91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
機(jī)器學(xué)習(xí)與人工智能實(shí)戰(zhàn)：基于業(yè)務(wù)場(chǎng)景的工程應(yīng)用
機(jī)器學(xué)習(xí)與人工智能實(shí)戰(zhàn)：基于業(yè)務(wù)場(chǎng)景的工程應(yīng)用
Jeff Prosise 著
周靖 譯
出版時(shí)間：2023年07月
頁(yè)數(shù)：391
“如果想要理解AI和ML的實(shí)際工作原理，想要了解這些技術(shù)如何演變和應(yīng)用，請(qǐng)閱讀這本書，這是您的不二之選?！?br /> ——托德·法恩(Todd Fine)
Atmosera首席策略官
“閱讀這本書，可以幫助您真正解決業(yè)務(wù)問題，把機(jī)器學(xué)習(xí)和AI實(shí)際應(yīng)用到產(chǎn)品中?！?br /> ——道格·圖努爾(Doug Turnure)
微軟Azure專家

許多書雖然書名中帶有“人工智能”這幾個(gè)字，但里面的內(nèi)容卻是微積分。本書不一樣，和數(shù)學(xué)基本上不挨邊兒，更不會(huì)涉及算法。作者從業(yè)務(wù)場(chǎng)景出發(fā)，從工程的角度來幫助工程師和軟件開發(fā)人員從直觀上去理解人工智能，力求幫助他們解決業(yè)務(wù)問題，比如，需要?jiǎng)?chuàng)建一個(gè)系統(tǒng)來檢測(cè)雨林中非法采伐樹木的聲音，需要分析文本以從中捕捉到情緒，需要預(yù)測(cè)高速旋轉(zhuǎn)機(jī)械的早期故障，等等。借助于這本《機(jī)器學(xué)習(xí)與人工智能實(shí)戰(zhàn)》，讀者將學(xué)會(huì)如何把AI和機(jī)器學(xué)習(xí)運(yùn)用到公司的產(chǎn)品或者服務(wù)中。
作者在全球許多公司和研究機(jī)構(gòu)講授人工智能和機(jī)器學(xué)習(xí)課程，本書用到了課程中的示例和插圖，全部經(jīng)過實(shí)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(shí)操案例。
本書可以從下面幾個(gè)方面為大家提供幫助：
● 了解什么是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)以及它們有哪些應(yīng)用場(chǎng)景
● 了解流行的機(jī)器學(xué)習(xí)算法如何工作及其使用場(chǎng)景
● 結(jié)合Python語(yǔ)言，使用Scikit-Learn來構(gòu)建機(jī)器學(xué)習(xí)模型以及使用Keras和TensorFlow來構(gòu)建神經(jīng)網(wǎng)絡(luò)
● 訓(xùn)練和評(píng)分回歸模型以及二元和多類分類模型
● 建立面部識(shí)別模型和目標(biāo)檢測(cè)模型
● 構(gòu)建響應(yīng)自然語(yǔ)言查詢并將文本翻譯成其他語(yǔ)言的語(yǔ)言模型
● 使用Azure認(rèn)知服務(wù)將AI注入自己編寫的應(yīng)用程序
  1. 專業(yè)評(píng)論
  2. 譯者序
  3. 推薦序
  4. 前言
  5. 第I部分 用Scikit-Learn進(jìn)行機(jī)器學(xué)習(xí)
  6. 第1章 機(jī)器學(xué)習(xí)
  7. 1.1 什么是機(jī)器學(xué)習(xí)
  8. 1.1.1 機(jī)器學(xué)習(xí)與人工智能
  9. 1.1.2 監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)
  10. 1.2 使用k-means聚類算法的無(wú)監(jiān)督學(xué)習(xí)
  11. 1.2.1 將k-means聚類算法應(yīng)用于客戶數(shù)據(jù)
  12. 1.2.2 使用兩個(gè)以上的維度對(duì)客戶進(jìn)行細(xì)分
  13. 1.3 監(jiān)督學(xué)習(xí)
  14. 1.3.1 k近鄰
