書馨卡幫你省薪 2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用

機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用

出版社：清華大學出版社出版時間：2023-07-01
開本： 16開 頁數(shù)： 424
中 圖 價:¥96.6(7.0折) 定價  ¥138.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>

機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用 版權信息

機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用 本書特色

信用卡公司如何檢測欺詐行為？
航空公司如何通過機器學習對噴氣發(fā)動機進行預測性維護？
自動駕駛汽車如何看周圍的世界？
谷歌翻譯如何把文字翻譯為另一種語言？
面部識別系統(tǒng)如何工作？ 作者抽絲剝繭，在運用機器學習和人工智能來解決這些問題的過程中，抽離出更有利于讀者理解和掌握的知識要點，旨在幫助讀者放下畏難情緒，*終自己動手構建一個類似更智能的系統(tǒng)或者以更智能的方式使用現(xiàn)有的系統(tǒng)，將人工智能集成到工業(yè)場景下的應用中。 作者在全球很多公司和研究機構講授人工智能和機器學習課程，本書用到了課程中使用的例子和插圖，全部經(jīng)過實證，沒有可怕的算法或者公式，可以幫助工程師和軟件開發(fā)人員快速入門。更值得一提的是，書中還包含了很多實操案例。

機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用 內(nèi)容簡介

工程師需要知道的機器學習和人工智能提供的實例和圖示來自Prosise的AI和ML課程,這]課程受到了全球各地許多公司和研究所的青睞和歡迎。作者不涉及讓人滑悚然和望而生畏的數(shù)學公式,目的只有一個那就 是面向工程師和軟件開發(fā)人員,幫助他們迅速入門并通過案例迅速運用人工智能和機器學習來解決業(yè)務問題。本書講幫助讀者學會什么是機器學習和深度學習以及兩者各有哪些用途;理解常用的深度學習算法的原理及其應用;學會標記和未標記數(shù)據(jù),監(jiān)督學習和非監(jiān)督學習有何差異;通過scikit-learn和神經(jīng)網(wǎng)絡Keras和TensorFlow ,運用Python來進行機器學習建模;訓練和評分地柜模型與-進制和多類粉類器模型 ;構建面檢測和面識別模型以及 對象檢測模型。本書適合硬件工程師與軟件開發(fā)人員閱讀和參考

