作為一門應用型學科，機器學習植根于數(shù)學理論，落地于代碼實現(xiàn)。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(nèi)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(chǔ)之上，分別對監(jiān)督學習單模型、監(jiān)督學習集成模型、無監(jiān)督學習模型、概率模型四個大類共26個經(jīng)典算法進行了細致的公式推導和代碼實現(xiàn)，旨在幫助機器學習學習者和研究者完整地掌握算法細節(jié)、實現(xiàn)方法以及內(nèi)在邏輯。
告訴你一個不太光彩的秘密:在大多數(shù)數(shù)據(jù)科學項目中，有一半的時間都花在清理和準備數(shù)據(jù)上了。但還有更好的方法:針對表格數(shù)據(jù)和關(guān)系數(shù)據(jù)庫進行優(yōu)化的深度學習技術(shù)，無需密集的特性工程，就能提供洞察和分析。學習使用少量的數(shù)據(jù)過濾、驗證和清洗，就能解鎖深度學習性能的技能。《深度學習處理結(jié)構(gòu)化數(shù)據(jù)實戰(zhàn)》傳授面向表格數(shù)據(jù)和關(guān)系數(shù)據(jù)庫的強大數(shù)據(jù)分析技術(shù)。本書從多倫多公交系統(tǒng)的數(shù)據(jù)集出發(fā)，帶你領(lǐng)略用深度學習處理表格化數(shù)據(jù)的簡易性和便捷性，并教你解決在生產(chǎn)環(huán)境中部署模型和監(jiān)控模型性能等關(guān)鍵問題。
本書以實戰(zhàn)為主，通過豐富的實戰(zhàn)案例向讀者介紹深度學習可應用和落地的項目，書中所有案例都基于Python+TensorFlow 2.5+Keras技術(shù)，可用于深度學習課程的實戰(zhàn)訓練。本書配套示例源碼、PPT課件、思維導圖、數(shù)據(jù)集、開發(fā)環(huán)境與答疑服務(wù)。全書共分11章。第1章講解深度學習的概念、流程、應用場景、模型分類和框架選擇，第2~11章列舉深度學習的項目實戰(zhàn)案例，包括手寫體識別、數(shù)據(jù)集分類、情感分類、文本情感分類、編碼器、漢字拼音轉(zhuǎn)換、中文文本分類、多標簽文本分類、人臉檢測、人臉識別、語
本書作者對于人工智能的發(fā)展、應用和影響問題的研究已有幾年的時間：初關(guān)注人工智能的微觀應用問題，對于無人經(jīng)濟的內(nèi)涵、分類、發(fā)展機制、應用模式等做了一些探索；后來研究興趣轉(zhuǎn)移到宏觀層面，重點關(guān)注人工智能發(fā)展對于就業(yè)的影響，本書是作者近兩年研究的總結(jié)。未來作者將把研究重點轉(zhuǎn)向人工智能發(fā)展背景下的分配問題。隨著人工智能發(fā)展導致勞動被大量替代，社會保障制度的完善將成為維持經(jīng)濟正常運轉(zhuǎn)和社會穩(wěn)定的關(guān)鍵，當人工智能的發(fā)展和應用根本改變了勞動方式、生產(chǎn)方式、資源配置方式、就業(yè)結(jié)構(gòu)、經(jīng)濟制度乃至所有制結(jié)構(gòu)時
大數(shù)據(jù)時代的到來，為人工智能的飛速發(fā)展帶來前所未有的數(shù)據(jù)紅利。在大數(shù)據(jù)的喂養(yǎng)下，大量知識不斷涌現(xiàn)，如何有效地發(fā)掘這些知識呢？知識圖譜橫空出世。本書是一本講解如何使用TensorFlow 2構(gòu)建知識圖譜的入門教程，引導讀者掌握基于深度學習的知識圖譜構(gòu)建概念、理論和方法。 本書分為13章：第1章從搭建環(huán)境開始，包含TensorFlow CPU 版本和GPU版本的安裝，并通過一個知識圖譜的例子引導讀者開始學習；第2~4章介紹TensorFlow API的使用；第5章是Dataset API，學習
?我們可以通過軟件和算法獲得真愛嗎？ ?為什么自動駕駛汽車會成為俄羅斯坦克謬論的犧牲品？ ?我們在購買產(chǎn)品時，有多少五星級好評是真實的，有多少是買來的？ ?我們應該相信計算誰應該獲得工作、貸款或社會福利的秘密算法嗎？ ?法官和警察如何越來越依賴非透明的“黑匣子”算法來預測刑事被告是否會再次犯罪或出庭？ ?如果社交媒體平臺的業(yè)務(wù)是向刊登廣告的品牌方出售我們的注意力和時間，那么社交媒體值得信賴嗎？ ?我們是否應該沉迷于滾動鼠標瀏覽消息，讓身體產(chǎn)生更多的多巴胺？ 在智能世界，算法和人工智能越來越多地
隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算等技術(shù)的不斷發(fā)展，許多領(lǐng)域都產(chǎn)生了大量的數(shù)據(jù)。利用機器學習技術(shù)分析海量數(shù)據(jù)，可以從數(shù)據(jù)中發(fā)現(xiàn)隱含的、有價值的規(guī)律和模式，進而用于預測并采取相應動作。在上述背景下，本書從理論、技術(shù)和應用三個層面入手，全面講解如何利用機器學習技術(shù)解決實際問題。 本書共分26章，內(nèi)容包括機器學習解決問題流程、問題分析與建模、數(shù)據(jù)探索與準備、特征工程、模型訓練與評價、模型部署與應用、回歸模型、支持向量機、決策樹、集成學習、K近鄰算法、貝葉斯方法、聚類算法、關(guān)聯(lián)規(guī)則學習、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、正則
近年來，人工智能發(fā)展非常迅速，在可以預見的未來，它必然會強烈沖擊并深刻變革人類既有的生活模式。實際上，除技術(shù)問題外，人工智能的邏輯基礎(chǔ)和倫理基礎(chǔ)與哲學之間的關(guān)系也十分密切。有鑒于此，本書從與人工智能緊密相關(guān)的哲學問題入手，關(guān)注如下話題：強人工智能是否可能；近代唯理論和經(jīng)驗論爭論對于人工智能的影響；蘇聯(lián)、日本及歐盟在人工智能發(fā)展歷程中的哲學教訓；航空器自動駕駛背后的哲學難題；軍用機器人的倫理是非；儒家與人工智能等。作者從邏輯架構(gòu)和歷史經(jīng)驗出發(fā)，展望了未來通用人工智能發(fā)展的可能性、可行性以及相應的社
深度學習已經(jīng)進入我們的生活，云計算和大數(shù)據(jù)為深度學習提供了便利。本書主要講解深度學習中的數(shù)學知識、算法原理和實現(xiàn)方法，配套源碼、數(shù)據(jù)集和開發(fā)環(huán)境。本書共12章。第1章介紹人類視覺和深度學習的聯(lián)系。第2章介紹深度學習中最為重要的梯度下降算法。第3章介紹卷積函數(shù)。第4章介紹計算損失函數(shù)所使用的交叉熵、決策樹和信息熵。第5章介紹線性回歸和邏輯回歸。第6、7章介紹時間序列模型和生成對抗網(wǎng)絡(luò)。第8章介紹TensorFlow框架。第9章介紹推薦算法。第10章介紹深度學習中的標準化、正則化和初始化。第
新書資訊 新書推薦