  15. 1.3.2 使用k近鄰對(duì)花卉進(jìn)行分類
  16. 1.4 小結(jié)
  17. 第2章 回歸模型
  18. 2.1 線性回歸
  19. 2.2 決策樹
  20. 2.3 隨機(jī)森林
  21. 2.4 梯度提升機(jī)
  22. 2.5 支持向量機(jī)
  23. 2.6 回歸模型的精度測(cè)量
  24. 2.7 使用回歸來預(yù)測(cè)車費(fèi)
  25. 2.8 小結(jié)
  26. 第3章 分類模型
  27. 3.1 邏輯回歸
  28. 3.2 分類模型的準(zhǔn)確率度量
  29. 3.3 分類數(shù)據(jù)
  30. 3.4 二分類
  31. 3.4.2 檢測(cè)信用卡欺詐
  32. 3.5 多分類
  33. 3.6 構(gòu)建數(shù)字識(shí)別模型
  34. 3.7 小結(jié)
  35. 第4章 文本分類
  36. 4.1 準(zhǔn)備用于分類的文本
  37. 4.2 情感分析
  38. 4.3 樸素貝葉斯
  39. 4.4 垃圾郵件過濾
  40. 4.5 推薦系統(tǒng)
  41. 4.5.1 余弦相似性
  42. 4.5.2 構(gòu)建一個(gè)電影推薦系統(tǒng)
  43. 4.6 小結(jié)
  44. 第5章 支持向量機(jī)
  45. 5.1 支持向量機(jī)的工作原理
  46. 5.1.1 核
  47. 5.1.2 核技巧
  48. 5.2 超參數(shù)調(diào)整
  49. 5.3 數(shù)據(jù)歸一化
  50. 5.4 管道化
  51. 5.5 使用SVM進(jìn)行面部識(shí)別
  52. 5.6 小結(jié)
  53. 第6章 主成分分析
  54. 6.1 理解主成分分析
  55. 6.2 噪聲過濾
  56. 6.3 數(shù)據(jù)匿名化
  57. 6.4 可視化高維數(shù)據(jù)
  58. 6.5 異常檢測(cè)
  59. 6.5.1 使用PCA檢測(cè)信用卡欺詐
  60. 6.5.2 使用PCA來預(yù)測(cè)軸承故障
  61. 6.5.3 多變量異常檢測(cè)
  62. 6.6 小結(jié)
  63. 第7章 機(jī)器學(xué)習(xí)模型的操作化
  64. 7.1 從Python客戶端使用Python模型
  65. 7.2 .pkl文件的版本管理
  66. 7.3 從C#客戶端使用Python模型
  67. 7.4 容器化機(jī)器學(xué)習(xí)模型
  68. 7.5 使用ONNX來橋接不同的語(yǔ)言
  69. 7.6 用ML.NET在C#中構(gòu)建ML模型
  70. 7.6.1 用ML.NET進(jìn)行情感分析
  71. 7.6.2 保存和加載ML.NET模型
  72. 7.7 為Excel添加機(jī)器學(xué)習(xí)功能
  73. 7.8 小結(jié)
  74. 第II部分 用Keras和TensorFlow進(jìn)行深度學(xué)習(xí)
  75. 第8章 深度學(xué)習(xí)
  76. 8.1 了解神經(jīng)網(wǎng)絡(luò)
  77. 8.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò)
  78. 8.3 小結(jié)
  79. 第9章 神經(jīng)網(wǎng)絡(luò)
  80. 9.1 用Keras和TensorFlow構(gòu)建神經(jīng)網(wǎng)絡(luò)
  81. 9.1.1 設(shè)定神經(jīng)網(wǎng)絡(luò)的大小
  82. 9.1.2 使用神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)車費(fèi)
  83. 9.2 用神經(jīng)網(wǎng)絡(luò)進(jìn)行二分類
  84. 9.2.1 進(jìn)行預(yù)測(cè)
  85. 9.2.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò)來檢測(cè)信用卡欺詐