機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用 目錄

第I 分 用Scikit-Learn 進行機器學 第1 章 機器學 3 1.1 什么是機器學 4 1.1.1 機器學與人工智能 7 1.1.2 監(jiān)督和無監(jiān)督學 9 1.2 使用k-means 聚類算法的無監(jiān)督學 10 1.2.1 將k-means 聚類算法應用于客戶數(shù)據(jù) 13 1.2.2 使用兩個以上的維度對客戶進行細分 16 1.3 監(jiān)督學 19 1.3.1 k 近鄰 22 1.3.2 使用k 近鄰對花卉進行分類 24 1.4 小結 28 第2 章 回歸模型 30 2.1 線性回歸 30 2.2 決策樹 34 2.3 隨機森林 37 2.4 梯度提升機 39 2.5 支持向量機 41 2.6 回歸模型的度測量 42 2.7 使用回歸來預測車費 46 2.8 小結 51 第3 章 分類模型 53 3.1 邏輯回歸 54 3.2 分類模型的率度量 56 3.3 分類數(shù)據(jù) 61 3.4 二分類 63 3.4.2 檢測信用卡欺詐 68 3.5 多分類 73 3.6 構建數(shù)字識別模型 74 3.7 小結 78 第4 章 文本分類 80 4.1 準備用于分類的文本 81 4.2 情感分析 84 4.3 樸素貝葉斯 88 4.4 垃圾郵件過濾 91 4.5 推薦系統(tǒng) 95 4.5.1 余弦相似性 96 4.5.2 構建一個電影推薦系統(tǒng) 98 4.6 小結 100 第5 章 支持向量機 102 5.1 支持向量機的工作原理 102 5.1.1 核 105 5.1.2 核技巧 106 5.2 參數(shù)調(diào)整 109 5.3 數(shù)據(jù)歸一化 112 5.4 管道化 117 5.5 使用SVM 進行面識別 118 5.6 小結 124 第6 章 主成分分析 126 6.1 理解主成分分析 127 6.2 噪聲過濾 133 6.3 數(shù)據(jù)匿名化 135 6.4 可視化高維數(shù)據(jù) 137 6.5 異常檢測 140 6.5.1 使用PCA 檢測信用卡欺詐 141 6.5.2 使用PCA 來預測軸承故障 145 6.5.3 多變量異常檢測 150 6.6 小結 151 第7 章 機器學模型的作化 152 7.1 從Python 客戶端使用Python 模型 153 7.2 pkl 文件的版本管理 157 7.3 從C# 客戶端使用Python 模型 157 7.4 容器化機器學模型 160 7.5 使用ONNX 來橋接不同的語言 161 7.6 用ML.NET 在C# 中構建ML 模型 165 7.6.1 用ML.NET 進行情感分析 166 7.6.2 存和加載ML.NET 模型 169 7.7 為Excel 添加機器學功能 169 7.8 小結 173 第II 分 用Keras 和TensorFlow 進行深度學 第8 章 深度學 177 8.1 了解經(jīng)網(wǎng)絡 178 8.2 訓練經(jīng)網(wǎng)絡 182 8.3 小結 185 第9 章 經(jīng)網(wǎng)絡 187 9.1 用Keras 和TensorFlow 構建經(jīng)網(wǎng)絡 188 9.1.1 設定經(jīng)網(wǎng)絡的大小 192 9.1.2 使用經(jīng)網(wǎng)絡來預測車費 193 9.2 用經(jīng)網(wǎng)絡進行二分類 197 9.2.1 進行預測 199 9.2.2 訓練經(jīng)網(wǎng)絡來檢測信用卡欺詐 200 9.3 用經(jīng)網(wǎng)絡進行多分類 204 9.4 訓練經(jīng)網(wǎng)絡進行面識別 207 9.5 Dropout 210 9.6 存和加載模型 211 9.7 Keras 回調(diào) 213 9.8 小結 216 第10 章 用卷積經(jīng)網(wǎng)絡進行圖像分類 218 10.1 理解CNN 219 10.1.1 使用Keras 和TensorFlow 來構建CNN 223 10.1.2 訓練CNN 來識別北野生動物 227 10.2 預訓練CNN 232 10.3 使用ResNet50V2 對圖像分類 235 10.4 轉移學 237 10.5 通過轉移學來識別北野生動物 240 10.6 數(shù)據(jù)增強 243 10.6.1 用ImageDataGenerator 進行圖像增強 244 10.6.2 使用增強層進行圖像增強 247 10.6.3 將圖像增強應用于北野生動物 248 10.7 全局池化 251 10.8 用CNN 進行音頻分類 252 10.9 小結 259 第11 章 面檢測和識別 261 11.1 人臉檢測 262 11.1.1 用Viola-Jones 算法進行人臉檢測 263 11.1.2 使用Viola-Jones 的OpenCV 實現(xiàn) 265 11.1.3 用卷積經(jīng)網(wǎng)絡檢測人臉 267 11.1.4 從照片中提取人臉 271 11.2 面識別 273 11.2.1 將遷移學應用于人臉識別 274 11.2.2 用任務定的權重強化轉移學 277 11.2.3 ArcFace 280 11.3 綜合運用：檢測和識別照片中的人臉 281 11.4 處理未知人臉：閉集和開集分類 287 11.5 小結 288 第12 章 目標檢測 290 12.1 R-CNN 291 12.2 Mask R-CNN 294 12.3 YOLO 300 12.4 YOLOv3 和Keras 302 12.5 自定義目標檢測 307 12.5.1 用自定義視覺服務訓練自定義目標檢測模型 308 12.5.2 使用導出的模型 315 12.6 小結 317 第13 章 自然語言處理 318 13.1 文本準備 319 13.2 詞嵌入 322 13.3 文本分類 323 13.3.1 自動化文本矢量處理 327 13.3.2 在情感分析模型中使用TextVectorization 328 13.3.3 將詞序納入預測的因素 330 13.3.4 循環(huán)經(jīng)網(wǎng)絡(RNN) 331 13.3.5 使用預訓練模型進行文本分類 333 13.4 經(jīng)機器翻譯 335 13.4.1 LSTM 編碼器- 解碼器 336 13.4.2 Transformer 編碼器- 解碼器 338 13.4.3 構建基于Transformer 的NMT 模型 340 13.4.4 使用預訓練模型來翻譯文本 349 13.5 基于變換器的雙向編碼器(BERT) 350 13.5.1 構建基于BERT 的答題系統(tǒng) 352 13.5.2 調(diào)BERT 以進行情感分析 355 13.6 小結 359 第14 章 Azure 認知服務 361 14.1 Azure 認知服務簡介 362 14.1.1 密鑰和結點 364 14.1.2 調(diào)用Azure 認知服務API 367 14.1.3 Azure 認知服務容器 369 14.2 計算機視覺服務 371 14.3 語言服務 380 14.4 翻譯服務 383 14.5 語音服務 385 14.6 集大成者Contoso Travel 386 14.7 小結 391
展開全部

機器學習與人工智能實戰(zhàn):基于業(yè)務場景的工程應用 作者簡介

杰夫·普羅西斯 (Jeff Prosise) ，資深工程師，熱心于幫助工程師和軟件開發(fā)人員用好人工智能和機器學習。作為Wintellect的聯(lián)合創(chuàng)始人，他在微軟培訓過幾千名開發(fā)人員，在一些全球軟件大會上發(fā)表過演講。此外，杰夫還效力于橡樹嶺國家實驗室和勞倫斯利弗莫爾國家實驗室，從事過高功率激光系統(tǒng)和聚變能研究。目前，杰夫在Atmosera擔任首席學習官，致力于幫助客戶在產(chǎn)品或服務中實際應用人工智能。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服