新書推薦：
《
计算思维：信息科技跨学科主题学习实践
》
售價：HK$
74.8
《
钩编圆滚滚的瓦尤包袋
》
售價：HK$
65.8
《
日暮途穷：大清覆灭前夕的关键时刻
》
售價：HK$
96.8
《
固定收益证券分析（原书第4版）
》
售價：HK$
218.9
《
肺部疾病临床与影像解析（第二版）
》
售價：HK$
360.8
《
明代书院讲会研究
》
售價：HK$
97.9
《
消失的亿万富翁：更好的投资、财务决策指南
》
售價：HK$
76.9
《
新见明代南京仓场文书：天一阁藏公文纸本《国朝诸臣奏议》纸背文献整理与研究
》
售價：HK$
385.0
|
| 編輯推薦： |
（1）故事化讲解：以故事为线索，跟主角一起轻松掌握机器学习精髓。
（2）阶梯式学习：从传统机器学习到Transformer架构，助力稳步掌握关键知识与技能。
（3）场景化教学：紧密贴合实际，聚焦生活案例，让算法原理在真实场景中落地。
（4）智能体开发指南：教你运用现有工具创建智能体，快速搭建个性化AI智能体。
|
| 內容簡介： |
|
本书以大学生村官小L的故事为线索，深入浅出地探讨经典机器学习的基础知识、深度学习的基本原理，以及形形色色的生成式模型。通过本书的学习，读者不仅可以了解AI大模型的核心技术，还能深刻理解其在实际场景中的应用与价值，甚至可以自己动手设计和构建适用于特定场景的AI模型。衷心地希望本书能成为读者探索AI世界的钥匙，能引领大家走向更加广阔的未来。
|
| 關於作者： |
段小手，曾供职于百度、敦煌网、慧聪网、方正集团等知名IT企业。有多年的科技项目管理及开发经验。2019年至今，与云南省公安厅合作数据挖掘项目，使用机器学习技术协助云南警方打击违法犯罪活动。
其负责的项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升专项”“北京市外贸公共服务平台”等多项政策支持。著有《深度学习与大模型基础》《巧用AI大模型轻松学会Python金融数据分析》等著作，在与云南省公安厅合作期间，使用机器学习算法有效将某类案件发案率大幅降低。
|
| 目錄：
|
目录
第1章 缘起——初识机器学习
1．1? 机器学习是什么——从一个小任务说起
1．2? 实践：数据可视化、模型训练与预测
1．2．1? 对数据进行可视化分析
1．2．2? 线性回归模型的训练
1．2．3? 查看模型参数并做出预测
1．3? 模型怎么评估
1．3．1? 回归任务和分类任务
1．3．2? 怎么评估模型的性能
1．4? 什么是模型的泛化能力
1．4．1? 训练集和测试集
1．4．2? 模型的过拟合和欠拟合
1．4．3? 什么是正则化
1．5? 小结和练习
第 2 章 Z 书记的考验——一些经典机器学习算法
2．1? 领导的雄心与 N 村的产业
2．2? 水果种植基地的病虫害与逻辑回归
2．2．1? 土壤条件与病虫害数据集
2．2．2? 逻辑回归模型的训练与评估
2．2．3? 逻辑回归的原理是什么
2．3? 银饰工坊与决策树
2．3．1? 银饰工坊销售数据集
2．3．2? 决策树模型的训练与可视化
2．3．3? 决策树模型的工作原理
2．3．4? 简单说一下随机森林
2．4? 四季花海与支持向量机
2．4．1? 游客流量数据集
2．4．2? 训练支持向量机模型并可视化
2．4．3? SVM 的基本原理
2．5? 谁是优秀销售商——无监督学习算法
2．5．1? 没有标签的数据集
2．5．2? 使用 K-Means 算法完成聚类
2．5．3? K-Means 是如何工作的
2．6? 小结与练习
第 3 章 大赛在即——深度学习登场
3．1? 比赛数据是非结构化数据
3．2? 亮个相吧，深度学习
3．2．1? 什么是神经网络
3．2．2? 动手训练一个神经网络
3．2．3? 模型在测试集上的表现如何
3．3? 掰开揉碎看模型
3．3．1? 模型的几个层和激活函数
