导语

  

内容提要

  

    本书理论与实践相结合，全面介绍了人工智能和机器学习。全书分为六部分。第一部分介绍了人工智能和机器学习在现代背景下的概念以及它们的起源和现状，并讨论了使用这些概念的各种场景和数据的理解、表示与可视化。第二部分介绍了机器学习的各种方法及新兴趋势。第三部分介绍了使用算法构建端到端机器学习管道。第四部分重点介绍机器学习模型的实现，以开发人工智能应用。第五部分介绍了解决现实机器学习问题的一些实现策略。第六部分是本书总结和下一步工作。

    阿米特·V.乔希（Ameet V Joshi），博士，目前是微软的一名数据科学经理。他于2006年在密歇根州立大学获得博士学位。他拥有超过15年的机器学习算法开发方面的经验，涉及各种不同的工业领域，包括管道检查、家庭能源分解、微软Cortana智能和CRM中的商务智能。此前，他曾担任Belkin International的机器学习专家和Microline Technology Corp.的研究主管。他是多个技术委员会的成员，在许多会议和期刊上发表过文章，也是多本书籍的编著者之一。他还拥有两项专利，并获得多个行业奖项，包括IEEE高级会员（只有8%的会员获得）。

序
前言
致谢
第一部分  简介
  第1章  人工智能和机器学习简介
    1.1  引言
    1.2  什么是人工智能
    1.3  什么是机器学习
    1.4  本书的结构
      1.4.1  简介
      1.4.2  机器学习
      1.4.3  构建端到端管道
      1.4.4  人工智能
      1.4.5  实现
      1.4.6  结语
  第2章  人工智能和机器学习的基本概念
    2.1  引言
    2.2  大数据和非大数据
      2.2.1  什么是大数据
      2.2.2  为什么我们应该区别对待大数据
    2.3  学习类型
      2.3.1  监督学习
      2.3.2  无监督学习
      2.3.3  强化学习
    2.4  基于时间的机器学习方法
      2.4.1  静态学习
      2.4.2  动态学习
    2.5  维数
    2.6  线性和非线性
    2.7  奥卡姆剃刀原理
    2.8  “没有免费的午餐”定理
    2.9  收益递减规律
    2.10  机器学习的早期趋势
    2.11  小结
  第3章  数据的理解、表示和可视化
    3.1  引言
    3.2  理解数据
      3.2.1  理解实体
      3.2.2  理解属性
      3.2.3  理解数据类型
    3.3  数据的表示和可视化
      3.3.1  主成分分析
      3.3.2  线性判别分析
    3.4  小结
第二部分  机器学习
  第4章  线性方法
    4.1  引言
    4.2  线性模型和广义线性模型
    4.3  线性回归
      4.3.1  定义问题
      4.3.2  解决问题
    4.4  正则化的线性回归
      4.4.1  正则化
      4.4.2  岭回归
      4.4.3  Lasso回归
    4.5  广义线性模型
    4.6  k近邻算法
      4.6.1  KNN的定义
      4.6.2  分类和回归
      4.6.3  KNN的其他变体
    4.7  小结
  第5章  感知器和神经网络
  第6章  决策树
  第7章  支持向量机
  第8章  概率模型
  第9章  动态规划和强化学习
  第10章  演化算法
  第11章  时间序列模型
  第12章  深度学习
  第13章  机器学习的新兴趋势
  第14章  无监督学习
第三部分  构建端到端管道
  第15章  特征化
  第16章  设计和调整模型管道
  第17章  性能度量
第四部分  人工智能
  第18章  分类
  第19章  回归
  第20章  排名
  第21章  推荐系统
第五部分  实现
  第22章  Azure机器学习
  第23章  开源机器学习库
  第24章  亚马逊的机器学习工具包：SageMaker
第六部分  结语
  第25章  本书总结和下一步工作
参考文献