前言
作者寫作本書的目的就是用通俗的文字來說明機器學習，最好通俗得如作者在女兒生日時，寫給她的信：
親愛的欣玥：
從2020 年開始，願你：
■ 學習不要死記硬背，避免過擬合；也不要蜻蜓點水，避免欠擬合。
■ 心態像隨機梯度下降一樣，不要過分注重眼前的利益和一時的得失，進而看不清大局而被假象矇騙。
■ 抉擇像隨機森林一樣，各取所長，集思廣益，這樣你才能做出最正確的決定。
■ 操行像自我調整提升一樣，知錯能改，這樣你才能越來越優秀。
■ 說話像奧卡姆剃刀原理一樣，牢記「少就是多」，當一個好的聆聽者。
■ 脾氣不要像梯度爆炸一樣越來越大，也不要像梯度消失一樣沒有，要穩定地敢愛敢恨。
■ 容忍像支援向量機一樣，最大化你的容錯間隔。有一些錯誤是在所難免的，要學會將硬間隔變成軟間隔。
■ 生活像偏差和方差達到最佳點一樣，不偏不倚，不驕不躁。
從2020 年開始，爸爸會
■ 最初輔導你有監督學習。
■ 然後鍛煉你半監督學習。
■ 接著放任你無監督學習。
■ 不斷評估你要增強學習。
當學習到了某個臨界點時，不管外界資源多麼豐富，你的表現一定會趨於穩定，這時必須靠深度學習才能大幅地突破自我，最後獲得遷移學習的能力。
學習並精通一種學科無外乎要經過四個步驟：它是什麼？它可行嗎？怎麼學它？
如何學好它？學習機器學習也不例外，本書就以這四個步驟來解讀機器學習。
◆ 第1 章介紹「機器學習是什麼」，即從定義開始，詳細介紹機器學習有關的知識、資料和效能度量。
◆ 第2 章介紹「機器學習可行嗎」，即機器具備學習樣本以外的資料的能力。
本章從機率的角度證明樣本內誤差和樣本外誤差的關係。
◆ 第3 章介紹「機器學習怎麼學」，即機器如何選出最佳模型。本章介紹機器學習版本的樣本內誤差（訓練誤差）和樣本外誤差（測試誤差），再透過驗證誤差來選擇模型。
前3 章屬於機器學習的概述：第1 章介紹機器學習的概念，為了讓讀者打好基礎；第2 章為證明機器學習是可行的，讓讀者做到心中有數；第3 章運用機器學習效能指標而建置架構，看懂它們不需要精通任何機器學習的演算法。作者在這3 章的寫作上花費的時間最多，光這3 章的內容就絕對讓讀者有所收穫。
第4~14 章介紹「如何學好機器學習」，重點介紹機器學習的各種演算法和調參技巧。在本書中，機器學習模型分為線性模型、非線性模型和整合模型。
◆ 第4~8 章介紹線性模型，包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
◆ 第9~11 章介紹非線性模型，包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
◆ 第12~14 章介紹整合模型，包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15 章介紹機器學習中一些非常實用的經驗，包含學習策略、目標設定、誤差分析、偏差和方差分析。
為了幫助讀者閱讀，下面的流程圖展示了整本書的大架構。
本書的每一章都以通俗的引言開始，吸引讀者；以精美的思維導圖過渡，讓說明想法更清晰；以簡要的歸納結束，讓讀者加強所學的知識。此外，每個基礎知識都是理論和實作相結合，既有嚴謹的數學推導，又有多樣（Python 和MATLAB）的程式展示，圖文並茂，以最好的內容服務各種讀者。
作者非常欣賞Google 大腦研究員Chris Olah 的觀點 "I want to understandthings clearly, and explain them well"，即力爭把每個基礎知識弄清楚、弄透，然後以通俗容易的方式讓其他人學會、學透。作者願意做「把困難的東西研究透而簡單展示給大眾」的人（Research Distiller），因為學術界中的論文雖然「高大上」，但是很多會讓讀者讀完還是一頭霧水。用Chris Olah 的話來講，這種以不清不楚的方式來解釋高難課題的做法，欠下太多研究債務（Research Debt）。
