機器學(xué)習(xí)基礎(chǔ)與高級內(nèi)容全面講解，實例豐富，易于學(xué)習(xí)鞏固。
電子書
編輯推薦
輕松入門機器學(xué)習(xí)，理論實戰(zhàn)并重，適合零基礎(chǔ)學(xué)習(xí)者。
內(nèi)容簡介
本書通過AI“小白”小冰拜師程序員咖哥學(xué)習(xí)機器學(xué)習(xí)的對話展開，內(nèi)容包括：機器學(xué)習(xí)快速上手路徑、數(shù)學(xué)和Python基礎(chǔ)知識、機器學(xué)習(xí)基礎(chǔ)算法(線性回歸和邏輯回歸)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、經(jīng)典算法、集成學(xué)習(xí)、無監(jiān)督和半監(jiān)督等非監(jiān)督學(xué)習(xí)類型、強化學(xué)習(xí)實戰(zhàn)等內(nèi)容，以及相關(guān)實戰(zhàn)案例等。
章節(jié)目錄
- 封面
- 扉頁
- 版權(quán)信息
- 內(nèi)容提要
- 推薦語
- 前言
- 資源與支持
- 引子 AI菜鳥的挑戰(zhàn)——100天上線智能預(yù)警系統(tǒng)
- 第1課 機器學(xué)習(xí)快速上手路徑——唯有實戰(zhàn)
- 1.1?機器學(xué)習(xí)的家族譜
- 1.1.1 新手入門機器學(xué)習(xí)的3個好消息
- 1.1.2?機器學(xué)習(xí)就是從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律
- 1.1.3 機器學(xué)習(xí)的類別——監(jiān)督學(xué)習(xí)及其他
- 1.1.4 機器學(xué)習(xí)的重要分支——深度學(xué)習(xí)
- 1.1.5?機器學(xué)習(xí)新熱點——強化學(xué)習(xí)
- 1.1.6 機器學(xué)習(xí)的兩大應(yīng)用場景——回歸與分類
- 1.1.7 機器學(xué)習(xí)的其他應(yīng)用場景
- 1.2 快捷的云實戰(zhàn)學(xué)習(xí)模式
- 1.2.1 在線學(xué)習(xí)平臺上的機器學(xué)習(xí)課程
- 1.2.2 用Jupyter?Notebook直接實戰(zhàn)
- 1.2.3 用Google?Colab開發(fā)第一個機器學(xué)習(xí)程序
- 1.2.4 在Kaggle上參與機器學(xué)習(xí)競賽
- 1.2.5 在本機上“玩”機器學(xué)習(xí)
- 1.3 基本機器學(xué)習(xí)術(shù)語
- 1.3.1 特征
- 1.3.2 標(biāo)簽
- 1.3.3 模型
- 1.4 Python和機器學(xué)習(xí)框架
- 1.4.1 為什么選擇用Python
- 1.4.2 機器學(xué)習(xí)和深度學(xué)習(xí)框架
- 1.5 機器學(xué)習(xí)項目實戰(zhàn)架構(gòu)
- 1.5.1?第1個環(huán)節(jié)：問題定義
- 1.5.2 第2個環(huán)節(jié)：數(shù)據(jù)的收集和預(yù)處理
- 1.5.3 第3個環(huán)節(jié)：選擇機器學(xué)習(xí)模型
- 1.5.4 第4個環(huán)節(jié)：訓(xùn)練機器，確定參數(shù)
- 1.5.5 第5個環(huán)節(jié)：超參數(shù)調(diào)試和性能優(yōu)化
- 1.6 本課內(nèi)容小結(jié)
- 1.7?課后練習(xí)
- 第2課 數(shù)學(xué)和Python基礎(chǔ)知識——一天搞定
- 2.1?函數(shù)描述了事物間的關(guān)系
