机器学习与人工智能实战：基于业务场景的工程应用
周靖 译
出版时间：2023年07月
页数：391
“如果想要理解AI和ML的实际工作原理，想要了解这些技术如何演变和应用，请阅读这本书，这是您的不二之选。”
——托德·法恩(Todd Fine)
Atmosera首席策略官
“阅读这本书，可以帮助您真正解决业务问题，把机器学习和AI实际应用到产品中。”
——道格·图努尔(Doug Turnure)
微软Azure专家
许多书虽然书名中带有“人工智能”这几个字，但里面的内容却是微积分。本书不一样，和数学基本上不挨边儿，更不会涉及算法。作者从业务场景出发，从工程的角度来帮助工程师和软件开发人员从直观上去理解人工智能，力求帮助他们解决业务问题，比如，需要创建一个系统来检测雨林中非法采伐树木的声音，需要分析文本以从中捕捉到情绪，需要预测高速旋转机械的早期故障，等等。借助于这本《机器学习与人工智能实战》，读者将学会如何把AI和机器学习运用到公司的产品或者服务中。
作者在全球许多公司和研究机构讲授人工智能和机器学习课程，本书用到了课程中的示例和插图，全部经过实证，没有可怕的算法或者公式，可以帮助工程师和软件开发人员快速入门。更值得一提的是，书中还包含了很多实操案例。
本书可以从下面几个方面为大家提供帮助：
● 了解什么是机器学习和深度学习以及它们有哪些应用场景
● 了解流行的机器学习算法如何工作及其使用场景
● 结合Python语言，使用Scikit-Learn来构建机器学习模型以及使用Keras和TensorFlow来构建神经网络
● 训练和评分回归模型以及二元和多类分类模型
● 建立面部识别模型和目标检测模型
● 构建响应自然语言查询并将文本翻译成其他语言的语言模型
● 使用Azure认知服务将AI注入自己编写的应用程序
——托德·法恩(Todd Fine)
Atmosera首席策略官
“阅读这本书，可以帮助您真正解决业务问题，把机器学习和AI实际应用到产品中。”
——道格·图努尔(Doug Turnure)
微软Azure专家
许多书虽然书名中带有“人工智能”这几个字，但里面的内容却是微积分。本书不一样，和数学基本上不挨边儿，更不会涉及算法。作者从业务场景出发，从工程的角度来帮助工程师和软件开发人员从直观上去理解人工智能，力求帮助他们解决业务问题，比如，需要创建一个系统来检测雨林中非法采伐树木的声音，需要分析文本以从中捕捉到情绪，需要预测高速旋转机械的早期故障，等等。借助于这本《机器学习与人工智能实战》，读者将学会如何把AI和机器学习运用到公司的产品或者服务中。
作者在全球许多公司和研究机构讲授人工智能和机器学习课程，本书用到了课程中的示例和插图，全部经过实证，没有可怕的算法或者公式，可以帮助工程师和软件开发人员快速入门。更值得一提的是，书中还包含了很多实操案例。
本书可以从下面几个方面为大家提供帮助：
● 了解什么是机器学习和深度学习以及它们有哪些应用场景
● 了解流行的机器学习算法如何工作及其使用场景
● 结合Python语言，使用Scikit-Learn来构建机器学习模型以及使用Keras和TensorFlow来构建神经网络
● 训练和评分回归模型以及二元和多类分类模型
● 建立面部识别模型和目标检测模型
● 构建响应自然语言查询并将文本翻译成其他语言的语言模型
● 使用Azure认知服务将AI注入自己编写的应用程序
- 专业评论
- 译者序
- 推荐序
- 前言
- 第I部分 用Scikit-Learn进行机器学习
- 第1章 机器学习
- 1.1 什么是机器学习
- 1.1.1 机器学习与人工智能
- 1.1.2 监督和无监督学习
- 1.2 使用k-means聚类算法的无监督学习
- 1.2.1 将k-means聚类算法应用于客户数据
- 1.2.2 使用两个以上的维度对客户进行细分
- 1.3 监督学习
- 1.3.1 k近邻
- 1.3.2 使用k近邻对花卉进行分类
- 1.4 小结
- 第2章 回归模型
- 2.1 线性回归
- 2.2 决策树
