StatQuest圖解機器學習
作者： （美）喬許‧史塔默
譯者： 錢辰江
出版社：電子工業出版社
出版日期：2025/03/01
頁 數:296
ISBN:9787121497643
編輯推薦
適讀人群 ：零基礎學習統計學和機器學習的讀者
他幫助世界各行各業的人贏得資料科學競賽、通過考試、順利畢業、成功求職或實現晉升，因此被大家譽為「矽谷守護神」。
他獨特的圖文表達形式和幽默的語言風格深受觀眾喜愛。這本《StatQuest圖解機器學習》結合了他創新的視覺呈現方式，深入淺出地闡釋了機器學習的基礎知識和高階知識，是一本輕鬆理解機器學習的「漫畫書」。是我們都愛的StatQuest統計學和機器學習書。
內容簡介
Josh Starmer博士在YouTube帳號「StatQuest」的影片總觀看量突破7500萬次（截至2025年2月統計的數據），他幫助世界各行各業的人贏得數據科學競賽、通過考試、順利畢業、成功求職或實現晉升，因此被大家譽為「矽谷守護神」。他獨特的圖文表達形式和幽默的語言風格深受觀眾喜愛。這本《StatQuest圖解機器學習》結合了他創新的視覺呈現方式，深入淺出地闡釋了機器學習的基礎知識和高階知識，是一本輕鬆理解機器學習的「漫畫書」。
本書前3章著重介紹了機器學習的整體框架和主要思想，從第4章起，介紹了各種機器學習演算法：從基礎的線性回歸（第4章）和邏輯回歸（第6章）到樸素貝葉斯（第7章）和決策樹（第10章），最後介紹了支持向量機（第11章）和神經網路（第12章）。在介紹機器學習演算法的同時，本書也穿插介紹了機器學習的進階知識和實用技巧，如梯度下降法（第5章）、模型效能度量（第8章）和防止過度擬合的正規化方法（第9章）。
作者簡介
Josh Starmer，YouTube熱門頻道「StatQuest with Josh Starmer」的幕後創作者。他以創新的視覺呈現方式和獨特的教學風格，向全世界好奇的人們解釋了統計學、資料科學和機器學習的概念和演算法。 StatQuest幫助全世界各行各業的人贏得數據科學競賽、通過考試、順利畢業、成功求職或實現晉升，因此，Josh被大家譽為“矽谷的守護神”；他也被譽為“統計學的比爾·奈”，因為他以趣味橫生的方式使機器學習這一話題變得引人入勝；還有人讚譽他為“數據的鮑勃·羅斯”，因為他拒絕通過幽默歌曲的炒作。
譯者簡介
錢辰江
美國芝加哥大學統計學碩士，加州大學洛杉磯分校數學經濟學士。目前任職於美國矽谷某網路創業公司，主要從事數據科學相關工作。曾任職於電商互聯網公司Wish和美國銀行，具有紮實的統計理論基礎和豐富的實戰經驗。
潘文皓
美國喬治亞大學統計學博士，研究方向為象徵性資料的聚類分析演算法。目前任職於美國蘋果總部，主要從事數據科學相關的模型開發與研究工作。曾任美國富國銀行量化分析師，負責反詐欺模型的開發、檢測與應用。
目錄
第1章 機器學習的基本概念 001
機器學習：主要思想 002
機器學習分類問題：主要思想 003
機器學習迴歸問題：主要思想 004
機器學習方法的比較：主要思想 005
機器學習的主要想法：總結 010
第2章 交叉驗證法 014
交叉驗證法：主要思想 015
第3章 統計學的基本概念 023
統計學：主要思想 024
直方圖：主要思想 025
機率分佈：主要思想 029
離散機率分佈：主要思想 030
離散機率分佈：總結 040
連續性機率分佈：主要思想 041
常態（高斯）分佈：主要思想1 042
常態（高斯）分佈：主要思想2 043
其他連續性機率分佈：主要想法 047
連續性機率分佈：總結 048
模型：主要思想1 049
模型：主要思想2 050
殘差平方和：主要思想1 051
殘差平方和：主要思想2 052
均方誤差（MSE）：主要思想 054
R2：主要思想 056
p值：主要思想1 061
p值：主要思想2 062
p值：主要思想3 063
p值：主要思想4 064
p值：主要思想5 065
統計學的基本概念：總結 066
第4章 線性迴歸 068
線性迴歸：主要思想 069
擬合線：主要思想 070
線性迴歸的p值與R2：主要思想 072
多元線性迴歸：主要思想 073
第5章 梯度下降法 076
梯度下降法：主要思想 077
隨機梯度下降法：主要思想 097
第6章 邏輯迴歸 101
邏輯迴歸：主要思想1 102
邏輯迴歸：主要思想2 103
邏輯迴歸：主要思想3 104
擬合數據：主要思想1 108
擬合資料：主要思想2 109
擬合數據：主要思想3 110
第7章 樸素貝葉斯 113
樸素貝葉斯：主要思想 114
多項樸素貝葉斯：處理缺失資料 120
多項樸素貝葉斯 vs. 高斯樸素貝葉斯 121
樸素貝葉斯：常見問題1 126
樸素貝葉斯：常見問題2 127