  86. 9.3 用神經(jīng)網(wǎng)絡(luò)進(jìn)行多分類
  87. 9.4 訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行面部識(shí)別
  88. 9.5 Dropout
  89. 9.6 保存和加載模型
  90. 9.7 Keras回調(diào)
  91. 9.8 小結(jié)
  92. 第10章 用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類
  93. 10.1 理解CNN
  94. 10.1.1 使用Keras和TensorFlow來構(gòu)建CNN
  95. 10.1.2 訓(xùn)練CNN來識(shí)別北極野生動(dòng)物
  96. 10.2 預(yù)訓(xùn)練CNN
  97. 10.3 使用ResNet50V2對(duì)圖像分類
  98. 10.4 轉(zhuǎn)移學(xué)習(xí)
  99. 10.5 通過轉(zhuǎn)移學(xué)習(xí)來識(shí)別北極野生動(dòng)物
  100. 10.6 數(shù)據(jù)增強(qiáng)
  101. 10.6.1 用ImageDataGenerator進(jìn)行圖像增強(qiáng)
  102. 10.6.2 使用增強(qiáng)層進(jìn)行圖像增強(qiáng)
  103. 10.6.3 將圖像增強(qiáng)應(yīng)用于北極野生動(dòng)物
  104. 10.7 全局池化
  105. 10.8 用CNN進(jìn)行音頻分類
  106. 10.9 小結(jié)
  107. 第11章 面部檢測(cè)和識(shí)別
  108. 11.1 人臉檢測(cè)
  109. 11.1.1 用Viola-Jones算法進(jìn)行人臉檢測(cè)
  110. 11.1.2 使用Viola-Jones的OpenCV實(shí)現(xiàn)
  111. 11.1.3 用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)人臉
  112. 11.1.4 從照片中提取人臉
  113. 11.2 面部識(shí)別
  114. 11.2.1 將遷移學(xué)習(xí)應(yīng)用于人臉識(shí)別
  115. 11.2.2 用任務(wù)特定的權(quán)重強(qiáng)化轉(zhuǎn)移學(xué)習(xí)
  116. 11.2.3 ArcFace
  117. 11.3 綜合運(yùn)用：檢測(cè)和識(shí)別照片中的人臉
  118. 11.4 處理未知人臉：閉集和開集分類
  119. 11.5 小結(jié)
  120. 第12章 目標(biāo)檢測(cè)
  121. 12.1 R-CNN
  122. 12.2 Mask R-CNN
  123. 12.3 YOLO
  124. 12.4 YOLOv3和Keras
  125. 12.5 自定義目標(biāo)檢測(cè)
  126. 12.5.1 用自定義視覺服務(wù)訓(xùn)練自定義目標(biāo)檢測(cè)模型
  127. 12.5.2 使用導(dǎo)出的模型
  128. 12.6 小結(jié)
  129. 第13章 自然語(yǔ)言處理
  130. 13.1 文本準(zhǔn)備
  131. 13.2 詞嵌入
  132. 13.3 文本分類
  133. 13.3.1 自動(dòng)化文本矢量處理
  134. 13.3.2 在情感分析模型中使用TextVectorization
  135. 13.3.3 將詞序納入預(yù)測(cè)的因素
  136. 13.3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
  137. 13.3.5 使用預(yù)訓(xùn)練模型進(jìn)行文本分類
  138. 13.4 神經(jīng)機(jī)器翻譯
  139. 13.4.1 LSTM編碼器-解碼器
  140. 13.4.2 Transformer編碼器-解碼器
  141. 13.4.3 構(gòu)建基于Transformer的NMT模型
