.jpg)
配套资源：微课视频、电子课件、源代码、教学大纲
本书特色：
1）理实融通，逐步详解在数据准备、特征提取、特征表示、算法解析、深度神经网络、集成迁移强化、视觉与语音方面的技术，以及机器学习库、框架技术及应用和开发步骤等内容。
2）实例丰富，帮助读者理解、掌握机器学习从初级技术到核心技术的应用开发任务。
本书配套资源、样书均可在本页下载申请，也可联系微信15101584895索取
《机器学习原理及应用》从机器学习原理和应用出发，结合案例介绍了机器学习的基础技术和典型模型算法，包括机器学习的基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉与语音识别等技术；详细介绍了机器学习典型模型算法及神经网络学习、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。 每个案例配有源码，每章配有习题，帮助读者进行深入学习。 《机器学习原理及应用》既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学习从业者的技术参考书。
- 图书详情
配套资源：微课视频、电子课件、源代码、教学大纲
本书特色：
1）理实融通，逐步详解在数据准备、特征提取、特征表示、算法解析、深度神经网络、集成迁移强化、视觉与语音方面的技术，以及机器学习库、框架技术及应用和开发步骤等内容。
2）实例丰富，帮助读者理解、掌握机器学习从初级技术到核心技术的应用开发任务。
本书配套资源、样书均可在本页下载申请，也可联系微信15101584895索取
《机器学习原理及应用》从机器学习原理和应用出发，结合案例介绍了机器学习的基础技术和典型模型算法，包括机器学习的基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉与语音识别等技术；详细介绍了机器学习典型模型算法及神经网络学习、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。 每个案例配有源码，每章配有习题，帮助读者进行深入学习。 《机器学习原理及应用》既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学习从业者的技术参考书。
前言
第1章 机器学习基础 1
1.1 机器学习简介 1
1.2 机器学习任务 4
1.2.1 机器学习问题 4
1.2.2 机器学习典型任务 5
1.2.3 机器学习应用场景 7
1.3 搭建机器学习开发环境 7
1.3.1 开发环境系统要求 7
1.3.2 Windows10系统平台下搭建开发
环境 7
1.3.3 Linux系统平台下搭建开发环境 16
1.4 机器学习常用库概述 21
1.4.1 库简介 21
1.4.2 库安装及集成 22
1.5 机器学习框架概述 24
1.6 机器学习开源平台 25
1.7 小结 29
习题 29
参考文献 29
第2章 特征选择与降维 30
2.1 特征选择简介 30
2.2 特征选择方法 32
2.2.1 过滤式方法 32
2.2.2 包裹式方法 37
2.2.3 嵌入式方法 41
2.3 降维技术 46
2.4 主成分分析 56
2.5 综合案例：基于feature_selector
库的商业信贷特征选择 60
2.6 小结 64
习题 65
参考文献 65
第3章 典型学习算法 66
3.1 回归算法 66
3.1.1 回归简介 66
3.1.2 回归技术 67
3.1.3 常用回归算法 68
3.1.4 回归评价标准 74
3.1.5 案例：房屋价格回归分析 75
3.2 聚类算法 77
3.2.1 聚类简介 77
3.2.2 聚类技术 78
3.2.3 常用聚类算法 78
3.2.4 聚类评价标准 82
3.2.5 案例：用户社区聚类分析 83
3.3 分类算法 85
3.3.1 分类简介 86
3.3.2 分类技术 86
3.3.3 常用分类算法 86
3.3.4 分类评价标准 90
3.3.5 案例：新闻分类 92
3.4 支持向量机 95
3.4.1 支持向量机简介 95
3.4.2 间隔 96
3.4.3 核函数与方法 99
3.4.4 案例：垃圾邮件过滤 100
3.5 决策树 102
3.5.1 决策树简介 102
3.5.2 构造及基本流程 103