這本書能夠完成，受到很多機器學習優質課程的啟發，比如史丹佛大學Andrew Ng 教授的CS229 課程、加州理工學院Yaser S. Abu-Mostafa 教授的Learning from Data 課程、台灣大學林軒田教授的機器學習基礎和技法、華盛頓大學Emily Fox 和Carlos Guestrin 教授的Machine Learning Specialization。他們的課程都是理論結合實際，通俗而不失嚴謹，學習這些課程可以讓我解決工作中的很多需求，可見這些課程的功力之高，在這裡我想對他們表達最真摯的感謝（即使他們也不認識我）！
此外，感謝父母無條件地支援我寫書，感謝爺爺、大伯和姐夫經常閱讀我的公眾號文章，經常鼓勵我，感謝夫人在我寫書時幫著帶小孩，感謝女兒給我的無窮動力：想像著以後她拿著我寫的書可以自豪地跟別的小朋友說「這是我爸爸寫的書」。最後感謝所有「王的機器」公眾號的讀者，你們的支援和回饋一直激勵著我不斷進步，這本書是特別為你們而寫的。
由於作者水準有限，書中難免會有錯漏之處，歡迎諸位專家和讀者們斧正。
| FindBook |
|
有 1 項符合
？王聖元的圖書 |
| 最新圖書評論 - | 目前有 1 則評論 |
|
 |
$ 616 ～ 702 | 站穩AI大師的第一步：最直覺機器學習【金石堂、博客來熱銷】
作者：王聖元 出版社：深智數位股份有限公司 出版日期：2020-05-25 規格：448頁/23*17cm  1 則評論  共 7 筆 → 查價格、看圖書介紹
|
|
|
圖書介紹 - 資料來源：TAAZE 讀冊生活
圖書名稱：站穩AI大師的第一步：最直覺機器學習
本書特色
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
內容簡介
本書重點
◎ 一本讓你打下最紮實基礎的機器學習數學書
◎ 理論及實作並重，全盤了解機器學習
◎ 線性、非線性、整合模型說明
◎ 線性回歸怎麼來的，邏輯回歸怎麼走的，正規化
◎ 支援向量機精華，決策樹以及單純貝氏定理
◎ 神經網路及正反向傳播的推導
◎ 整合學習的來龍去脈，隨機森林和提升樹
◎ xgboost極度梯度提升
本書主要內容
學習並精通任何一門學科無外乎要經過四個步驟：它是什麼？它可行嗎？怎麼學它？如何學好它？機器學習也不例外，本書就以這四個步驟來介紹機器學習。
每一章都以通俗的引言開始，吸引讀者；以精美的思維導圖過渡，讓說明想法更清晰；以簡要的歸納結束，讓讀者加強所學的知識。理論和實作相結合，既有嚴謹的數學推導，又有多樣（Python 和MATLAB）的程式展示，圖文並茂。
前3 章屬於機器學習的概述。作者在這3 章花費的時間最多，絕對讓讀者有所收穫。
第4～14 章介紹「如何學好機器學習」，重點介紹機器學習的各種演算法和調參技巧。
第1章「機器學習是什麼」，從定義開始，詳細介紹機器學習有關的知識、資料和效能度量。
第2章「機器學習可行嗎」，介紹機器具備學習樣本以外的資料的能力。
第3章「機器學習怎麼學」，介紹機器如何選擇出最佳模型。
第4～8章 介紹線性模型，包含線性回歸模型、對率回歸模型、正規化回歸模型、支援向量機模型。
第9～11章 介紹非線性模型，包含單純貝氏模型、決策樹模型、類神經網路模型、正向/反向傳播模型。
第12～14章 介紹整合模型，包含隨機森林模型、提升樹模型、極度梯度提升模型。
