本书主要对算法的原理进行了介绍，并融合大量的应用案例，详细介绍使用机器学习模型的一般方法，帮助读者理解算法原理，学会模型设计。本书首先介绍数据理解、数据的处理与特征，帮助读者认识数据；然后从宏观、系统的角度介绍机器学习算法分类、一般学习规则及机器学习的基础应用；接着根据项目研发的流程，详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、计算性能与模型加速；最后通过多个应用案例帮助读者加强对前面知识点的理解。
作者简介
内容简介
前言
致谢
第1章 引言
1.1 人工智能概述
1.2 人工智能与传统机器学习
1.3 机器学习算法领域发展综述
1.4 小结
参考文献
第2章 数据理解
2.1 数据的三个基本维度
2.2 数据的统计推论的基本方法
2.3 数据分析
2.4 小结
参考文献
第3章 数据处理与特征
3.1 数据的基本处理
3.2 数据的特征缩放和特征编码
3.3 数据降维
3.4 图像的特征分析
3.5 小结
参考文献
第4章 机器学习基础
4.1 统计学习
4.2 机器学习算法分类
4.3 机器学习的学习规则
4.4 机器学习的基础应用
4.5 小结
参考文献
第5章 模型选择和结构设计
5.1 传统机器学习模型选择
5.2 经典回归模型的理解和选择
5.3 经典分类模型的理解和选择
5.4 经典聚类模型的理解和选择
5.5 深度学习模型选择
5.6 深度学习模型结构的设计方向
5.7 模型结构设计中的简单技巧
5.8 小结
参考文献
第6章 目标函数设计
6.1 损失函数
6.2 风险最小化和设计原则
6.3 基于梯度下降法的目标函数优化
6.4 基于牛顿法的目标求解
6.5 小结
参考文献
第7章 模型训练过程设计
7.1 数据选择
7.2 参数初始化
7.3 拟合的验证与判断
7.4 学习速率的选择
7.5 迁移学习
7.6 分布式训练
7.7 小结
参考文献
第8章 模型效果的评估与验证
8.1 模型效果评估的一般性指标
8.2 交叉验证
8.3 模型的稳定性分析
8.4 小结
参考文献
第9章 计算性能与模型加速
9.1 计算优化
9.2 性能指标
9.3 模型压缩与裁剪
9.4 小结
参考文献
第10章 应用案例专题
10.1 求解二元一次方程
10.2 鸢尾花的案例分析
10.3 形体识别
10.4 小结
参考文献
