华信教育资源网
机器学习算法与实现 —— Python编程与应用实例
丛   书   名: 新工科建设•人工智能与智能科学系列教材
作   译   者:布树辉 等 出 版 日 期:2022-11-01
出   版   社:电子工业出版社 维   护   人:谭海平 
书   代   号:G0443890 I S B N:9787121443893

编辑推荐:

无本书配套有完整的在线讲义、在线视频、作业和练习项目,每章的习题、练习、报告等都配有对应的二维码,读者可直接访问在线教程,选择适合自己的资料。
您的专属联系人更多
关注 评论(0) 分享
配套资源 图书内容 样章/电子教材 图书评价
  • 配 套 资 源

    本书资源

    会员上传本书资源

  • 图 书 内 容

    内容简介

    机器学习是人工智能的重要方向之一,对提升各行业的智能化程度正在起越来越大的作用。本书通过凝练机器学习的核心思想与方法,综合介绍了Python、常用库和相关工具,以及机器学习的原理与实现,囊括了机器学习与行业相结合的实例,可让没有深厚计算机、编程背景的读者在有限的时间内掌握机器学习的相关知识和应用工具。本书各部分的比例适当,在讲授基本Python编程、库函数的基础上,由浅入深地介绍了机器学习的思想、方法和实现。理论讲授部分从基本的最小二乘法开始,逐步深入地介绍了如何使用迭代求解的方法实现逻辑斯蒂回归、感知机、神经网络、深度神经网络。本书配套有完整的在线讲义、在线视频、作业和练习项目,每章的习题、练习、报告等都配有对应的二维码,读者可直接访问在线教程,选择适合自己的资料。本书可作为计算机、智能科学与技术、航空航天、电子信息、自动化等专业硕士研究生和本科生的教材,也可供相关技术人员参考。