樸素貝葉斯：常見問題3 128
第8章 模型表現量測 129
模型效能衡量：主要思想 130
混淆矩陣：主要思想 131
靈敏度和特異度：主要思想 136
準確率和召回率：主要思想 137
真陽性率和假陽性率：主要想法 139
ROC：主要思想1 140
ROC：主要思想2 141
ROC：主要思想3 142
ROC：主要思想4 143
ROC：主要思想5 144
ROC：主要思想6 145
AUC：主要思想 151
PR曲線：主要思想1 154
PR曲線：主要思想2 155
第9章 防止過擬合的正規化方法 157
正則化：主要思想 158
嶺迴歸/L2正規化：提問與回答 165
第10章 決策樹 176
分類樹與迴歸樹：主要思想 177
分類樹：主要思想 180
建構分類樹：總結 193
回歸樹：主要思想1 195
回歸樹：主要思想2 196
第11章 支援向量機 211
支援向量機：主要思想 212
第12章 神經網路 227
神經網路：主要思想 229
激活函數：主要思想 233
逆傳播：主要思想 246
神經網路：提問與回答 262
附錄 在課堂裡學過但需要溫習的知識 264
附錄A 關於派的機率 265
附錄B 平均值、變異數以及標準差 268
附錄C 計算連續機率分佈機率的計算機命令 273
附錄D 導數的主要思想 277
附錄E 多項式求導公式 280
附錄F 鍊式法則 282
致謝 288
索引 290
機器學習圖解
ISBN13：9787302634645
出版社：清華大學出版社(大陸)
作者：(加)路易斯G.塞拉諾
出版日：2023/07/01
裝訂／頁數：平裝／416頁
規格：24cm*17cm (高/寬)
版次：一版
內容介紹
目前，該領域中將理論與實踐結合、通俗易懂的著作較少。機器學習是人工智慧的一部分，許多初學者往往把機器學習和深度學習作為人工智慧入門的突破口，非科班出身的人士更是如此。目前，國內縱向複合型人才與橫向複合型人才奇缺;具有電腦背景的人才主要還是以傳統人工智慧研究為主，跨學科人才較少。非科班人員在將機器學習應用於自己的研究時，往往對理論理解不透徹，且程式設計能力不足。針對此現象，譯者長期與出版社合作，翻譯了一些經典實用、符合實際需求的著作，藉此幫助人工智慧、機器學習等相關領域的人士(包括非專業人士)使用機器學習解決自己所在領域的問題。
《機器學習圖解》就是這樣的著作!本書作者擁有密西根大學數學博士學位，曾擔任Google和Apple工程師，是機器學習佈道者。本書是他這些年的成果結晶。本書將理論與實務結合，以圖的形式講解機器學習經典演算法。全書共13章。第1章、第2章、第4章主要介紹機器學習基本概念、機器學習類型、最佳化訓練過程。
這對初學者形成機器學習思考習慣非常有益。第3章和第5~12章對9類經典的機器學習演算法進行了系統介紹，包含問題提出、原理解釋、程式碼實作等面向。第13章列舉了真實範例。本書提供了豐富的程式碼和影片資源。建議讀者一邊閱讀本書，一邊動手實踐，調試源碼，並根據自己的實際需要研究問題，閱讀文獻並改進源碼，解決自己的問題。本書可作為本科高年級和研究生教材，面向對編碼有興趣但不擅長數學的讀者(非專業人士)。同時可作為電腦科學學者、企業工程師的參考書。
目錄
第1 章 什麼是機器學習？這是一種常識，特別之處在於由計算機完成 1
1.1 我是否需要掌握大量的數學和程式設計背景知識才能理解機器學習 2
1.2 機器學習究竟是什麼 3
1.3 如何讓機器根據數據做出決策？記憶-制定-預測架構 6
1.4 本章小結 12
第2 章 機器學習類型 15
2.1 標籤資料和無標籤資料的差異 17
2.2 監督式學習：處理標籤資料的機器學習分支 18
2.3 無監督學習：處理無標籤資料的機器學習分支 21
2.4 什麼是強化學習 28
2.5 本章小結 30
2.6 練習 31
第3 章 在點附近畫一條線：線性迴歸 33
3.1 問題：預測房屋的價格 35
3.2 解：建立房價迴歸模型 35
3.3 如何讓計算機繪製出這條線：線性迴歸演算法 41
3.4 如何衡量結果？誤差函數 54
3.5 實際應用：使用Turi Create預測房價 61
3.6 如果資料不在一行怎麼辦？多項式迴歸 63
3.7 參數和超參數 64
3.8 回歸應用 6
3.9 本章小結 66
3.10 練習 66
第4 章 最佳化訓練流程：欠擬合、過擬合、測試和正規化 69
4.1 使用多項式迴歸的欠擬合和過擬合範例 71
4.2 如何讓電腦選擇正確的模型？測試 73
4.3 我們在哪裡打破了黃金法則，如何解決？驗證集 75
4.4 決定模型複雜度的數值方法：模型複雜度圖 76
4.5 避免過擬合的另一種選擇：正規化 77