- 2.1.1 什么是函數(shù)
- 2.1.2 機器學(xué)習(xí)中的函數(shù)
- 2.2 捕捉函數(shù)的變化趨勢
- 2.2.1 連續(xù)性是求導(dǎo)的前提條件
- 2.2.2 通過求導(dǎo)發(fā)現(xiàn)y如何隨x而變
- 2.2.3 凸函數(shù)有一個全局最低點
- 2.3 梯度下降是機器學(xué)習(xí)的動力之源
- 2.3.1 什么是梯度
- 2.3.2?梯度下降：下山的隱喻
- 2.3.3 梯度下降有什么用
- 2.4 機器學(xué)習(xí)的數(shù)據(jù)結(jié)構(gòu)——張量
- 2.4.1 張量的軸、階和形狀
- 2.4.2 標(biāo)量——0D（階）張量
- 2.4.3?向量——1D（階）張量
- 2.4.4?矩陣——2D（階）張量
- 2.4.5 序列數(shù)據(jù)——3D（階）張量
- 2.4.6 圖像數(shù)據(jù)——4D（階）張量
- 2.4.7 視頻數(shù)據(jù)——5D（階）張量
- 2.4.8?數(shù)據(jù)的維度和空間的維度
- 2.5 Python 的張量運算
- 2.5.1 機器學(xué)習(xí)中張量的創(chuàng)建
- 2.5.2 通過索引和切片訪問張量中的數(shù)據(jù)
- 2.5.3?張量的整體操作和逐元素運算
- 2.5.4 張量的變形和轉(zhuǎn)置
- 2.5.5 Python中的廣播
- 2.5.6 向量和矩陣的點積運算
- 2.6 機器學(xué)習(xí)的幾何意義
- 2.6.1 機器學(xué)習(xí)的向量空間
- 2.6.2 深度學(xué)習(xí)和數(shù)據(jù)流形
- 2.7 概率與統(tǒng)計研究了隨機事件的規(guī)律
- 2.7.1 什么是概率
- 2.7.2 正態(tài)分布
- 2.7.3 標(biāo)準(zhǔn)差和方差
- 2.8 本課內(nèi)容小結(jié)
- 2.9 課后練習(xí)
- 第3課 線性回歸——預(yù)測網(wǎng)店的銷售額
- 3.1 問題定義：小冰的網(wǎng)店廣告該如何投放
- 3.2 數(shù)據(jù)的收集和預(yù)處理
- 3.2.1 收集網(wǎng)店銷售額數(shù)據(jù)
- 3.2.2 數(shù)據(jù)讀取和可視化
- 3.2.3 數(shù)據(jù)的相關(guān)分析
- 3.2.4 數(shù)據(jù)的散點圖
- 3.2.5 數(shù)據(jù)集清洗和規(guī)范化
- 3.2.6 拆分?jǐn)?shù)據(jù)集為訓(xùn)練集和測試集
- 3.2.7 把數(shù)據(jù)歸一化
- 3.3 選擇機器學(xué)習(xí)模型
- 3.3.1 確定線性回歸模型
- 3.3.2 假設(shè)（預(yù)測）函數(shù)——h（x）
- 3.3.3 ?損失（誤差）函數(shù)——L（w，b）
- 3.4 通過梯度下降找到最佳參數(shù)
- 3.4.1 訓(xùn)練機器要有正確的方向
- 3.4.2 ?凸函數(shù)確保有最小損失點
- 3.4.3 梯度下降的實現(xiàn)
- 3.4.4 學(xué)習(xí)速率也很重要
- 3.5 實現(xiàn)一元線性回歸模型并調(diào)試超參數(shù)
- 3.5.1 權(quán)重和偏置的初始值
- 3.5.2 進行梯度下降
- 3.5.3 調(diào)試學(xué)習(xí)速率
- 3.5.4 調(diào)試迭代次數(shù)
- 3.5.5 在測試集上進行預(yù)測
- 3.5.6 用輪廓圖描繪L、w和b的關(guān)系
- 3.6 實現(xiàn)多元線性回歸模型
- 3.6.1 向量化的點積運算
- 3.6.2 多變量的損失函數(shù)和梯度下降