  142. 13.4.4 使用預(yù)訓(xùn)練模型來翻譯文本
  143. 13.5 基于變換器的雙向編碼器(BERT)
  144. 13.5.1 構(gòu)建基于BERT的答題系統(tǒng)
  145. 13.5.2 調(diào)優(yōu)BERT以進(jìn)行情感分析
  146. 13.6 小結(jié)
  147. 第14章 Azure認(rèn)知服務(wù)
  148. 14.1 Azure認(rèn)知服務(wù)簡(jiǎn)介
  149. 14.1.1 密鑰和終結(jié)點(diǎn)
  150. 14.1.2 調(diào)用Azure認(rèn)知服務(wù)API
  151. 14.1.3 Azure認(rèn)知服務(wù)容器
  152. 14.2 計(jì)算機(jī)視覺服務(wù)
  153. 14.3 語(yǔ)言服務(wù)
  154. 14.4 翻譯服務(wù)
  155. 14.5 語(yǔ)音服務(wù)
  156. 14.6 集大成者Contoso Travel
  157. 14.7 小結(jié)
書名：機(jī)器學(xué)習(xí)與人工智能實(shí)戰(zhàn)：基于業(yè)務(wù)場(chǎng)景的工程應(yīng)用
作者：Jeff Prosise 著
譯者：周靖 譯
國(guó)內(nèi)出版社：清華大學(xué)出版社
出版時(shí)間：2023年07月
頁(yè)數(shù)：391
書號(hào)：978-7-302-63523-9
原版書書名：Applied Machine Learning and AI for Engineers
原版書出版商：O'Reilly Media
Jeff Prosise
 
Jeff Prosise是個(gè)多面手。作為工程師，他熱衷于向其他工程師和軟件開發(fā)人員宣傳人工智能和機(jī)器學(xué)習(xí)的奇跡。他是Wintellect 公司的聯(lián)合創(chuàng)始人，寫過9本書，在雜志上發(fā)表過好幾百篇文章，在微軟培訓(xùn)過幾千名開發(fā)人員，并在一些規(guī)模比較大的全球軟件大會(huì)上發(fā)表過演講。
另一方面，杰夫在美國(guó)橡樹嶺國(guó)家實(shí)驗(yàn)室和勞倫斯利弗莫爾國(guó)家實(shí)驗(yàn)室從事高功率激光系統(tǒng)和聚變能源研究。業(yè)余時(shí)間，他很喜歡大型遙控噴氣式飛機(jī)的組裝和試飛，還經(jīng)常前往全球潛水勝地去打卡。2021年公司被收購(gòu)后，杰夫出任Atmosera公司首席學(xué)習(xí)官，幫助客戶將AI集成到產(chǎn)品中。
 
 
本書封面上的動(dòng)物是喜慶亞馬遜鸚鵡（Amazona festiva），也稱”喜慶鸚鵡”，生活在巴西、哥倫比亞、厄瓜多爾、秘魯和委內(nèi)瑞拉等南美國(guó)家的熱帶森林、林地和沿海的紅樹林。在遠(yuǎn)離水的地方很少能見到它們的蹤影。
喜慶鸚鵡色彩鮮艷——甚至有點(diǎn)……喜慶——是一種中等個(gè)頭的鳥類。羽毛主要是醒目的綠色，翅膀邊緣為黃綠色。它們的臉頰上顏色的比較多，有紅色、藍(lán)色，有時(shí)還有黃色或橙色。喜慶鸚鵡是高度社會(huì)化的物種，通常成對(duì)或以小群體的方式采取行動(dòng)。大群的鳥兒經(jīng)常在夜間聚集在一起集體棲息或繞某一處食物來源聚集，并以極其聒噪聞名。它們喜歡吃水果，如芒果和桃樹的樹枝，漿果、堅(jiān)果、種子、花和葉芽也是它們的補(bǔ)充食物。
雖然在其森林棲息地保護(hù)區(qū)仍然比較常見，但由于森林砍伐活動(dòng)不斷和棲息地減少，喜慶鸚鵡被世界自然保護(hù)聯(lián)盟列為“近?！眲?dòng)物（其他狀態(tài)依次為易危，瀕危、極危、野外絕滅和絕滅）。O’Reilly書籍封面上許多動(dòng)物都處于瀕危狀態(tài)；這些動(dòng)物對(duì)我們這個(gè)世界非常重要。
封面插圖由Karen Montgomery創(chuàng)作，來源于伍德著作《自然史：插圖版》中的一張版畫。
購(gòu)買選項(xiàng)
定價(jià)：138.00元
書號(hào)：978-7-302-63523-9
出版社：清華大學(xué)出版社