新書推薦：
《
中国汉江流域观赏植物资源图鉴
》
售價：HK$
217.8
《
BIM概论与土建建模
》
售價：HK$
65.8
《
身体秩序与法律规训——传统中国的“身体法治”面相（国家哲学社会科学成果文库）
》
售價：HK$
218.9
《
日本佛教史纲
》
售價：HK$
92.4
《
给孩子的安全教育漫画：防走失、防拐骗 少儿安全教育专家GY局长 让孩子全面掌握保护自己方法
》
售價：HK$
41.8
《
多头政体——参与和反对（汉译名著18）
》
售價：HK$
61.6
《
政治经济学（汉译名著18）
》
售價：HK$
127.6
《
国内外高句丽渤海墓葬研究文献目录
》
售價：HK$
198.0
|
| 編輯推薦： |
|
本书通俗易懂，在引入数学模型和算法之前，先以非技术性语言阐释每种方法背后的核心理念。内容聚焦且深入，为学生提供核心概念的详细介绍，奠定自主探索该领域的坚实基础。无论是前面的章节还是后面的案例研究，都生动展示了预测模型学习过程如何融入更广阔的商业实践。第五部分的两个案例研究详细描述了数据分析项目的全过程，涵盖从业务问题定义到分析解决方案实施的各个阶段。本书既可作为入门教材使用，也可作为专业人士的参考指南。
|
| 內容簡介： |
|
本书重点讲述用于预测性数据分析的重要的机器学习方法，包括理论概念和实际应用。
|
| 關於作者： |
|
John D. Kelleher，现为爱尔兰都柏林理工大学（Technological University Dublin）信息、通信和娱乐研究所教授和学术领导人。专业领域包括机器学习、数据科学、自然语言处理和人工智能。曾在多个不同的学术和研究机构工作，包括都柏林城市大学（Dublin City University）、欧洲媒体实验室（Media Lab Europe）和德国人工智能研究中心（DFKI）。他在MIT出版社出版了三本机器学习和数据科学方面的著作，除了本书之外，另外两本是《深度学习》（Deep Learning）和《数据科学》（Data Science）。
|
| 目錄：
|
目 录
译者序
前言
符号
第一部分 机器学习和数据分析导论
第1章 面向预测数据分析的机器
学习2
1.1 什么是预测数据分析2
1.2 什么是机器学习3
1.3 机器学习是如何工作的6
1.4 归纳偏差与采样偏差9
1.5 机器学习可能出现什么问题10
1.6 预测数据分析项目的生命周期：
CRISP-DM11
1.7 预测数据分析工具12
1.8 未来之路13
1.9 习题14
第2章 从数据到见解再到决策16
2.1 将业务问题转化为分析解决方案16
2.1.1 案例研究：汽车保险欺诈17
2.2 评估可行性18
2.2.1 案例研究：汽车保险欺诈19
2.3 设计分析基础表19
2.3.1 案例研究：汽车保险欺诈21
2.4 设计和实现特征22
2.4.1 不同类型的数据23
2.4.2 不同类型的特征24
2.4.3 处理时间25
2.4.4 法律问题28
2.4.5 实现特征28
2.4.6 案例研究：汽车保险欺诈29
2.5 总结31
2.6 延伸阅读32
2.7 习题33
第3章 数据探索36
3.1 数据质量报告37
3.1.1 案例研究：汽车保险欺诈37
3.2 了解数据40
3.2.1 正态分布42
3.2.2 案例研究：汽车保险欺诈43
3.3 辨识数据质量问题44
3.3.1 缺失值44
3.3.2 不规则基数45
3.3.3 异常值45
3.3.4 案例研究：汽车保险欺诈46
3.4 处理数据质量问题47
3.4.1 处理缺失值48
3.4.2 处理异常值48
3.4.3 案例研究：汽车保险欺诈49
3.5 高级数据探索50
3.5.1 可视化特征之间的关系50
3.5.2 度量协方差和相关性57
3.6 数据准备61