    图书详情

    ISBN:9787121443893
    开 本:16(185*260)
    页 数:344
    字 数:578

    本书目录

    第1章  绪论	1
    1.1  机器学习的发展历程	2
    1.2  机器学习的基本术语	2
    1.2.1  特征	3
    1.2.2  样本	3
    1.2.3  模型	3
    1.2.4  回归、分类与聚类	4
    1.2.5  泛化与过拟合	4
    1.3  机器学习的基本分类	5
    1.3.1  监督学习	5
    1.3.2  无监督学习	5
    1.3.3  半监督学习	5
    1.3.4  深度学习	6
    1.3.5  强化学习	8
    1.3.6  机器学习与人工智能	8
    1.4  机器学习的应用	9
    1.4.1  图像识别与处理	9
    1.4.2  语音识别与自然语言处理	10
    1.4.3  环境感知与智能决策	11
    1.4.4  融合物理信息的工程设计	12
    1.5  机器学习应用的步骤	13
    1.5.1  应用场景分析	14
    1.5.2  数据处理	14
    1.5.3  特征工程	14
    1.5.4  算法模型训练与评估	15
    1.5.5  应用服务	15
    1.6  机器学习的评估方法	15
    1.6.1  数据集划分方法	15
    1.6.2  性能度量	16
    1.7  如何学习机器学习	17
    1.7.1  由浅入深	17
    1.7.2  行成于思	17
    第2章  Python语言	18
    2.1  为什么选择Python	18
    2.2  安装Python的环境	19
    2.2.1  Windows下的安装	19
    2.2.2  Linux下的安装	19
    2.2.3  设置软件源	20
    2.2.4  安装常用Python库	20
    2.2.5  安装PyTorch	20
    2.2.6  Conda使用技巧	21
    2.3  Jupyter Notebook	21
    2.3.1  Jupyter Notebook的主页面	22
    2.3.2  Jupyter Notebook的快捷键	24
    2.3.3  Magic关键字	25
    2.4  Python基础	25
    2.4.1  变量	26
    2.4.2  运算符	27
    2.4.3  内置函数	28
    2.5  print()函数	29
    2.6  数据结构	30
    2.6.1  列表	31
    2.6.2  元组	38
    2.6.3  集合	40
    2.6.4  字符串	42
    2.6.5  字典	46
    2.7  控制流语句	48
    2.7.1  判断语句	48
    2.7.2  循环语句	50
    2.8  函数	55
    2.8.1  函数的参数	55
    2.8.2  返回语句	56
    2.8.3  默认参数	58
    2.8.4  任意数量的参数	58
    2.8.5  全局变量和局部变量	59
    2.8.6  lambda函数	60
    2.9  类和对象	60
    2.9.1  成员函数与变量	61
    2.9.2  继承	64
    2.10 小结	66
    2.11 练习题	66
    2.12 在线练习题	67
    第3章  Python常用库	68
    3.1  NumPy数值计算库	68
    3.1.1  创建NumPy数组	69
    3.1.2  访问数组元素	73
    3.1.3  文件读写	77
    3.1.4  线性代数函数	79
    3.1.5  数据统计	80
    3.1.6  数组的操作	83
    3.2  Matplotlib绘图库	87
    3.2.1  多子图绘制	88
    3.2.2  图像处理	89
    3.3  小结	89
    3.4  练习题	89
    3.5  在线练习题	90
    第4章  k最近邻算法	91
    4.1  k最近邻原理	91
    4.1.1  特征距离计算	92
    4.1.2  算法步骤	92
    4.2  机器学习的思维模型	93
    4.3  数据生成	93
    4.4  程序实现	95
    4.5  将kNN算法封装为类	97
    4.6  基于sklearn的分类实现	98
    4.7  小结	100
    4.8  练习题	100
    4.9  在线练习题	100
    第5章  k均值聚类算法	101
    5.1  无监督学习思想	101
    5.2  k均值聚类原理	102
    5.3  k均值聚类算法	103
    5.4  算法操作过程演示	103
    5.5  k均值聚类算法编程实现	105
    5.6  使用sklearn进行聚类	109
    5.7  评估聚类性能	110
    5.7.1  调整兰德指数	110
    5.7.2  轮廓系数	111
    5.8  k均值图像压缩	112
    5.9  小结	114
    5.10 练习题	115
    5.11 在线练习题	115
    第6章  逻辑斯蒂回归	116
    6.1  最小二乘法	116
    6.1.1  数据生成	116
    6.1.2  最小二乘法的数学原理	117
    6.1.3  最小二乘法的程序实现	118
    6.2  梯度下降法	119
    6.2.1  梯度下降法的原理	119
    6.2.2  梯度下降法的实现	121
    6.2.3  迭代可视化	123
    6.2.4  梯度下降法的优化	124
    6.3  多元线性回归	125
    6.3.1  导弹弹道预测算法	125
    6.3.2  建模与编程求解	126
    6.4  使用sklearn库进行拟合	127
    6.5  逻辑斯蒂回归的原理	128
    6.5.1  数学模型	129
    6.5.2  算法流程	131
    6.6  逻辑斯蒂回归的实现	131
    6.6.1  逻辑斯蒂回归示例程序	132
    6.6.2  使用sklearn解决逻辑斯蒂
    回归问题	134
    6.6.3  多类识别问题	136
    6.7  小结	140
    6.8  练习题	140
    6.9  在线练习题	140
    第7章  神经网络	141
    7.1  感知机	141
    7.1.1  感知机模型	142
    7.1.2  感知机学习策略	143
    7.1.3  感知机学习算法	143
    7.1.4  示例程序	144
    7.2  多层神经网络	147
    7.2.1  神经元	147
    7.2.2  神经网络架构	148
    7.2.3  神经网络正向计算	148
    7.2.4  神经网络矩阵表示	149
    7.2.5  神经网络训练	151
    7.2.6  激活函数	155
    7.2.7  神经网络训练算法设计	157
    7.2.8  示例程序	158
    7.2.9  使用类的方法封装多层神经网络	161
    7.3  softmax函数与交叉熵代价函数	165
    7.3.1  softmax函数	165
    7.3.2  交叉熵代价函数	167
    7.4  小结	169
    7.5  练习题	169
    7.6  在线练习题	170
    第8章  PyTorch	171
    8.1  张量	171
    8.1.1  Tensor的生成	171
    8.1.2  Tensor的操作	173
    8.1.3  Tensor的维度操作	173
    8.1.4  Tensor的变形	175
    8.1.5  inplace操作	175
    8.2  自动求导	176
    8.2.1  简单情况下的自动求导	177
    8.2.2  复杂情况下的自动求导	178
    8.2.3  多次自动求导	180
    8.3  神经网络模型	180
    8.3.1  逻辑斯蒂回归与神经网络	180
    8.3.2  序列化模型	185
    8.3.3  模块化网络定义	187
    8.3.4  模型参数保存	189
    8.4  神经网络的定义与训练	191
    8.4.1  MNIST数据集	191
    8.4.2  CIFAR-10数据集	192
    8.4.3  多分类神经网络	192
    8.4.4  参数初始化	198
    8.4.5  模型优化求解	202
    8.5  综合示例代码	212
    8.6  小结	214
    8.7  练习题	215
    8.8  在线练习题	215
    第9章  深度学习	216
    9.1  卷积神经网络	216
    9.1.1  卷积网络的基础	217
    9.1.2  卷积计算与模块	220
    9.1.3  数据预处理与批量归一化	223
    9.1.4  网络正则化	229
    9.1.5  学习率衰减	231
    9.2  典型的深度神经网络	235
    9.2.1  LeNet5	235
    9.2.2  AlexNet	240
    9.2.3  VGG	245
    9.2.4  GoogLeNet	250
    9.2.5  ResNet	254
    9.2.6  DenseNet	260
    9.3  小结	265
    9.4  练习题	265
    9.5  在线练习题	265
    第10章  目标检测	266
    10.1  目标检测的任务	266
    10.2  目标检测的发展历程	267
    10.3  目标检测评估方法	269
    10.3.1  交并比	269
    10.3.2  精度	270
    10.3.3  平均精度	271
    10.3.4  平均精度均值	271
    10.4  目标检测的原理	271
    10.4.1  YOLO-v1	271
    10.4.2  YOLO-v2	280
    10.4.3  YOLO-v3	280
    10.4.4  YOLO-v4	281
    10.4.5  YOLO-v5	281
    10.5  YOLO-v4原理与实现	283
    10.5.1  主干特征提取网络	283
    10.5.2  特征金字塔	287
    10.5.3  利用特征进行预测	289
    10.5.4  预测结果的解码	290
    10.5.5  在原始图像上进行绘制	295
    10.6  YOLO-v4的技巧及损失函数分析	295
    10.6.1  Mosaic数据增强	295
    10.6.2  CIoU	299
    10.6.3  损失函数	300
    10.7  训练自己的YOLO-v4模型	307
    10.7.1  数据集的准备	307
    10.7.2  数据集处理	307
    10.7.3  网络训练	308
    10.7.4  训练结果预测	310
    10.8  小结	310
    10.9  练习题	310
    10.10  在线练习题	310
    第11章  深度强化学习	311
    11.1  强化学习	311
    11.1.1  强化学习的基本概念	312
    11.1.2  马尔可夫决策过程	313
    11.1.3  Q学习算法	315
    11.1.4  示例程序	317
    11.2  深度强化学习	320
    11.3  倒立摆的控制示例	321
    11.3.1  仿真环境	322
    11.3.2  第三方库	322
    11.3.3  经验回放内存	323
    11.3.4  Q网络	324
    11.3.5  输入数据截取	324
    11.3.6  超参数和工具函数	325
    11.3.7  网络训练	327
    11.4  小结	329
    11.5  练习题	330
    11.6  在线练习题	330
    参考文献	331
    术语表	333
    展开