- 3.6.3 構(gòu)建一個線性回歸函數(shù)模型
- 3.6.4 初始化權(quán)重并訓(xùn)練機器
- 3.7 本課內(nèi)容小結(jié)
- 3.8 課后練習(xí)
- 第4課 邏輯回歸——給病患和鳶尾花分類
- 4.1 問題定義：判斷客戶是否患病
- 4.2 從回歸問題到分類問題
- 4.2.1 機器學(xué)習(xí)中的分類問題
- 4.2.2 用線性回歸+階躍函數(shù)完成分類
- 4.2.3 通過Sigmiod函數(shù)進行轉(zhuǎn)換
- 4.2.4 邏輯回歸的假設(shè)函數(shù)
- 4.2.5 邏輯回歸的損失函數(shù)
- 4.2.6 邏輯回歸的梯度下降
- 4.3 通過邏輯回歸解決二元分類問題
- 4.3.1 數(shù)據(jù)的準(zhǔn)備與分析
- 4.3.2 建立邏輯回歸模型
- 4.3.3 開始訓(xùn)練機器
- 4.3.4 測試分類結(jié)果
- 4.3.5 繪制損失曲線
- 4.3.6 直接調(diào)用Sklearn庫
- 4.3.7 啞特征的使用
- 4.4 問題定義：確定鳶尾花的種類
- 4.5 從二元分類到多元分類
- 4.5.1 以一對多
- 4.5.2 多元分類的損失函數(shù)
- 4.6 正則化、欠擬合和過擬合
- 4.6.1 正則化
- 4.6.2 欠擬合和過擬合
- 4.6.3 正則化參數(shù)
- 4.7 通過邏輯回歸解決多元分類問題
- 4.7.1 數(shù)據(jù)的準(zhǔn)備與分析
- 4.7.2 ?通過Sklearn實現(xiàn)邏輯回歸的多元分類
- 4.7.3 正則化參數(shù)——C值的選擇
- 4.8 本課內(nèi)容小結(jié)
- 4.9 課后練習(xí)
- 第5課 深度神經(jīng)網(wǎng)絡(luò)——找出可能流失的客戶
- 5.1?問題定義：咖哥接手的金融項目
- 5.2 神經(jīng)網(wǎng)絡(luò)的原理
- 5.2.1 神經(jīng)網(wǎng)絡(luò)極簡史
- 5.2.2 傳統(tǒng)機器學(xué)習(xí)算法的局限性
- 5.2.3 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢
- 5.3 從感知器到單隱層網(wǎng)絡(luò)
- 5.3.1 感知器是最基本的神經(jīng)元
- 5.3.2 假設(shè)空間要能覆蓋特征空間
- 5.3.3 單神經(jīng)元特征空間的局限性
- 5.3.4 分層：加入一個網(wǎng)絡(luò)隱層
- 5.4 用Keras單隱層網(wǎng)絡(luò)預(yù)測客戶流失率
- 5.4.1 數(shù)據(jù)的準(zhǔn)備與分析
- 5.4.2 先嘗試邏輯回歸算法
- 5.4.3 單隱層神經(jīng)網(wǎng)絡(luò)的Keras實現(xiàn)
- 5.4.4 訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)
- 5.4.5 訓(xùn)練過程的圖形化顯示
- 5.5 分類數(shù)據(jù)不平衡問題：只看準(zhǔn)確率夠用嗎
- 5.5.1 混淆矩陣、精確率、召回率和F1分?jǐn)?shù)
- 5.5.2 使用分類報告和混淆矩陣
- 5.5.3 特征縮放的魔力
- 5.5.4 閾值調(diào)整、欠采樣和過采樣
- 5.6 從單隱層神經(jīng)網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)
- 5.6.1 梯度下降：正向傳播和反向傳播
- 5.6.2 深度神經(jīng)網(wǎng)絡(luò)中的一些可調(diào)超參數(shù)
- 5.6.3 梯度下降優(yōu)化器