3．3．2? 优化器与学习率
3．3．3? 模型的损失函数
3．4? 卷积神经网络
3．4．1? 什么是卷积
3．4．2? 动手训练 CNN
3．4．3? 神经网络的关键参数和步骤
3．5? 小结与练习
第4章 你听说过生成式模型吗
4．1? 什么是生成式模型
4．2? 玩一个生成式模型游戏
4．2．1? 数据版“你画我猜”
4．2．2? 生成式模型的核心思想
4．2．3? 什么是表征学习
4．3? 一点概率论知识
4．3．1? 样本空间与概率密度函数
4．3．2? 什么是似然性
4．3．3? 最大似然估计
4．4? 生成式模型家族来报到
4．4．1? 两大家族都是谁
4．4．2? 显式密度建模家族的两大分支
4．4．3? 隐式密度建模家族的代表
4．5? 小结与练习
第5章 教会机器“写”数字——变分自编码器
5．1? 先介绍一下自编码器
5．2? 动手搭建一个自编码器
5．2．1? MNIST 数据集
5．2．2? 先定义一个编码器
5．2．3? 接下来创建解码器
5．2．4? 把编码器和解码器“串”起来
5．2．5? 看看自编码器写的数字
5．2．6? 瞧一瞧潜在空间
5．3? 再试试变分自编码器
5．3．1? 多变量正态分布
5．3．2? 创建 VAE 的编码器
5．3．3? 解码器与 KL 散度
5．3．4? 看看 VAE 写的数字
5．4? 小结与练习
第6章 又回银饰工坊——生成对抗网络
6．1? 银饰工坊的烦恼
6．2? 深度卷积生成对抗网络
6．2．1? 数据加载与处理
6．2．2? 创建生成器
6．2．3? 创建判别器
6．2．4? 训练我们的 DCGAN 模型
6．3? 条件生成对抗网络
6．3．1? CGAN 模型的生成器
6．3．2? CGAN 的判别器
6．3．3? 合并生成器与判别器并训练
6．3．4? 让 CGAN“画”出我们想要的图样
6．4? 小结与练习
第7章 驰援 T 市——自回归模型
7．1? T 市需要招聘外国人
7．2? 自回归模型与长短期记忆网络
7．2．1? 去哪里找训练数据
7．2．2? 麻烦的文本数据——向量化
7．2．3? 搭建 LSTM 网络模型
7．2．4? 嵌入层和 LSTM 层
7．2．5? LSTM 模型的训练
第4章 你听说过生成式模型吗
4．1? 什么是生成式模型
4．2? 玩一个生成式模型游戏
4．2．1? 数据版“你画我猜”
4．2．2? 生成式模型的核心思想
4．2．3? 什么是表征学习
4．3? 一点概率论知识
4．3．1? 样本空间与概率密度函数
4．3．2? 什么是似然性
4．3．3? 最大似然估计
4．4? 生成式模型家族来报到
4．4．1? 两大家族都是谁
4．4．2? 显式密度建模家族的两大分支
4．4．3? 隐式密度建模家族的代表
4．5? 小结与练习
第5章 教会机器“写”数字——变分自编码器
5．1? 先介绍一下自编码器
5．2? 动手搭建一个自编码器
5．2．1? MNIST 数据集
5．2．2? 先定义一个编码器
5．2．3? 接下来创建解码器
5．2．4? 把编码器和解码器“串”起来
5．2．5? 看看自编码器写的数字
5．2．6? 瞧一瞧潜在空间
5．3? 再试试变分自编码器
5．3．1? 多变量正态分布
7．3? 像素的艺术——PixelCNN
7．3．1? 像素风小英雄来帮忙
7．3．2? 创建掩码卷积层
7．3．3? 创建残差块
7．3．4? 训练 PixelCNN 模型
7．4? 小结与练习
第8章 四季花海的泼天富贵——标准化流模型
8．1? 暴涨的游客数量
8．2? 什么是标准化流模型
8．2．1? 标准化流模型的两部分
8．2．2? 变量置换
8．2．3? 雅可比行列式是什么
8．3? RealNVP 模型
8．3．1? 什么是仿射耦合层
8．3．2? 仿射耦合层对数据的处理
8．3．3? RealNVP 模型的训练方式