3.5.3 剪枝方法 105
3.5.4 案例：鸢尾花预测应用 106
3.6 综合案例：基于随机森林回归的
空气质量预测 107
3.7 小结 111
习题 111
参考文献 111
第4章 深度学习与神经网络 113
4.1 深度学习 113
4.1.1 深度学习简介 113
4.1.2 深度学习框架 115
4.2 神经网络 116
4.2.1 神经网络简介 116
4.2.2 前馈神经网络 119
4.2.3 图神经网络 121
4.2.4 图卷积神经网络 123
4.3 深度神经网络 126
4.3.1 深度神经网络简介 126
4.3.2 深度神经网络模型 128
4.3.3 案例：手写数字识别 129
4.4 卷积神经网络 133
4.4.1 卷积神经网络简介 133
4.4.2 典型卷积神经网络算法 135
4.4.3 案例：猫狗分类应用 143
4.5 循环神经网络 147
4.5.1 循环神经网络简介 147
4.5.2 典型循环神经网络算法 149
4.5.3 案例：文本分类 151
4.6 长短期记忆网络 155
4.6.1 长短期记忆网络简介 155
4.6.2 典型长短期记忆网络算法 156
4.6.3 案例：文本生成应用 158
4.7 综合案例 162
4.7.1 验证码识别 162
4.7.2 自动写诗机器人 170
4.8 小结 174
习题 175
参考文献 175
第5章 集成学习与迁移学习 178
5.1 集成学习 178
5.1.1 集成学习简介 178
5.1.2 集成学习算法 179
5.1.3 集成学习应用 181
5.2 迁移学习 182
5.2.1 迁移学习简介 182
5.2.2 迁移学习分类 183
5.2.3 迁移学习算法 184
5.2.4 迁移学习应用 187
5.3 综合案例：欺诈检测应用 188
5.4 小结 191
习题 192
参考文献 192
第6章 强化学习 194
6.1 强化学习简介 194
6.2 强化学习技术 196
6.2.1 有模型强化学习与无模型强化
学习 196
6.2.2 推荐系统 197
6.2.3 模仿学习 200
6.2.4 Q-learning算法 201
6.2.5 蒙特卡罗强化学习 202
6.2.6 时序差分强化学习 202
6.3 综合案例：飞扬小鸟游戏 203
6.4 小结 206
习题 207
参考文献 207
第7章 计算机视觉技术 209
7.1 计算机视觉简介 209
7.2 计算机视觉基础 211
7.2.1 图像表示 211
7.2.2 图像读取、存储 212
7.2.3 视频捕获及流保存 218
7.2.4 图像计算 220
7.2.5 图像二值化及平滑 221
7.2.6 图像变换及形态学操作 229
7.2.7 图像轮廓检测 237
7.3 计算机视觉开发平台 242
7.3.1 ARM嵌入式人工智能开发平台 242
7.3.2 嵌入式GPU人工智能开发平台 242
7.3.3 计算机视觉综合开发平台 243
7.4 典型算法 244
7.4.1 LeNet算法 244
7.4.2 MobileNets算法 249
7.4.3 目标检测算法 258
7.5 综合案例：基于深度神经网络的
人脸表情识别 264
7.6 小结 271
习题 272
参考文献 272
第8章 语音识别 274
8.1 语音识别技术简介 274
8.2 常用工具及平台 276
8.2.1 语音识别工具 276
8.2.2 语音识别平台 279
8.3 语音数据特征处理 283
8.4 典型算法 286
8.5 在线语音识别 292
8.5.1 音频流识别 293
8.5.2 文本转语音 294
8.5.3 视频字幕文本生成 295
8.6 综合案例：基于端到端的中文
语音识别 302
8.7 小结 306
习题 306
参考文献 306
第9章 AI云开发平台 308
9.1 AI云开发简介 308
9.2 云开发平台 311
9.2.1 百度云开发平台 312
9.2.2 阿里云开发平台 320
9.2.3 Face++云开发平台 324
9.2.4 科大讯飞云平台 329
9.3 综合案例 333
9.3.1 基于EasyDL的多物体识别 333
9.3.2 基于PaddlePaddle的CNN图像
识别 340
9.4 小结 350
习题 350
参考文献 351