- 5.6.4 激活函數(shù)：從Sigmoid到Re LU
- 5.6.5 損失函數(shù)的選擇
- 5.6.6 評估指標(biāo)的選擇
- 5.7 用Keras深度神經(jīng)網(wǎng)絡(luò)預(yù)測客戶流失率
- 5.7.1 構(gòu)建深度神經(jīng)網(wǎng)絡(luò)
- 5.7.2 換一換優(yōu)化器試試
- 5.7.3 神經(jīng)網(wǎng)絡(luò)正則化：添加Dropout層
- 5.8 深度神經(jīng)網(wǎng)絡(luò)的調(diào)試及性能優(yōu)化
- 5.8.1 使用回調(diào)功能
- 5.8.2 使用TensorBoard
- 5.8.3 神經(jīng)網(wǎng)絡(luò)中的過擬合
- 5.8.4 梯度消失和梯度爆炸
- 5.9 本課內(nèi)容小結(jié)
- 5.10 課后練習(xí)
- 第6課 卷積神經(jīng)網(wǎng)絡(luò)——識別狗狗的圖像
- 6.1 問題定義：有趣的狗狗圖像識別
- 6.2 卷積網(wǎng)絡(luò)的結(jié)構(gòu)
- 6.3 卷積層的原理
- 6.3.1 機器通過“模式”進行圖像識別
- 6.3.2 平移不變的模式識別
- 6.3.3 用滑動窗口抽取局部特征
- 6.3.4 過濾器和響應(yīng)通道
- 6.3.5 對特征圖進行卷積運算
- 6.3.6 模式層級結(jié)構(gòu)的形成
- 6.3.7 卷積過程中的填充和步幅
- 6.4 池化層的功能
- 6.5 用卷積網(wǎng)絡(luò)給狗狗圖像分類
- 6.5.1 圖像數(shù)據(jù)的讀入
- 6.5.2?構(gòu)建簡單的卷積網(wǎng)絡(luò)
- 6.5.3 訓(xùn)練網(wǎng)絡(luò)并顯示誤差和準(zhǔn)確率
- 6.6?卷積網(wǎng)絡(luò)性能優(yōu)化
- 6.6.1 第一招：更新優(yōu)化器并設(shè)置學(xué)習(xí)速率
- 6.6.2 第二招：添加Dropout層
- 6.6.3 “大殺器”：進行數(shù)據(jù)增強
- 6.7 卷積網(wǎng)絡(luò)中特征通道的可視化
- 6.8 各種大型卷積網(wǎng)絡(luò)模型
- 6.8.1 經(jīng)典的VGGNet
- 6.8.2 采用Inception結(jié)構(gòu)的GoogLeNet
- 6.8.3 殘差網(wǎng)絡(luò)ResNet
- 6.9 本課內(nèi)容小結(jié)
- 6.10 課后練習(xí)
- 第7課 循環(huán)神經(jīng)網(wǎng)絡(luò)——鑒定留言及探索系外行星
- 7.1 問題定義：鑒定評論文本的情感屬性
- 7.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)
- 7.2.1 什么是序列數(shù)據(jù)
- 7.2.2 前饋神經(jīng)網(wǎng)絡(luò)處理序列數(shù)據(jù)的局限性
- 7.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)處理序列問題的策略
- 7.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
- 7.3 原始文本如何轉(zhuǎn)化成向量數(shù)據(jù)
- 7.3.1 文本的向量化：分詞
- 7.3.2 通過One-hot編碼分詞
- 7.3.3 詞嵌入
- 7.4 用SimpleRNN鑒定評論文本
- 7.4.1 用Tokenizer給文本分詞
- 7.4.2 構(gòu)建包含詞嵌入的SimpleRNN
- 7.4.3 訓(xùn)練網(wǎng)絡(luò)并查看驗證準(zhǔn)確率