8．3．4? RealNVP 模型的训练与评估
8．4? 小结与练习
第9章 愿你一路生花——扩散模型
9．1? 你看花儿开得多好
9．2? 什么是扩散模型
9．2．1? DDM 的前向扩散
9．2．2? 扩散计划
9．2．3? DDM 的反向扩散
9．3? 用于去噪的 U-Net
9．3．1? U-Net 的整体架构
9．3．2? U-Net 中关键组件的实现
9．3．3? U-Net 的“组装”
9．4? DDM 的训练
9．4．1? 创建 DDM 的基本框架
9．4．2? DDM 中的图像生成框架
9．4．3? 定义 DDM 的训练与测试步骤
9．4．4? DDM 的训练与调用
9．5? 小结与练习
第 10 章 酒香也怕巷子深——试试 Transformer 模型
10．1? 葡萄美酒怎么推
10．2? Transformer 模型是什么
10．2．1? Transformer 模型中的注意力
10．2．2? 注意力头中的查询、键和值
10．2．3? 因果掩码
10．2．4? Transformer 模块
10．2．5? 位置编码
10．3? GPT 模型的搭建与训练
10．3．1? 先简单处理一下数据
10．3．2? 将文本转换为数值
10．3．3? 创建因果掩码
10．3．4? 创建 Transformer 模块
10．3．5? 位置编码嵌入
10．3．6? 建立 GPT 模型并训练
10．3．7? 调用 GPT 模型生成文本
10．4? 小结与练习
第 11 章 高效解决方案——Hugging Face
11．1? Hugging Face 是什么
11．2? 什么是 Pipeline
11．3? 文本生成任务
11．4? 文本情感分析
11．5? 问答系统
11．6? 文本预测
11．7? 文本摘要
11．8? 小结与练习
第 12 章 我说你画——多模态模型
12．1? E 县风景美如画
12．2? 什么是多模态模型
12．3? 来看看 Stable Dif fusion
12．3．1? Stable Diffusion 的整体架构
12．3．2? Stable Diffusion 的文本编码器
12．3．3? 什么是对比学习
12．4? 开始实操吧
12．4．1? 一些准备工作
12．4．2? 创建 Pipeline
12．4．3? 根据提示词生成图像
12．4．4? 使用预训练 Pipeline 生成图像
12．5? 小结与练习
第 11 章 高效解决方案——Hugging Face
11．1? Hugging Face 是什么
11．2? 什么是 Pipeline
11．3? 文本生成任务
11．4? 文本情感分析
11．5? 问答系统
11．6? 文本预测
11．7? 文本摘要
11．8? 小结与练习
第 12 章 我说你画——多模态模型
12．1? E 县风景美如画
12．2? 什么是多模态模型
12．3? 来看看 Stable Dif fusion
12．3．1? Stable Diffusion 的整体架构
12．3．2? Stable Diffusion 的文本编码器
12．3．3? 什么是对比学习
12．4? 开始实操吧
12．4．1? 一些准备工作
12．4．2? 创建 Pipeline
12．4．3? 根据提示词生成图像
12．4．4? 使用预训练 Pipeline 生成图像
12．5? 小结与练习
第 13 章 大结局——各自前程似锦
13．1? 往事值得回味
13．2 他们都去哪儿了
13．3 未来已来——DeepSeek 与智能体
13．3．1? Cherry Studio 的下载与安装
13．3．2? 将 DeepSeek 作为模型服务
13．3．3? 创建一个简单智能体
13．3．4? 与智能体交互
13．4? 会不会重逢
|
| 內容試閱：
|
前言——开始旅程
