人工智能與機(jī)器學(xué)習(xí)

定　價(jià)：￥36.00

作　者：	王秋月，覃雄派，趙素云，張靜
出版社：	中國人民大學(xué)出版社
叢編項(xiàng)：	21世紀(jì)通識(shí)教育系列教材
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥36.00)

ISBN：	9787300275819	出版時(shí)間：	2020-01-01	包裝：
開本：	16開	頁數(shù)：	216	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　隨著計(jì)算機(jī)技術(shù)迅猛地發(fā)展，人工智能與機(jī)器學(xué)習(xí)已經(jīng)滲透到我們?nèi)粘Ｉ畹母鱾€(gè)領(lǐng)域。為此，中國人民大學(xué)專門為全校財(cái)經(jīng)和人文專業(yè)的學(xué)生開設(shè)了“人工智能與機(jī)器學(xué)習(xí)”課程，本書的所有作者都參與了該門課程的教學(xué)實(shí)踐，相互配合，總結(jié)教學(xué)經(jīng)驗(yàn)，共同打磨而成《人工智能與機(jī)器學(xué)習(xí)》一書。書中通過豐富現(xiàn)實(shí)案例的詳細(xì)講解，引導(dǎo)學(xué)生了解各種機(jī)器學(xué)習(xí)模型的基本原理與實(shí)踐用法。避開了大量的數(shù)學(xué)模型和復(fù)雜編程知識(shí)，讓學(xué)生熟悉當(dāng)下流行的一些機(jī)器學(xué)習(xí)和數(shù)據(jù)處理工具的使用，來解決現(xiàn)實(shí)領(lǐng)域遇到的各種數(shù)據(jù)分析和預(yù)測(cè)問題。

作者簡(jiǎn)介

　　王秋月，中國人民大學(xué)信息學(xué)院計(jì)算機(jī)系講師。主要研究領(lǐng)域是數(shù)據(jù)庫、信息檢索、知識(shí)庫的構(gòu)建與應(yīng)用等。她在香港中文大學(xué)取得博士學(xué)位，在德國奧格斯堡大學(xué)做了兩年博士后工作，并于2014年訪問德國馬克斯普朗克計(jì)算機(jī)科學(xué)研究所一年。她于2010年至2013年負(fù)責(zé)組織國際信息檢索評(píng)測(cè)會(huì)議INEX中的Data-Centric Track和Linked-Data Track，并擔(dān)任過SIGIR、TKDE等國際會(huì)議和雜志的評(píng)委，在國內(nèi)外期刊和會(huì)議上發(fā)表論文30余篇。主持或參與國家自然科學(xué)基金青年項(xiàng)目、面上項(xiàng)目、重點(diǎn)項(xiàng)目及國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目等多項(xiàng)。覃雄派，中國人民大學(xué)信息學(xué)院計(jì)算機(jī)系副教授。2009年畢業(yè)于中國人民大學(xué)信息學(xué)院，獲得工學(xué)博士學(xué)位。目前主要從事高性能數(shù)據(jù)庫、大數(shù)據(jù)分析、信息檢索等方面的研究工作，主持1項(xiàng)國家自然科學(xué)基金面上項(xiàng)目，參與多項(xiàng)國家“863”計(jì)劃、“973”計(jì)劃及國家自然科學(xué)基金項(xiàng)目，在國內(nèi)外期刊和會(huì)議上發(fā)表論文30余篇。趙素云，中國人民大學(xué)信息學(xué)院計(jì)算機(jī)系副教授。2009年畢業(yè)于香港理工大學(xué)，獲博士學(xué)位。主要研究方向?yàn)闄C(jī)器學(xué)習(xí)，不確定信息處理，以及隱私保護(hù)在數(shù)據(jù)挖掘中的應(yīng)用等。主持國家自然科學(xué)基金項(xiàng)目兩項(xiàng)，并參與國家自然科學(xué)基金重點(diǎn)項(xiàng)目、核高基等多項(xiàng)。現(xiàn)已發(fā)表學(xué)術(shù)論文30余篇（其中SCI檢索論文10余篇）。目前，文章他引次數(shù)合計(jì)近1000次。張靜，中國人民大學(xué)信息學(xué)院計(jì)算機(jī)系講師。2016年畢業(yè)于清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，獲博士學(xué)位。研究興趣為數(shù)據(jù)挖掘。發(fā)表多篇數(shù)據(jù)挖掘國際**會(huì)議與期刊論文，包括TKDE，TKDD， KDD，IJCAI， AAAI等。Google統(tǒng)計(jì)論文引用量達(dá)到2000多次。