- 2.3 随机森林
- 2.4 梯度提升机
- 2.5 支持向量机
- 2.6 回归模型的精度测量
- 2.7 使用回归来预测车费
- 2.8 小结
- 第3章 分类模型
- 3.1 逻辑回归
- 3.2 分类模型的准确率度量
- 3.3 分类数据
- 3.4 二分类
- 3.4.2 检测信用卡欺诈
- 3.5 多分类
- 3.6 构建数字识别模型
- 3.7 小结
- 第4章 文本分类
- 4.1 准备用于分类的文本
- 4.2 情感分析
- 4.3 朴素贝叶斯
- 4.4 垃圾邮件过滤
- 4.5 推荐系统
- 4.5.1 余弦相似性
- 4.5.2 构建一个电影推荐系统
- 4.6 小结
- 第5章 支持向量机
- 5.1 支持向量机的工作原理
- 5.1.1 核
- 5.1.2 核技巧
- 5.2 超参数调整
- 5.3 数据归一化
- 5.4 管道化
- 5.5 使用SVM进行面部识别
- 5.6 小结
- 第6章 主成分分析
- 6.1 理解主成分分析
- 6.2 噪声过滤
- 6.3 数据匿名化
- 6.4 可视化高维数据
- 6.5 异常检测
- 6.5.1 使用PCA检测信用卡欺诈
- 6.5.2 使用PCA来预测轴承故障
- 6.5.3 多变量异常检测
- 6.6 小结
- 第7章 机器学习模型的操作化
- 7.1 从Python客户端使用Python模型
- 7.2 .pkl文件的版本管理
- 7.3 从C#客户端使用Python模型
- 7.4 容器化机器学习模型
- 7.5 使用ONNX来桥接不同的语言
- 7.6 用ML.NET在C#中构建ML模型
- 7.6.1 用ML.NET进行情感分析
- 7.6.2 保存和加载ML.NET模型
- 7.7 为Excel添加机器学习功能
- 7.8 小结
- 第II部分 用Keras和TensorFlow进行深度学习
- 第8章 深度学习
- 8.1 了解神经网络
- 8.2 训练神经网络
- 8.3 小结
- 第9章 神经网络
- 9.1 用Keras和TensorFlow构建神经网络
- 9.1.1 设定神经网络的大小
- 9.1.2 使用神经网络来预测车费
- 9.2 用神经网络进行二分类
- 9.2.1 进行预测
- 9.2.2 训练神经网络来检测信用卡欺诈
- 9.3 用神经网络进行多分类
- 9.4 训练神经网络进行面部识别
- 9.5 Dropout
- 9.6 保存和加载模型
- 9.7 Keras回调
- 9.8 小结
- 第10章 用卷积神经网络进行图像分类
- 10.1 理解CNN
- 10.1.1 使用Keras和TensorFlow来构建CNN
- 10.1.2 训练CNN来识别北极野生动物
- 10.2 预训练CNN
- 10.3 使用ResNet50V2对图像分类
- 10.4 转移学习
- 10.5 通过转移学习来识别北极野生动物
- 10.6 数据增强
- 10.6.1 用ImageDataGenerator进行图像增强
- 10.6.2 使用增强层进行图像增强
- 10.6.3 将图像增强应用于北极野生动物
- 10.7 全局池化
- 10.8 用CNN进行音频分类
- 10.9 小结
- 第11章 面部检测和识别
- 11.1 人脸检测
- 11.1.1 用Viola-Jones算法进行人脸检测
- 11.1.2 使用Viola-Jones的OpenCV实现
- 11.1.3 用卷积神经网络检测人脸
- 11.1.4 从照片中提取人脸
- 11.2 面部识别
- 11.2.1 将迁移学习应用于人脸识别
- 11.2.2 用任务特定的权重强化转移学习
- 11.2.3 ArcFace
- 11.3 综合运用：检测和识别照片中的人脸
- 11.4 处理未知人脸：闭集和开集分类
- 11.5 小结
- 第12章 目标检测
- 12.1 R-CNN
- 12.2 Mask R-CNN
- 12.3 YOLO
- 12.4 YOLOv3和Keras