3.6.1 标准化61
3.6.2 分箱62
3.6.3 采样65
3.7 总结66
3.8 延伸阅读67
3.9 习题67
第二部分 预测数据分析
第4章 基于信息的学习82
4.1 主要思想82
4.2 基础知识84
4.2.1 决策树85
4.2.2 香农熵模型86
4.2.3 信息增益89
4.3 标准方法：ID3算法93
4.3.1 实用范例：植被分布预测95
4.4 扩展和变体100
4.4.1 其他特征选择和不纯净度
度量100
4.4.2 处理连续型描述性特征103
4.4.3 预测连续型目标106
4.4.4 树剪枝108
4.4.5 模型集成111
4.5 总结119
4.6 延伸阅读120
4.7 习题121
第5章 基于相似性的学习127
5.1 主要思想127
5.2 基础知识128
5.2.1 特征空间128
5.2.2 使用距离度量来衡量
相似性129
5.3 标准方法：最近邻算法131
5.3.1 实用范例131
5.4 扩展和变体134
5.4.1 处理噪声数据134
5.4.2 高效的内存搜索137
5.4.3 数据标准化143
5.4.4 预测连续型目标146
5.4.5 其他相似性度量149
5.4.6 特征选择156
5.5 总结161
5.6 延伸阅读163
5.7 后记164
5.8 习题164
第6章 基于概率的学习170
6.1 主要思想170
6.2 基础知识171
6.2.1 贝叶斯定理173
6.2.2 贝叶斯预测175
6.2.3 条件独立性和因子分解179
6.3 标准方法：朴素贝叶斯模型182
6.3.1 实用范例183
6.4 扩展和变体185
6.4.1 平滑处理186
6.4.2 连续型特征：概率密度
函数188
6.4.3 连续型特征：分箱196
6.4.4 贝叶斯网络199
6.5 总结210
6.6 延伸阅读212
6.7 习题212
第7章 基于误差的学习217
7.1 主要思想217
7.2 基础知识218
7.2.1 简单的线性回归218
7.2.2 测量误差220
7.2.3 误差曲面222
7.3 标准方法：使用梯度下降的
多变量线性回归223
7.3.1 多变量线性回归223
7.3.2 梯度下降224
7.3.3 选择学习率和初始权重229
7.3.4 实用范例230
7.4 扩展和变体232
7.4.1 解释多变量线性回归模型232
7.4.2 使用权重衰减设置学习率234
7.4.3 处理类别型描述性特征235
7.4.4 处理类别型目标特征：
logistic回归236
7.4.5 建模非线性关系246
7.4.6 多项式logistic回归250
7.4.7 支持向量机253
7.5 总结257
7.6 延伸阅读259
7.7 习题259
第8章 深度学习267
8.1 主要思想268
8.2 基础知识269
8.2.1 人工神经元269
8.2.2 人工神经网络272
8.2.3 神经网络的矩阵运算273
8.2.4 为什么非线性激活函数
是必要的276
8.2.5 为什么网络深度很重要277
8.3 标准方法：反向传播和梯度
下降282
8.3.1 反向传播：算法的
一般结构283
8.3.2 反向传播：误差梯度的
反向传播284
8.3.3 反向传播：更新网络中
的权重288
8.3.4 反向传播：算法291
8.3.5 实用范例：使用反向
传播训练前馈网络完成
回归任务293
8.4 扩展和变体303
8.4.1 梯度消失和ReLU304
8.4.2 权重初始化和不稳定
梯度313
8.4.3 处理类别型目标特征：
softmax输出层和交叉
熵损失函数321
8.4.4 早停法和随机失活：
防止过拟合328
8.4.5 卷积神经网络332
8.4.6 序列模型：循环神经网
