳細步驟 431
16.3.3 工作原理 432
16.3.4 更多內(nèi)容 433
16.4 部署機器學習模型 433
16.4.1 準備工作 433
16.4.2 詳細步驟 433
16.4.3 工作原理 435
16.4.4 更多內(nèi)容 435
16.5 跟蹤生產(chǎn)中的變化 435
16.5.1 詳細步驟 435
16.5.2 工作原理 436
16.5.3 更多內(nèi)容 436
16.6 跟蹤準確率并優(yōu)化模型 437
16.6.1 詳細步驟 437
16.6.2 工作原理 437
16.6.3 更多內(nèi)容 438
你還可能感興趣
我要評論
|