- 12.5 自定义目标检测
- 12.5.1 用自定义视觉服务训练自定义目标检测模型
- 12.5.2 使用导出的模型
- 12.6 小结
- 第13章 自然语言处理
- 13.1 文本准备
- 13.2 词嵌入
- 13.3 文本分类
- 13.3.1 自动化文本矢量处理
- 13.3.2 在情感分析模型中使用TextVectorization
- 13.3.3 将词序纳入预测的因素
- 13.3.4 循环神经网络(RNN)
- 13.3.5 使用预训练模型进行文本分类
- 13.4 神经机器翻译
- 13.4.1 LSTM编码器-解码器
- 13.4.2 Transformer编码器-解码器
- 13.4.3 构建基于Transformer的NMT模型
- 13.4.4 使用预训练模型来翻译文本
- 13.5 基于变换器的双向编码器(BERT)
- 13.5.1 构建基于BERT的答题系统
- 13.5.2 调优BERT以进行情感分析
- 13.6 小结
- 第14章 Azure认知服务
- 14.1 Azure认知服务简介
- 14.1.1 密钥和终结点
- 14.1.2 调用Azure认知服务API
- 14.1.3 Azure认知服务容器
- 14.2 计算机视觉服务
- 14.3 语言服务
- 14.4 翻译服务
- 14.5 语音服务
- 14.6 集大成者Contoso Travel
- 14.7 小结
书名：机器学习与人工智能实战：基于业务场景的工程应用
作者：Jeff Prosise 著
译者：周靖 译
国内出版社：清华大学出版社
出版时间：2023年07月
页数：391
书号：978-7-302-63523-9
原版书书名：Applied Machine Learning and AI for Engineers
原版书出版商：O'Reilly Media
本书封面上的动物是喜庆亚马逊鹦鹉（Amazona festiva），也称”喜庆鹦鹉”，生活在巴西、哥伦比亚、厄瓜多尔、秘鲁和委内瑞拉等南美国家的热带森林、林地和沿海的红树林。在远离水的地方很少能见到它们的踪影。
喜庆鹦鹉色彩鲜艳——甚至有点……喜庆——是一种中等个头的鸟类。羽毛主要是醒目的绿色，翅膀边缘为黄绿色。它们的脸颊上颜色的比较多，有红色、蓝色，有时还有黄色或橙色。喜庆鹦鹉是高度社会化的物种，通常成对或以小群体的方式采取行动。大群的鸟儿经常在夜间聚集在一起集体栖息或绕某一处食物来源聚集，并以极其聒噪闻名。它们喜欢吃水果，如芒果和桃树的树枝，浆果、坚果、种子、花和叶芽也是它们的补充食物。
虽然在其森林栖息地保护区仍然比较常见，但由于森林砍伐活动不断和栖息地减少，喜庆鹦鹉被世界自然保护联盟列为“近危”动物（其他状态依次为易危，濒危、极危、野外绝灭和绝灭）。O’Reilly书籍封面上许多动物都处于濒危状态；这些动物对我们这个世界非常重要。
封面插图由Karen Montgomery创作，来源于伍德著作《自然史：插图版》中的一张版画。
喜庆鹦鹉色彩鲜艳——甚至有点……喜庆——是一种中等个头的鸟类。羽毛主要是醒目的绿色，翅膀边缘为黄绿色。它们的脸颊上颜色的比较多，有红色、蓝色，有时还有黄色或橙色。喜庆鹦鹉是高度社会化的物种，通常成对或以小群体的方式采取行动。大群的鸟儿经常在夜间聚集在一起集体栖息或绕某一处食物来源聚集，并以极其聒噪闻名。它们喜欢吃水果，如芒果和桃树的树枝，浆果、坚果、种子、花和叶芽也是它们的补充食物。
虽然在其森林栖息地保护区仍然比较常见，但由于森林砍伐活动不断和栖息地减少，喜庆鹦鹉被世界自然保护联盟列为“近危”动物（其他状态依次为易危，濒危、极危、野外绝灭和绝灭）。O’Reilly书籍封面上许多动物都处于濒危状态；这些动物对我们这个世界非常重要。
封面插图由Karen Montgomery创作，来源于伍德著作《自然史：插图版》中的一张版画。
购买选项
|
© 2024，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|