4.6 使用Turi Create 進行多項式迴歸、檢定和正規化 85
4.7 本章小結 89
4.8 練習 90
第5 章 使用線來分割點: 感知器演算法 93
5.1 問題：我們在一個外星球上，聽不懂外星人的語言 95
5.2 如何確定分類器的好壞？誤差函數 108
5.3 如何找到一個好的分類器？感知器演算法 115
5.4 感知器演算法編程實現 123
5.5 感知器演算法的應用 128
5.6 本章小結 129
5.7 練習 130
第6 章 劃分點的連續方法：邏輯分類器 133
6.1 邏輯分類器：連續版感知器分類器 134
6.2 如何找到一個好的邏輯分類器？邏輯迴歸演算法 144
6.3 對邏輯迴歸演算法進行程式設計 150
6.4 實際應用：使用Turi Create對IMDB 評論進行分類 154
6.5 多分類：softmax 函數 156
6.6 本章小結 157
6.7 練習 158
第7 章 如何衡量分類模型？準確率和其他相關概念 159
7.1 準確率：模型的正確頻率是多少 160
7.2 如何解決準確率問題？定義不同類型的誤差以及如何進行衡量 161
7.3 一個有用的模型評估工具ROC 曲線 170
7.4 本章小結 179
7.5 練習 181
第8 章 使用機率化：樸素貝葉斯模型 183
8.1 生病還是健康？以貝葉斯定理為主角的故事 184
8.2 用例：垃圾郵件偵測模型 188
8.3 使用真實資料建立垃圾郵件偵測模型 201
8.4 本章小結 204
8.5 練習 205
第9 章 透過提問劃分資料：決策樹 207
9.1 問題：需根據使用者可能下載的內容向使用者推薦應用程式 213
9.2 解決方案：建置應用推薦系統 214
9.3 超出「是」或「否」之類的問題 228
9.4 決策樹的圖形邊界 231
9.5 實際應用：使用Scikit-Learn 建立招生模型 234
9.6 用於迴歸的決策樹 238
9.7 應用 241
9.8 本章小結 242
9.9 練習 242
第10 章 組合積木以獲得更多力量：神經網路 245
10.1 以更複雜的外星球為例，開啟神經網路學習 247
10.2 訓練神經網路 258
10.3 Keras 中的神經網路程式設計 264
10.4 用於回歸的神經網路 272
10.5 用於更複雜資料集的其他架構 273
10.6 本章小結 275
10.7 練習 276
第11 章 用風格尋找界限：支援向量機和核心方法 279
11.1 使用新的誤差函數建立更好的分類器 281
11.2 Scikit-Learn 中的SVM程式設計 287
11.3 訓練非線性邊界的SVM：內核方法 289
11.4 本章小結 308
11.5 練習 309
第12 章 組合模型以化結果：整合學習 311
12.1 獲取朋友的協助 312
12.2 bagging：隨機組合弱學習器以建構強學習器 314
12.3 AdaBoost：以智慧方式組合弱學習器以建構強學習器 319
12.4 梯度提升：使用決策樹建構強學習器 327
12.5 XGBoost：一種梯度提升的方法 332
12.6 整合方法的應用 340
12.7 本章小結 341
12.8 練習 341
第13 章 理論付諸實踐：資料工程與機器學習真實範例 343
13.1 泰坦尼克號資料集 344
13.2 清洗資料集：缺失值及其處理方法 348
13.3 特徵工程：在訓練模型之前轉換資料集中的特徵 350
13.4 訓練模型 355
13.5 調整超參數以找到模型：網格搜尋 359
13.6 使用k 折交叉驗證來重複訓練和驗證資料 362
13.7 本章小結 363
13.8 練習 364
以下內容可掃封底二維碼下載
附錄A 習題解答 365
附錄B 梯度下降背後的數學原理：
使用導數和斜率下山 398
附錄C 參考資料 416
.....
閱讀本書，即使讀者只掌握高中數學知識，也能理解並應用強大的機器學習技術！簡單來講，機器學習是一套以演算法為基礎的資料分析技術，當你提供更多數據時，演算法可回饋更好的結果。 ML支援許多尖端技術，如推薦系統、臉部辨識軟體、智慧揚聲器，甚至包括自動駕駛汽車。本書不落窠臼，範例豐富，精選的練習十分有趣，插圖清晰，講解機器學習的核心概念。 《機器學習圖解》以簡潔易懂的方式介紹機器學習的演算法與技術。本書不談深奧的術語，只透過基本代數知識提供清楚的解釋。你將使用Python建立有趣的項目，包括垃圾郵件偵測和影像辨識模型；也將學習一些實用技能，以清理和準備資料。 ? 分類和劃分資料的監督演算法 ? 清理和簡化資料的方法 ? 機器學習套件和工具 ? 複雜資料集的神經網路和整合方法 讀者閱讀本書前，**了解Python基礎知識，不必了解機器學習知識。
