前言
写作背景
我多年前参加了“百度深度学习公开课·杭州站”的活动,当时做了一个主题为“深度学习
模型设计经验分享”的演讲,现场效果非常好,后来萌发了写机器学习算法的想法。于是我将
一些工作内容进行沉淀总结,便形成了本书。
本书内容
本书主要对算法的原理进行了介绍,并融合大量的应用案例,详细介绍使用机器学习模型
的一般方法,帮助读者理解算法原理,学会模型设计。
本书首先介绍数据理解、数据的处理与特征,帮助读者认识数据;然后从宏观、系统的角
度介绍机器学习算法分类、一般学习规则及机器学习的基础应用;接着根据项目研发的流程,
详细介绍了模型选择和结构设计、目标函数设计、模型训练过程设计、模型效果的评估与验证、
计算性能与模型加速;最后通过多个应用案例帮助读者加强对前面知识点的理解。
读者对象
对数据分析、算法及机器学习领域感兴趣的开发者;
对人工智能产品、算法方案设计有不同层次需求的技术管理者;
软件工程或计算机相关专业的在校学生。
本书特色
本书紧密结合一线开发者的项目应用经验,对当前机器学习的各类算法原理进行了介绍,
以方法论的形式连接原理和实践,指导读者设计机器学习模型。
本书结构
本书内容由浅入深,以宏观认识为基础,逐步深入算法体系、算法细节,全书共分为10
章,具体内容如下。
第1 章从宏观的角度介绍人工智能相关基础知识、机器学习的技术发展史,以及机器学习
在计算机视觉、自然语言处理、语音识别等领域的发展历程,有助于读者了解宏观背景。
第2 章重点介绍了数据的三个基本维度、统计推论的基本方法,以及数据分析中的一些关
键技术点和可视化,帮助读者建立数据理解的思维。
第3 章从数据处理与特征的角度重点介绍了数据的处理方法,以及数据的特征缩放和特征
编码、图像的特征分析等,并对数据降维进行了深入介绍。
第4 章重点对机器学习的理论基础进行介绍,并结合了应用辅助增强对机器学习理论基础
的认识,包括机器学习的体系框架、一般学习规则等。
第5 章重点介绍了模型选择和结构设计,对机器学习、深度学习中的经典模型进行了介绍,
并详细介绍了模型的设计方向、设计技巧等。
第6 章重点介绍了目标函数中的设计,包括各应用场景中常见的损失函数,以及设计的原
则,并详细介绍了梯度下降法和牛顿法的目标求解过程。
第7 章重点介绍了模型训练过程中的设计,包括数据选择、参数初始化、模型拟合状态、
学习速率设定等,并结合迁移学习和分布式训练对模型训练的过程进行了介绍。
第8 章从模型效果的角度分别对分类算法、聚类算法、回归算法等常见的效果评估指标进
行了介绍,并通过交叉验证对模型效果进行评估,还从计算和数据的角度介绍了模型的稳定性。
第9 章从算法应用落地的角度,重点介绍了计算性能和模型加速,包括计算平台的性能指
标、模型的计算性能指标,以及模型的压缩与裁剪。
第10 章通过数据准备、模型设计等关键环节,重点介绍了二元一次方程的数据拟合案例、
鸢尾花的数据分类及聚类案例、形体识别的综合性案例。
由于时间仓促及水平有限,书中难免存在不足之处,恳请广大读者批评指正,可以通过邮
箱(fanpingliu@live.com)联系我,谢谢!
致谢
感谢身边志同道合的同学、朋友、同事和曾经对我严厉要求的老师们,每次向他们请教学
习、探讨交流,都能让我从不同角度看到新的观点。
衷心感谢我的家人,感谢他们在过去的时间里对我的理解和支持,为我营造了一个良好的
写作环境,并鼓励我坚持认真写作,使得本书能够顺利编写完成。
在本书编写过程中得到了很多朋友的支持和帮助,限于篇幅,虽然不能一一对他们表示感
谢,但是对他们同样心怀感激。
最后,感谢这个时代,给予每一个有理想的人赋予实现人生价值的机会!望不负自己,不
负韶华!
刘凡平