    前     言

    序   言
    深度学习作为当下人工智能方向的热点技术之一,推动了人工智能对产业应用的赋能。伴随着大数据、深度学习、智能芯片等技术的成熟,人工智能不仅在传统的图像、语音、自然语言领域得到了广泛而深入的应用,在物理、生物、化学等传统学科领域也深刻地改变着既有的技术模式。放眼世界,人工智能正成为国际竞争的新焦点。目前,人工智能相关领域的专业人员短缺,培养具备专业人工智能技能的人才是教育界面临的巨大挑战。
    深度学习等机器学习方法有着较高的学习门槛,目前适合各学科的教材相对匮乏。国外此前出版的一些经典教材正面临着内容老化的问题,国内现有的大部分教材则侧重于介绍机器学习的理论,对读者在概率论、线性代数、计算机科学等方面的要求较高,读者学完相应的内容后依旧难以应用机器学习方法解决相关的难题。
    本书最大的特点是,层层深入地通过实例来讲解机器学习的理论与算法,即以算法、代码、 应用为主进行讲解,同时辅以详尽的算法解释、图解及代码运行结果,力求让读者在看懂代码的基础上深入理解算法,进而熟练使用算法;既可让读者高效、全面地掌握机器学习的主流知识点和整体脉络,又可让读者在遇到具体问题时方便查阅相关内容。
    另一个特点是,在语言精确性和条理性、理论全面性和实践指导方面,集专业性与通俗性为一体。全书内容丰富,不仅包含Python语言、Python第三方库、监督学习、无监督学习等机器学习内容,而且包含sklearn、PyTorch、深度学习、目标检测、深度强化学习等前沿机器学习技术,既可作为高年级本科生和硕士研究生的教材,又可作为相关领域科研和工程人员的工具书。
    人工智能赋能多个行业,大部分行业需要了解并掌握机器学习技术。开卷有益,希望本书能够辅助读者更好地掌握机器学习的理论、方法和应用。相信阅读此书所获得的充实感会给读者留下美好的回忆。
    