络和长短时记忆网络347
8.5 总结361
8.6 延伸阅读362
8.7 习题363
第9章 评估368
9.1 主要思想368
9.2 基础知识 369
9.3 标准方法：留出测试集上的
误分类率369
9.4 扩展和变体373
9.4.1 设计评估实验373
9.4.2 性能度量：类别型目标
特征378
9.4.3 性能度量：预测分数384
9.4.4 性能度量：多目标特征396
9.4.5 性能度量：连续型目标
特征399
9.4.6 部署后评估模型402
9.5 总结407
9.6 延伸阅读407
9.7 习题408
第三部分 预测模型之外
第10章 预测模型之外：
无监督学习416
10.1 主要思想416
10.2 基础知识417
10.3 标准方法：k-means聚类算法418
10.3.1 实用范例419
10.4 扩展和变体422
10.4.1 选择初始簇质心422
10.4.2 评估聚类424
10.4.3 选择簇的数量428
10.4.4 理解聚类结果428
10.4.5 凝聚层次聚类430
10.4.6 使用自编码器进行表示
学习438
10.5 总结441
10.6 延伸阅读442
10.7 习题442
第11章 预测模型之外：强化学习448
11.1 主要思想448
11.2 基础知识449
11.2.1 智能代理449
11.2.2 强化学习的基础450
11.2.3 马尔可夫决策过程452
11.2.4 贝尔曼方程458
11.2.5 时序差分学习459
11.3 标准方法：Q学习，离线策略
时序差分学习462
11.3.1 实用范例463
11.4 扩展和变体467
11.4.1 SARSA在线策略时序
差分学习467
11.4.2 深度Q网络470
11.5 总结475
11.6 延伸阅读476
11.7 习题477
第四部分 案例研究和结论
第12章 案例研究：客户流失482
12.1 业务理解482
12.2 数据理解484
12.3 数据准备487
12.4 建模491
12.5 评估492
12.6 部署495
第13章 案例研究：星系分类496
13.1 业务理解496
13.1.1 情景流畅性498
13.2 数据理解499
13.3 数据准备504
13.4 建模507
13.4.1 基线模型508
13.4.2 特征选择510
13.4.3 五级别模型511
13.5 评估513
13.6 部署513
第14章 预测数据分析的机器
学习艺术515
14.1 预测模型的不同视角516
14.2 选择机器学习方法519
14.2.1 将机器学习方法与项目
匹配520
14.2.2 将机器学习方法与数据
匹配522
14.3 预测模型之外523
14.4 下一步学习资料推荐523
第五部分 附录
附录A 机器学习的描述性统
计量和数据可视化526
附录B 机器学习的概率入门536
附录C 机器学习的微分技术543
附录D 线性代数入门547
参考文献550
|
| 內容試閱：
|
|
前 言第1版前言在编写本书的过程中，我们的目标是提供一本通俗易懂的入门读物，介绍机器学习的基础知识以及机器学习在实践中用于解决商业、科学和其他组织背景下预测数据分析问题的方法。因此，除了机器学习书籍所涵盖的标准主题，本书还涵盖了预测分析项目的生命周期、数据准备、特征设计和模型部署。本书适用于计算机科学、自然与社会科学、工程学和商学本科生和研究生课程中的机器学习、数据挖掘、数据分析或人工智能模块。本书提供的案例研究解释说明了机器学习在数据分析行业背景下的应用，这也使其成为一本适合从业人员了解该领域的入门教材以及这些领域行业培训课程的教科书。本书的章节设计参考了我们多年的机器学习教学经验，在课堂上本书中的方法和材料都已经被使用和实地测试过。在编写本书的过程中，我们采用了以下指导原则以使其通俗易懂：1. 