第15章 介紹機器學習中的一些非常實用的經驗，包括學習策略、目標設定、誤差分析、偏差和方差分析。
適合讀者群：機器學習初學者、對機器學習感興趣者，或大專院校相關科系學生。
作者簡介：
王聖元
金融風險管理師；特許另類投資分析師。
學習及工作經歷：現任新加坡某金融諮詢公司總監。擁有新加坡國立大學量化金融學士學位和金融數學碩士學位。
自我學習過程：獲得金融風險管理師 (FRM) 和特許另類投資分析師 (CAIA)認證，及 Coursera 頒發的機器學習、深度學習和TensorFlow實戰的認證。
平時堅持寫作，是公眾號「王的機器」的主理人，分享了關於金融工程、機器學習和量化投資的文章。
信念：“Yearning for Learning, Leading by Reading, Distilling by Writing.」（多學多讀多寫，終身渴望學習，通過讀書保持領先，通過寫作用心灌輸。）
作者序
前言
作者寫作本書的目的就是用通俗的文字來說明機器學習，最好通俗得如作者在女兒生日時，寫給她的信：
親愛的欣玥：
從2020 年開始，願你：
■ 學習不要死記硬背，避免過擬合；也不要蜻蜓點水，避免欠擬合。
■ 心態像隨機梯度下降一樣，不要過分注重眼前的利益和一時的得失，進而看不清大局而被假象矇騙。
■ 抉擇像隨機森林一樣，各取所長，集思廣益，這樣你才能做出最正確的決定。
■ 操行像自我調整提升一樣，知錯能改，這樣你才能越來越優秀。
■ 說話像奧卡姆剃刀原理一樣，牢記「少就是多」，當一個好的聆聽者。
■ 脾...
作者寫作本書的目的就是用通俗的文字來說明機器學習，最好通俗得如作者在女兒生日時，寫給她的信：
親愛的欣玥：
從2020 年開始，願你：
■ 學習不要死記硬背，避免過擬合；也不要蜻蜓點水，避免欠擬合。
■ 心態像隨機梯度下降一樣，不要過分注重眼前的利益和一時的得失，進而看不清大局而被假象矇騙。
■ 抉擇像隨機森林一樣，各取所長，集思廣益，這樣你才能做出最正確的決定。
■ 操行像自我調整提升一樣，知錯能改，這樣你才能越來越優秀。
■ 說話像奧卡姆剃刀原理一樣，牢記「少就是多」，當一個好的聆聽者。
■ 脾...
顯示全部內容
目錄
前言
01 | 機器學習是什麼--機器學習定義
1.1 資料
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 | 機器學習可行嗎--計算學習理論
2.1 基礎知識
2.2 核心推導
2.3 結論應用
2.4 歸納
參考資料
技術附錄
03 | 機器學習怎麼學--模型評估選擇
3.1 模型評估
3.2 訓練誤差和測試誤差
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析
3.5 模型選擇
3.6 歸納
參考資料
技術附錄
04 | 線性回歸
4.1 基礎知識
4.2 模型介紹
4.3 歸納
參考資料
05 | 邏輯回歸
5.1 基礎內容
5.2 模型介紹...
01 | 機器學習是什麼--機器學習定義
1.1 資料
1.2 機器學習類別
1.3 效能度量
1.4 歸納
參考資料
02 | 機器學習可行嗎--計算學習理論
2.1 基礎知識
2.2 核心推導
2.3 結論應用
2.4 歸納
參考資料
技術附錄
03 | 機器學習怎麼學--模型評估選擇
3.1 模型評估
3.2 訓練誤差和測試誤差
3.3 驗證誤差和交換驗證誤差
3.4 誤差剖析
3.5 模型選擇
3.6 歸納
參考資料
技術附錄
04 | 線性回歸
4.1 基礎知識
4.2 模型介紹
4.3 歸納
參考資料
05 | 邏輯回歸
5.1 基礎內容
5.2 模型介紹...
顯示全部內容
圖書評論 - 評分：
|
|