首先，感谢大家翻开本书。本书中，我们将会跟着主人公——大学生村官小 L开启一次有趣的旅程。在本次的旅程中，小 L 将使用各种人工智能技术，包括经典的机器学习、深度学习、生成式模型、多模态模型等，帮助他所任职的地区完成一个又一个任务。跟随他的脚步，我们会学习到什么是机器学习、神经网络与卷积神经网络、变分自编码器、自回归模型、标准化流模型、Transformer 模型，以及如何用 Transformers 库调用不同的预训练模型等。
需要说明的是，本书的实操部分使用的是 Python 语言，因此需要读者有一定的 Python 编码能力。考虑到不是所有的读者都有图形处理器（GPU）算力环境，这里我们给大家推荐两个可以在云端进行实验的平台，分别是 Google 的 Colab 和数据科学竞赛平台 Kaggle。截至 2025 年 1 月，这两个平台都给用户提供了一定限额的免费 GPU 算力，可以让读者以最小的成本开始进行实验。
接下来，我们看一下如何使用这两个平台。
Colab
登录 Colab 平台，在菜单栏中选择“文件”菜单中的“在云端硬盘中新建笔记本”命令，如图 1 所示。
图 1 使用 Colab 新建笔记本
然后，就可以在新建的空白笔记本的单元格中运行代码了，如图 2 所示。
图 2 在 Colab 的笔记本中运行代码
在 Colab 的笔记本中编写和运行代码的方式与在本地计算机的 Jupyter Notebook中操作大体是一样的。如果我们要把本地的数据上传到 Colab 上用于模型训练，只要单击左边菜单栏中的文件夹图标，并在展开的菜单中单击“上传到会话存储空间”按钮即可，如图 3 所示。
图 3 上传本地数据到 Colab
我们在自己的计算机上写好的代码，也可以上传到 Colab 平台，使用免费的 GPU 来进行模型训练。要上传编辑好的笔记本文件，只要在 Colab 的欢迎界面中，选择“文件”菜单中的“上传笔记本”
命令即可，如图 4 所示。
图 4 上传编写好的笔记本文件到 Colab
在本书附赠的资源包中，如果看到 .ipynb 文件标有“run on colab”，就说明这个文件可以上传到 Colab 中进行实验。
Kaggle
登录 Kaggle 平台之后，就可以单击左边菜单栏中的“Create”按钮新建一个笔记本文件，如图5 所示。
图 5 在 Kaggle 平台新建笔记本文件
单击“Create”按钮后，选择“New Notebook”命令，就可以看到我们新创建的笔记本文件。这个时候，我们仍然可以上传自己本地的笔记本文件。只需要选择“File”菜单中的“Import Notebook”命令就可以了，如图 6 所示。
同样地，大家如果下载了随书赠送的资源包，看到笔记本文件标有“run on kaggle”的字样，就说明这个文件可以在 Kaggle 平台中运行。当然，Kaggle 也支持我们上传自己的数据集和模型，只要在右侧菜单栏中单击“Upload”按钮就可以，如图 7 所示。
图 6 将本地的笔记本文件导入 Kaggle 中 图 7 在 Kaggle 平台上传数据集或模型
除了以上基本操作，Colab 和 Kaggle 还有很多实用的功能，如选择不同的 GPU 加速等，这些留给读者朋友们自己探索。
还要跟大家强调一下，本书中涉及的人物、地名、事件以及用于说明原理的数据，均为虚构，仅仅是为了演示技术原理，与现实世界没有任何关联，请大家一定不要对号入座。
注意：如果读者在访问 Colab 时遇到障碍，请向你所在的学校或单位申请专用网络，确保自己在遵守相关法律法规的前提下进行实验。
到这里，相信大家已经做好了启程的准备，让我们出发吧！
温馨提示：
本书赠送资源已上传至百度网盘，供读者下载。读者可用微信“扫一扫”功能扫描封底二维码，关注微信公众号，输入本书 77 页资源下载码，根据提示获取下载地址及密码。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
