图解机器学习和深度学习入门_(日)山口达辉，(日)松田洋之著_9787122433398

本书带领读者初步学习和实践机器学习、深度学习的算法、流程和核心技术，并介绍了系统开发及开发环境，通过图解的方式将难懂的专业术语和算法表现出来，还介绍了一些比较常用的网站网络服务，让读者能够学以致用。

译者的话相信每个爱看好莱坞大片的读者都会有一个机器人梦，我也不例外，而近几年兴起的人工智能技术则让人类对机器可以产生智慧这件事的信心提高到了空前的水平。虽然热度很高，但人工智能领域所需要的数学基础和算法知识让大多数想要进入这个领域的人望而却步，为此大量讲授机器学习知识和技巧的书籍以及自媒体应运而生。这些文章的作者普遍都已经有了相当深厚的知识积累，有的甚至在行业内享有极高声誉，他们讲授的知识都是正确且先进的。可是想要进入这个领域的读者往往没有相当好的数学基础，有的读者还是初高中在读生，大量的先导知识让读者往往需要大量查阅其他资料才能有所领悟。为了能够让更多读者一览人工智能的美妙，译者选中了这本书，选中这本书的原因就是它的“简单”，这本书没有那么多高深的理论，而是用简单的语言介绍了很多行家们觉得理所应当而新手们云里雾里的知识，甚至能让学过理论知识但是没有实践的人读完之后产生“原来机器学习是这个样子呀”的感觉。这本书里没有大量生涩的公式，也没有令人望而生畏的论文，有的只是一幅幅生动的示意图，通过图解的方式让读者将人工智能的知识理解透彻。本书的翻译过程让译者也学到了很多，由于译者水平有限，不妥之处在所难免，敬请各位读者批评指正。译者　　前言“人工智能”“机器学习”“深度学习”这些词汇近年来迅速占领各大媒体。最近公开的经济产业省的估算指出，2030年日本的AI工程师将会有12万人的缺口。在时代的洪流下，即使没有人工智能专业基础的人也对机器学习的应用有着需求。近几年，各种基于机器学习的程序库和不需要编程的机器学习服务逐渐普及，即使不是专家，只要准备好数据，也能实现一些需求。但是在不知道机器学习算法的内部发生什么的情况下，盲目地将其应用在商务等重要场合是极度危险的。一般情况下，AI工程师从入门到精通需要搜罗学习大量的网络文章和专门书籍，而这些文章和书籍大都预设了“你已经有了一定的基础”的立场，因此就少了很多的前提说明，让读者难以理解机器学习的主旨。而专业书籍中的数学公式又太多，想要成为AI工程师的人从此入手的难度又太高。本书就是填补这一空白的作品。为此，本书不会为了大量列举公式而牺牲必要的讲解，对于AI工程师必须理解的东西，本书会用图示的方式循序渐进地介绍给大家。希望能有更多的读者通过本书发现机器学习的有趣之处和可能性，因此而踏入机器学习的世界。山口达辉　

第1章人工智能的基础知识01 人工智能是什么 00202 机器学习（ML） 00603 深度学习（DL）是什么 01004 人工智能和机器学习的普及之路 014第2章机器学习的基础知识05 有教师学习的机制 02006 无教师学习的机制 02407 强化学习的机制 02808 统计和机器学习的区别 03009 机器学习和特征量 03410 擅长的领域和不擅长的领域 03811 应用机器学习的案例 042第3章机器学习的过程和核心技术12 机器学习的基本工作流程 04813 数据的收集 05214 数据的整定 05615 模型的制作和训练 06016 批学习和在线学习 06417 利用测试数据对预测结果进行验证 06618 训练结果的评价标准 07019 超参数和模型的调节 07620 主动学习 08021 相关和因果 08422 反馈回路 088第4章机器学习算法23 回归分析 09224 支持向量机 09825 决策树 10226 协同学习 10627 协作学习的应用 11028 逻辑回归 11429 贝叶斯模型 11630 时间序列分析和状态空间模型 12031 k近邻（k-NN）法和k平均（k-means）法 12432 降维和主成分分析 12833 优化和遗传算法 132第5章深度学习的基础知识34 神经网络和其历史 13835 深度学习和图像识别 14636 深度学习和自然语言处理 150第6章深度学习的流程和核心技术37 基于误差反向传播法的神经网络学习 15638 神经网络的优化 15839 坡度消失问题 16240 迁移学习 164第7章深度学习算法41 卷积神经网络（CNN） 17042 递归型神经网络（RNN） 17443 强化学习和深度学习 18044 自动编码器 18645 GAN（生成对抗网络） 19046 物体检测 194第8章系统开发和开发环境47 人工智能编程使用的主要语言 20048 机器学习的库和框架 20449 深度学习的框架 20850 GPU编程和快速化 21451 机器学习服务 216结束语 219参考文献 220

你还可能感兴趣

我要评论