- 7.5 從SimpleRNN到LSTM
- 7.5.1 SimpleRNN的局限性
- 7.5.2?LSTM網(wǎng)絡(luò)的記憶傳送帶
- 7.6 用LSTM 鑒定評論文本
- 7.7 問題定義：太陽系外哪些恒星有行星環(huán)繞
- 7.8 用循環(huán)神經(jīng)網(wǎng)絡(luò)處理時序問題
- 7.8.1 時序數(shù)據(jù)的導(dǎo)入與處理
- 7.8.2 建模：CNN和RNN的組合
- 7.8.3 輸出閾值的調(diào)整
- 7.8.4 使用函數(shù)式API
- 7.9 本課內(nèi)容小結(jié)
- 7.10 課后練習(xí)
- 第8課 經(jīng)典算法“寶刀未老”
- 8.1?K最近鄰
- 8.2 支持向量機
- 8.3 樸素貝葉斯
- 8.4 決策樹
- 8.4.1 熵和特征節(jié)點的選擇
- 8.4.2 決策樹的深度和剪枝
- 8.5 隨機森林
- 8.6 如何選擇最佳機器學(xué)習(xí)算法
- 8.7 用網(wǎng)格搜索超參數(shù)調(diào)優(yōu)
- 8.8 本課內(nèi)容小結(jié)
- 8.9 課后練習(xí)
- 第9課 集成學(xué)習(xí)“笑傲江湖”
- 9.1 偏差和方差——機器學(xué)習(xí)性能優(yōu)化的風(fēng)向標(biāo)
- 9.1.1 目標(biāo)：降低偏差與方差
- 9.1.2 數(shù)據(jù)集大小對偏差和方差的影響
- 9.1.3 預(yù)測空間的變化帶來偏差和方差的變化
- 9.2 Bagging算法——多個基模型的聚合
- 9.2.1 決策樹的聚合
- 9.2.2 從樹的聚合到隨機森林
- 9.2.3 從隨機森林到極端隨機森林
- 9.2.4 比較決策樹、樹的聚合、隨機森林、極端隨機森林的效率
- 9.3 Boosting算法——鍛煉弱模型的“肌肉”
- 9.3.1 Ada Boost算法
- 9.3.2 梯度提升算法
- 9.3.3 XGBoost算法
- 9.3.4 Bagging算法與Boosting算法的不同之處
- 9.4 Stacking/Blending算法——以預(yù)測結(jié)果作為新特征
- 9.4.1 Stacking算法
- 9.4.2 Blending算法
- 9.5?Voting/Averaging算法——集成基模型的預(yù)測結(jié)果
- 9.5.1 通過Voting進行不同算法的集成
- 9.5.2 通過Averaging集成不同算法的結(jié)果
- 9.6 本課內(nèi)容小結(jié)
- 9.7 課后練習(xí)
- 第10課 監(jiān)督學(xué)習(xí)之外——其他類型的機器學(xué)習(xí)
- 10.1 無監(jiān)督學(xué)習(xí)——聚類
- 10.1.1 K均值算法
- 10.1.2 K值的選?。菏种夥?/a>
- 10.1.3 用聚類輔助理解營銷數(shù)據(jù)
- 10.2 無監(jiān)督學(xué)習(xí)——降維
- 10.2.1 PCA算法
- 10.2.2 通過PCA算法進行圖像特征采樣
- 10.3?半監(jiān)督學(xué)習(xí)
- 10.3.1 自我訓(xùn)練
- 10.3.2 合作訓(xùn)練
- 10.3.3 半監(jiān)督聚類
- 10.4 自監(jiān)督學(xué)習(xí)
- 10.4.1 潛隱空間
- 10.4.2 ?自編碼器
- 10.4.3 變分自編碼器
- 10.5 生成式學(xué)習(xí)
- 10.5.1 ?機器學(xué)習(xí)的生成式
- 10.5.2 生成式對抗網(wǎng)絡(luò)
- 10.6 本課內(nèi)容小結(jié)
- 10.7 課后練習(xí)