圖書目錄

目錄
第1章人工智能簡(jiǎn)介
11什么是人工智能
12人工智能簡(jiǎn)史（1956年以前）
13人工智能簡(jiǎn)史（1956—1980年）
14人工智能簡(jiǎn)史（1980—2010年）
15人工智能簡(jiǎn)史（2010年至今）
第2章機(jī)器學(xué)習(xí)簡(jiǎn)介
21什么是機(jī)器學(xué)習(xí)
22機(jī)器學(xué)習(xí)分類
第3章Python簡(jiǎn)介
31環(huán)境配置
32Python基礎(chǔ)編程
33Numpy
34Matplotlib
35Pandas
第4章K近鄰
41什么是K近鄰
42如何度量距離或者相似性
43數(shù)據(jù)縮放
44選擇合適的K值
45Scikitlearn KNN分類器介紹
46案例一：鳶尾花分類
第5章模型選擇
51偏差與方差
52訓(xùn)練集與測(cè)試集
53交叉驗(yàn)證
54案例二：鳶尾花分類（案例一續(xù)）
第6章線性回歸
61什么是線性回歸
62損失函數(shù)
63增加多項(xiàng)式特征
64正則化
65超參數(shù)調(diào)優(yōu)
66案例三：波士頓房價(jià)預(yù)測(cè)
第7章邏輯回歸
71什么是邏輯回歸
72決策邊界
73損失函數(shù)
74線性回歸和邏輯回歸的異同
75多分類
76案例四：泰坦尼克號(hào)乘客生還預(yù)測(cè)
第8章分類評(píng)價(jià)指標(biāo)
81混淆矩陣
82查準(zhǔn)率與查全率、F1分?jǐn)?shù)
83ROC曲線和AUC
84多分類評(píng)價(jià)指標(biāo)
85案例五：泰坦尼克號(hào)乘客生還預(yù)測(cè)（案例四續(xù)）
第9章樸素貝葉斯
91貝葉斯定理
92樸素貝葉斯分類器
93不同的樸素貝葉斯模型
94文本分類
95案例六：垃圾郵件識(shí)別
第10章支持向量機(jī)
101什么是支持向量機(jī)
102核函數(shù)
103支持向量機(jī)的參數(shù)優(yōu)化
104案例七：垃圾郵件識(shí)別（案例六續(xù)）
105總結(jié)
第11章決策樹
111什么是決策樹
112構(gòu)建決策樹
113修剪決策樹
114決策樹的優(yōu)缺點(diǎn)和使用方法
115案例八：泰坦尼克號(hào)乘客生還預(yù)測(cè)
第12章集成學(xué)習(xí)
121袋裝
122提升
123堆疊
124案例九：泰坦尼克號(hào)乘客生還預(yù)測(cè)（案例八續(xù)）
第13章聚類
131什么是聚類
132Kmeans算法
133聚類結(jié)果的評(píng)價(jià)
134不同的距離指標(biāo)
135聚合式層次聚類
136案例十：商場(chǎng)客戶聚類
第14章深度學(xué)習(xí)
141深度學(xué)習(xí)發(fā)展簡(jiǎn)史
142多層感知器
143損失函數(shù)
144優(yōu)化算法：反向傳播算法
145案例十一：手寫數(shù)字識(shí)別
146深度學(xué)習(xí)技巧
147卷積神經(jīng)網(wǎng)絡(luò)
148案例十二：圖像識(shí)別
第15章Kaggle競(jìng)賽
151Kaggle平臺(tái)簡(jiǎn)介
152Kaggle競(jìng)賽簡(jiǎn)介
153Kaggle競(jìng)賽案例分析：泰坦尼克號(hào)乘客生還預(yù)測(cè)