清楚地解释最重要和最流行的算法，而不是对机器学习的全部内容进行概述。作为教师，我们相信让学生深入了解一个领域的核心概念，可以为他们自己探索该领域打下坚实的基础。这种更加突出重点的方式使我们能够花更多时间来介绍、解释、说明和理解该领域的基本算法及其用途。2. 在给出算法所实现技术的正式描述之前，先非正式地解释算法的设计目的。每个主题都提供这样的非正式介绍，将为学生据此攻克更有技术难度的问题打下坚实基础。我们向本科生、研究生和专业人员等不同受众群体讲授本教材的经验表明，这种非正式的算法思想介绍能让学生轻松地理解主题。3. 提供了完整的实用范例。在本书中，我们将介绍所有范例的完整工作原理，因为这样做可以让读者详细地检验自身的理解程度。第2版前言自本书第1版在2015年出版以来，机器学习领域的发展日新月异。机器学习模型的应用范围比以往任何时候都更加广泛，机器学习方法的新发展也带来了更多机会，从而使得机器学习领域备受媒体的关注（包括正面和负面的关注），也使得希望成为机器学习从业者的人比以往任何时候都对其更感兴趣。基于上述原因，我们认为推出本书第2版的时机已经成熟。在第2版中，我们力求对第1版所涵盖的主题进行扩展，使其与时俱进，同时也保持了第1版所采用的方法，即通过完整的实用范例深入涵盖领域的核心概念。第2版主要增加了以下内容：由于篇幅的扩充，第2版分为五部分。第一部分：机器学习和数据分析导论。第二部分：预测数据分析。第三部分：预测模型之外。第四部分：案例研究和结论。第五部分：附录。第8章是关于深度学习（deep learning）的新增章节，它涵盖了人工神经网络的基础知识，以及图像和语言等方面的现代机器学习应用中最重要的网络架构。这使本书能跟得上机器学习的最新发展需求。第10章是新添加的一章，它涵盖了无监督学习（unsupervised learning）中最重要的思想和技术。本章是第三部分的前半部分内容，它对第1版的有监督学习部分进行了扩展且对机器学习进行了更广泛的覆盖。第11章是第三部分的后半部分，描述了强化学习（reinforcement learning），从它底层的基本思想开始，到现代强化学习系统中深度神经网络的使用。对4.4.5节进行了修订，它比第1版更详细地介绍了模型集成（model ensemble），并包括了对梯度提升（gradient boosting）方法的描述。附录D是新添加的部分，涵盖了支撑深度学习新章节的线性代数（linear algebra）基础。每章的习题已经过修订和扩展，涵盖了超过50个新问题。我们希望上述新增和修订部分使得本书的第2版比第1版更实用和切题。感谢所有对本书第1版提供反馈的人（读者、学生、教师、审稿人、同事、朋友和家人），他们的反馈为我们设计本书的新版本提供了巨大的帮助。本书的结构在讲解一个技术主题时，展示所讨论的概念在解决现实生活问题中的应用是非常重要的。因此，我们将在预测数据分析的背景下介绍机器学习，预测数据分析是机器学习的一个重要的行业应用。机器学习和数据分析之间的联系贯穿了整本书，但在第一部分（包括第1～3章）这种联系更加紧密。在第1章中，我们介绍了机器学习并解释了它在标准数据分析项目生命周期中的角色。在第2章中，以满足业务需求为目标，我们基于机器学习提供了一个预测分析解决方案的设计与构建框架。由于所有机器学习算法都假设有一个可用于训练的数据集，因此在第3章中我们解释了如何设计、构建数据集和检查它的质量，之后使用它来构建预测模型。本书的第二部分包括第4～9章，涵盖了主要的有监督机器学习部分。这部分的前五章分别介绍一种不同的机器学习方法：第4章，通过信息收集进行学习；第5章，通过类比进行学习；第6章，通过预测可能的结果进行学习；第7章，通过搜索最小化误差的解来学习；第8章，使用深度神经网络来学习新的表示。