- 第11課 強化學(xué)習(xí)實戰(zhàn)——咖哥的冰湖挑戰(zhàn)
- 11.1?問題定義：幫助智能體完成冰湖挑戰(zhàn)
- 11.2 強化學(xué)習(xí)基礎(chǔ)知識
- 11.2.1 延遲滿足
- 11.2.2 更復(fù)雜的環(huán)境
- 11.2.3 強化學(xué)習(xí)中的元素
- 11.2.4 智能體的視角
- 11.3 強化學(xué)習(xí)基礎(chǔ)算法Q-Learning詳解
- 11.3.1 ?迷宮游戲的示例
- 11.3.2 強化學(xué)習(xí)中的局部最優(yōu)
- 11.3.3 ε-Greedy策略
- 11.3.4 Q-Learning算法的偽代碼
- 11.4 用Q-Learning算法來解決冰湖挑戰(zhàn)問題
- 11.4.1 環(huán)境的初始化
- 11.4.2 Q-Learning算法的實現(xiàn)
- 11.4.3 Q-Table的更新過程
- 11.5 從Q-Learning算法到SARSA算法
- 11.5.1 異策略和同策略
- 11.5.2 SARSA算法的實現(xiàn)
- 11.6 用SARSA算法來解決冰湖挑戰(zhàn)問題
- 11.7 Deep Q Network算法：用深度網(wǎng)絡(luò)實現(xiàn)Q-Learning
- 11.8 本課內(nèi)容小結(jié)
- 11.9 課后練習(xí)
- 尾聲 如何實現(xiàn)機器學(xué)習(xí)中的知識遷移及持續(xù)性的學(xué)習(xí)
- 練習(xí)答案
- 彩插
展開全部
零基礎(chǔ)學(xué)機器學(xué)習(xí)是2020年由人民郵電出版社出版,作者黃佳。
溫馨提示：
1.本電子書已獲得正版授權(quán)，由出版社通過知傳鏈發(fā)行。
2.該電子書為虛擬物品，付費之后概不接收任何理由退款。電子書內(nèi)容僅支持在線閱讀，不支持下載。
3.您在本站購買的閱讀使用權(quán)僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關(guān)后果本平臺保留向您追償索賠的權(quán)利！版權(quán)所有，后果自負(fù)！
得書感謝您對《零基礎(chǔ)學(xué)機器學(xué)習(xí)》關(guān)注和支持，如本書內(nèi)容有不良信息或侵權(quán)等情形的，請聯(lián)系本網(wǎng)站。
電子書
電子書
《機器學(xué)習(xí)實戰(zhàn)》面向日常任務(wù)的高效實戰(zhàn)內(nèi)容，介紹并實現(xiàn)機器學(xué)習(xí)的主流算法。
電子書
大數(shù)據(jù)時代為機器學(xué)習(xí)的應(yīng)用提供了廣闊的空間，各行各業(yè)涉及數(shù)據(jù)分析的工作都需要使用機器學(xué)習(xí)算法。本書圍繞實際數(shù)據(jù)分析的流程展開，著重介紹數(shù)據(jù)探索、數(shù)據(jù)預(yù)處理和常用的機器學(xué)習(xí)算法模型。本書從解決實際問題的角度出發(fā)，介紹回歸算法、分類算法、推薦算法、排序算法和集成學(xué)習(xí)算法。在介紹每種機器學(xué)習(xí)算法模型時，書中不但闡述基本原理，而且討論模型的評價與選擇。為方便讀者學(xué)習(xí)各種算法，本書介紹了R語言中相應(yīng)的軟件包
電子書
機器學(xué)習(xí)入門手冊《機器學(xué)習(xí)精講》姊妹篇，人工智能和機器學(xué)習(xí)領(lǐng)域?qū)I(yè)人士的多年實踐結(jié)晶，深入淺出講解機器學(xué)習(xí)應(yīng)用和工程實踐。
電子書