    
    丁贵广
    清华大学软件学院
    
    
    
    前   言
    机器学习是人工智能领域的一个基础且重要的方向,它突破了传统手动设计处理算法所面临的通用性低、无学习能力等问题,通过设计学习模型让机器在大量数据中自动地挖掘出数据内在的规律,并对新数据进行预测或分类。最近十多年来,机器学习飞速发展,不仅在图像、视频、语音、自然语言等传统机器学习应用领域取得了进步,而且逐渐应用于航空航天、材料、化学、生物等诸多领域,为各学科开辟了新的数据处理与技术途径,并且产生了巨大的经济和社会效益。
    全书共11章,综合介绍了Python编程、库函数等机器学习常用工具,由浅入深讲解了机器学习的核心思想与方法,给出了机器学习与航空航天等专业相结合的应用实例。为了让读者更好地掌握机器学习的相关知识,从Python编程、Python常用库开始介绍;理论部分的讲解从基本的最小二乘法开始,逐步深入介绍如何使用迭代求解法实现逻辑斯蒂回归、感知机、神经网络、深度神经网络;每个理论知识点之后给出算法和编程实现,目的是帮助读者加深对理论的理解。本书配套有完整的在线讲义、在线视频、作业和练习项目、MOOC等,并且每章都提供习题或练习等。对应的二维码如图0.1所示,读者可以直接访问在线教程,选择适合自己的资料。
           
    (a)课程的配套视频             (b)课程的在线讲义           (c)作业和练习项目
    图0.1  配套资源的二维码
    本书面向没有深厚计算机、编程基础的学生,考虑到不少读者并不具备深厚的编程和算法基础,在讲解过程中,更注重算法、数据结构、面向对象思想的引入,以引导读者通过“迁移学习”,将基础知识、专业理论、领域问题等快速迁移到机器学习领域,进而快速掌握机器学习的核心思想、方法和工具等,并为将机器学习技术应用到各自的专业领域以解决实际应用问题打下坚实的理论、编程和实践基础。
    本书的第1章由布树辉和李霓编写,第2、4章由李霓编写,第3章由马文科编写,第5章由李永波编写,第6章由唐小军和张伟伟编写,第7~11章由布树辉编写。全书由布树辉统稿。
    感谢为本书出版做出贡献的所有人员。
    感谢多年来选择修习编著者团队的“智能图像处理”“机器学习”“机器学习与人工智能”课程的学生,是你们的积极、热情和反馈激励了编著者不断地改进讲义。
    感谢西北工业大学飞行器智能认知与控制实验室的胡劲松、韩鹏程、李随城、胡博妮、陈霖、何学敏、李坤、邹万勇、左奎军、赵勇、薛少诚、夏震宇、董逸飞、王禹、翁乐安、张玉、乔岳、程佳铭、朱永宁、李俊峰、彭雨菲、王煜熙、倪海鸿、张敏、李浩玮、张一竹、贾旋等同学不辞辛苦地补充和改进讲义与书稿。
    感谢深圳朝闻道机器人的张宏磊、陈豪杰、安玉玺等补充和协助。
    感谢支持和帮助编著者的同事、朋友、亲人,有了你们的支持,本书才得以完成。
    机器学习是一门范围极广、内容庞杂的学科,由于技术发展日新月异,编著者水平与经验有限,书中难免有错误与理解不到位的地方,敬请读者批评指正!
    
    展开

    作者简介

    布树辉,西北工业大学教授,博士生导师。中国航空学会航电与空管分会委员,国际数字地球学会中国国家委员会虚拟地理环境专业委员会委员,陕西省组合与智能导航重点实验室委员,陕西省自动化学会智能机器人专业委员会委员。出版教材和专著3部,发表学术论文100多篇。近年来完成国家、省部级研究项目19项,获省部级奖励6项,并于2021年获得吴文俊人工智能科学技术发明一等奖。主要研究方向包括自主无人机与机器人、图形与图像处理、机器学习及其应用等。在同时定位与构图、环境理解等方面取得了较为突出的成果,所研究的无人机实时地图重建与分析系统在国际上有较大的影响力。
  • 样 章 试 读
  • 图 书 评 价 我要评论
华信教育资源网