这几章都遵循相同的两部分结构：每章的第一部分首先以非正式的方式介绍该章中展现的材料，然后详细解释理解该材料所需的基本技术概念。之后，给出该章方法使用的一种标准机器学习算法并附带一个详细的实用范例。每章的第二部分解释了扩展标准算法的不同方式以及算法的知名变体。将上述技术章节分为两部分的动机在于这样做可为章节材料提供一个自然的划分点。因此，只需要覆盖章节的第一部分（主要思想、基础知识、标准算法和实用范例）就可以将一个主题包含在课程中，然后如果时间允许，可以将主题的覆盖范围扩展到第二部分的一些或全部材料。第9章解释了如何评估预测模型的性能并提出了各不相同的评估指标。它也采用了标准方法加扩展和变体的两部分结构。在这些技术章节中，通过详细和完整的现实世界的范例以及对范例所依赖的数据集和论文的引用，来保持与预测分析背景更广泛的联系。第三部分涵盖了第二部分描述的有监督机器学习方法之外的机器学习基本技术。第10章描述了无监督机器学习，第11章描述了强化学习。这些章节也遵循与第二部分的章节相同的两部分结构。在第四部分中，第12章（客户流失）和第13章（星系分类）中呈现的案例研究非常清楚地展示了更广泛的业务背景与机器学习之间的联系。特别是，上述案例研究强调了除模型构建之外的一系列问题和任务（如业务理解、问题定义、数据收集和准备，以及领悟能力表达）对预测分析项目的成功是至关重要的。最后，第14章讨论了机器学习的一系列基本主题并强调了选择适合给定任务的机器学习方法可能涉及的除模型准确性之外的因素，因此我们必须将模型的特性与业务需求相匹配。本书的第五部分（附录）包含了支持本书中其他章节内容所需的背景知识。它包括描述性统计量和数据可视化（附录A）、概率（附录B）、微分（附录C）和线性代数（附录D）。如何使用本书通过多年的教学，我们已经对在一个学期的初级模块和两个学期的高级模块中可以涵盖的合理材料量有了深入的了解。为了方便在不同的背景中使用，本书被设计成模块化的，各章节之间几乎没有依赖关系。因此，使用本书的教师可以通过简单地选择他们希望涵盖的部分来规划课程，而不用担心各部分之间的依赖关系。在课堂上，第1章、第2章、第12章、第13章和第14章的材料通常需要每章2或3个讲授学时来覆盖，第3章、第4章、第5章、第6章、第7章、第8章、第9章、第10章和第11章的材料通常需要每章4～6个讲授学时来覆盖。在表0.1中，我们列出了一些针对不同背景的课程计划建议。所有课程都包括第1章和第14章。列出的第一类课程［“机器学习（短）（深）”列］被设计为一个学期的机器学习课程，重点是让学生深入理解两种机器学习方法，以及在评估机器学习模型时使用正确的方法。在我们建议的课程计划中，选择覆盖了第4章和第7章的全部内容。然而，也可以使用第5章和第6章的内容。“机器学习（短）（深）”计划也是对于短期（一周）专业培训课程最为合适的课程计划。第二类课程［“机器学习（短）（广）”列］是另一种适合一个学期的机器学习课程计划。然而，它的重点是覆盖一系列的机器学习方法，同时模型评估也被覆盖。对于更长的两个学期的机器学习课程［“机器学习（长）”列］，我们建议覆盖3.6节、所有机器学习章节和评估章节的内容。表0.1 建议的课程大纲（续）章 节 机器学习（短）（深） 机器学习（短）（广） 机器学习（短）（长） 预测数据分析（短） 预测数据分析（长）章 节 机器学习（短）（深） 机器学习（短）（广） 机器学习（长） 预测数据分析（短） 预测数据分析（长）1 ● ● ● ● ●2 ● ●3 3.1， 3.2， 3.3， 3.4， 3.5 ● ●3.6 ● ● ● ●4 4.1， 4.2， 4.3 ● ● ● ● ●4.4.1， 4.4.2， 4.4.3 ● ●4.4.4 ● ● ●4.4.5 ● ● ● ●5 5.1， 5.2， 5.3， 5.4.1， 5.4.3， 5.4.6 ● ● ●5.4.2， 5.4.4， 5.4.5 ●6 6.1， 6.2， 6.3， 6.4.1 ● ● ●6.4.2， 6.4.3， 6.4.4 ●7 7.1， 7.2， 7.3 ● ● ● ● ●7.4.1， 7.4.2， 7.4.3 ● ● ●7.4.4， 7.4.5， 7.4.6， 7.4.7 ● ● ● ●8 8.1， 8.2， 8.3 ● ● ●8.4.1， 8.4.2， 8.4.3， 8.4.4， 8.4.5， 8.4.6， ●9 9.1， 9.2， 9.3 ● ● ● ● ●9.4.1， 9.4.2， 9.4.3，9.4.4， 9.4.5 ● ● ● ●9.4.6 ●10 10.1， 10.2， 10.3 ● ● ● ●10.4.1， 10.4.2， 10.4.4， 10.4.5， 10.4.611 11.1， 11.2， 11.3 ● ●11.4.1， 11.4.212 ● ●13 ●14 ● ● ● ● ● 然而，对于有些情况，课程的重点并不主要集中在机器学习方面。我们也提出了两条专注于预测数据分析背景的课程路径。课程“预测数据分析（短）”定义了一个学期的课程。该课程可以给学生提供对预测数据分析的介绍，让学生对如何设计机器学习解决方案以满足业务需求有深入理解，明白预测模型如何工作和应该如何评估该模型。“预测数据分析（短）”计划也是最合适的短期（一周）专业培训课程的课程计划。如果有更多的时间，那么“预测数据分析（长）”计划将对“预测数据分析（短）”课程内容进行扩展，使学生对机器学习有更深更广的理解。在线资源网站www.machinelearningbook.com提供了支撑本书的大量材料。对所有章节末的习题都有详细的解答。对于没有标记*的问题，可以从上述网站获取解题指南。对于标记有*的问题，解题答案在教师手册中，可以向MIT出版社申请并获取。致谢我们在开始写本书的时候就知道完成它需要大量的工作。然而，我们低估了从其他人那里得到的支持。我们很高兴借此机会感谢对本书做出贡献的人。要感谢我们的同事和学生在过去几年中对我们的帮助和耐心。还要感谢MIT出版社的员工，特别是Marie Lufkin Lee和编辑Melanie Mallon（第1版），以及Westchester出版服务公司的Theresa Carcaldi（第2版）。我们也非常感谢匿名的审稿人，他们对本书的早期草稿提供了深刻且有益的评论。我们也很幸运能得到亲朋好友的支持，这在完成本书的过程中是无价的。John想要感谢Lorraine Byrne、Simon Dobnik、Dietmar Frey、Ionella Longo、Alan Mc Donnell、Josef van Genabith和Mary van Genabith，他在都柏林理工大学和ADAPT中心的同事和学生，以及他所有篮球队朋友们的帮助和鼓励。他还想感谢他的父母（John和Betty）和他的姐妹们（Elizabeth和Marianne），没有他们的支持，他不可能通过长除法和基本拼写的考验。最后，他想要感谢Aphra，没有她的启发和激励，本书不会开始，没有她的支持和耐心，本书不会完成。Brian想要感谢他的父母（Liam和Roisín）和家人对本书的支持（以及为他做的所有事情）。他还想感谢都柏林大学（以及之前在都柏林理工学院）的所有同事和学生，特别是 Pádraig Cunningham和Sarah Jane Delany，他们让他对机器学习有了新的认识。Aoife想要感谢她的父母（Michael和Mairead）和家人，以及在她职业生涯中一直支持她的所有人，尤其是Krisolis高度重视的客户们，他们给了她所需的数据来进行试验！
|
|
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
暢銷書架