適讀人群 ：（1）高等院校人工智能、計算機、自動化等相關(guān)專業(yè)機器學(xué)習(xí)方向的學(xué)生；（2）學(xué)術(shù)界機器學(xué)習(xí)領(lǐng)域的研究人員和教師；（3）工業(yè)界對機器學(xué)習(xí)感興趣的專業(yè)人員和工程師。
1.周志華教授“西瓜書”《機器學(xué)習(xí)》公式完全解析指南！
“南瓜書”系Datawhale成員自學(xué)筆記，對“西瓜書”中250個重難點公式做了詳細解析和推導(dǎo)（重難點公式覆蓋率達99%），旨在解決機器學(xué)習(xí)中的數(shù)學(xué)難題。
2.機器學(xué)習(xí)初學(xué)小白提升數(shù)學(xué)基礎(chǔ)能力的必備練習(xí)冊！
以本科數(shù)學(xué)基礎(chǔ)視角對“西瓜書”里比較難理解的公式加以解析和推導(dǎo)細節(jié)，補充大量重、難點數(shù)學(xué)知識和參考材料，分享在學(xué)習(xí)中遇到的“坑”以及跳過這個“坑”的方法，對于初學(xué)機器學(xué)習(xí)的小白也能上手練習(xí)！
3.俞勇、王斌、李沐、程明明、陳光（博主@愛可可-愛生活）、徐亦達等人工智能領(lǐng)域大咖親筆推薦
電子書
機器學(xué)習(xí)已經(jīng)廣泛地應(yīng)用于各行各業(yè)，深度學(xué)習(xí)的興起再次推動了人工智能的熱潮。本書結(jié)合項目實踐，首先討論了TensorFlow、PySpark、TI-ONE等主流機器學(xué)習(xí)平臺的主要特點；然后結(jié)合Tableau介紹了數(shù)據(jù)可視化在銀行客戶用卡行為分析的應(yīng)用。在此基礎(chǔ)上，利用上述介紹的這些平臺，通過多個項目案例，詳細地分析了決策樹、隨機森林、支持向量機、邏輯回歸、貝葉斯網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、對抗
電子書
適讀人群 ：本書適用于剛剛學(xué)完或正在學(xué)習(xí)C語言的低年級同學(xué)，可作為高等院校的教材，也適合零售和培訓(xùn)。
1.作者楊中科為大型線上IT教育網(wǎng)站如鵬教育創(chuàng)始人，開發(fā)了如鵬游戲引擎，其錄制的“C語言也能干大事”等視頻教程影響了數(shù)十萬編程學(xué)習(xí)者，被譽為“程序員的啟蒙老師”。
2.本書兼具實用性和趣味性。與其他C語言教材不同，本書以游戲開發(fā)的方式一步步引導(dǎo)讀者完成一個游戲的設(shè)計和代碼的編寫，讓讀者體會到C語言的樂趣。
3.本書在結(jié)構(gòu)上先講解實用基礎(chǔ)的編程知識，然后通過游戲案例的方式帶領(lǐng)讀者使用基礎(chǔ)知識進行編程，最后再講解較難的棧、結(jié)構(gòu)體等。讓讀者能夠快速入門。
4.本書配有對應(yīng)的教學(xué)視頻，讀者可以掃描二維碼觀看具體章節(jié)的細致講解，學(xué)習(xí)程序開發(fā)軟件的安裝以及游戲引擎的使用方法。
5.本書配備了如鵬教育的線上服務(wù)，讀者可以享受提問秒回、學(xué)習(xí)督導(dǎo)、代碼批改、簡歷和面試指導(dǎo)等系統(tǒng)化的教學(xué)服務(wù)，提高學(xué)習(xí)動力和效率。
電子書
本書根據(jù)作者多年教學(xué)經(jīng)驗和實戰(zhàn)經(jīng)驗編寫而成，以基礎(chǔ)知識與練習(xí)實訓(xùn)相結(jié)合的形式，詳細講解了圖像處理軟件PhotoshopCC2018的應(yīng)用技巧。隨書提供資源文件，包含本書的實訓(xùn)素材文件、案例文件和視頻文件，讀者在學(xué)習(xí)的過程中可以隨時進行調(diào)用。同時贈送海量資料，包括3本學(xué)習(xí)手冊、164個珍藏素材、各種素材庫，以及Photoshop精講視頻課。
