新書推薦：
《
全彩速学低压电气电路
》
售價：HK$
74.8
《
布衣壶宗：顾景舟传 一位天匠，一把壶，一生清景，一代宗师。致敬顾景舟诞辰110周年 顾景舟WEI一正
》
售價：HK$
118.8
《
非虚构写作课：每个人物都栩栩如生
》
售價：HK$
53.9
《
治城与治国：组织研究视角下的中国城市治理
》
售價：HK$
118.8
《
张爱玲 我的后半生 纪念张爱玲逝世30周年
》
售價：HK$
75.9
《
大局观：真实世界中的经济学思维
》
售價：HK$
97.9
《
鸟类图典
》
售價：HK$
43.8
《
古典与文明·《周官》之制与大一统
》
售價：HK$
86.9
|
| 編輯推薦： |
这是一本系统而精要的入门指南，深入浅出地揭示了机器学习如何成为当今数字智能时代的“隐形引擎”。从Netflix的推荐算法、Siri的语音识别，到自动驾驶和医疗诊断，机器学习正悄然重塑我们的生活。本书不仅清晰阐释了机器如何从数据中“学习”并做出决策，更以全局视角勾勒出其技术全貌：
从基础到前沿：涵盖监督学习、无监督学习、强化学习等核心学习范式，深入讲解神经网络与深度学习的原理与突破。
从理论到现实：结合二手车估价、垃圾邮件过滤、AlphaGo等丰富案例，生动展示机器学习在视觉、语言、游戏等领域的实际应用。
从技术到伦理：全新探讨数据隐私、算法公平、系统透明度、责任归属等社会性议题，直面技术发展中的挑战与风险。
从当下到未来：展望机器学习在边缘计算、自动驾驶、太空探索等领域的潜力，并思考其与人类社会共生的未来路径。
作者以深厚的学术功底与清晰的叙述风格，为初学者与从业者构建了一个既坚实又开放的知识框架。本书不仅是理解机器学习基本原理的理想读物，更是思考智能技术如何负责任地融入世界的必读之作。
|
| 內容簡介： |
当今世界，从流媒体的精准推荐到手机的语音助手，再到自动驾驶和医学诊断，其背后共同的核心技术正是机器学习——这门让计算机从数据中自主学习规律并做出决策的学科。埃塞姆·阿培丁的这本经典著作为读者系统解析了这项复杂技术，清晰地阐释了机器如何实现识别、预测乃至洞察数据中隐藏模式的基本原理。來源：香港大書城megBookStore,http://www.megbook.com.hk
本书以清晰的脉络引导读者纵览机器学习的核心版图，涵盖了从基础算法到神经网络与深度学习的关键内容。全新修订版更特别探讨了隐私保护、安全性、责任归属与算法偏见等当下至关重要的挑战。作者以其全面的视野、精炼的表述和前瞻的思考，为初学者和从业者构建了一个坚实而清晰的知识框架。
|
| 關於作者： |
【作者介绍】
埃塞姆·阿培丁，土耳其安兹耶因大学计算机工程学院教授，伊斯坦布尔科学院院士。他是机器学习与模式识别领域的国际知名学者，拥有深厚的学术造诣和丰富的教学经验，具备卓越的阐释能力，善于将复杂的技术概念转化为清晰而严谨的叙述，其著作被全球读者视为进入该领域的权威指南。其著作《机器学习导论》（Introduction to Machine Learning）是一部广受推崇的经典教材，目前已更新至第四版。
【译者介绍】
王秀慧，英国爱丁堡大学计算机专业硕士，现任职于美国加州硅谷一家科技公司，担任人工智能应用开发团队的负责人。拥有丰富的计算机教学经验，擅长将复杂的知识点做深入浅出的讲
解。
|
| 目錄：
|
序言
第一章 我们为什么关注机器学习
第二章 机器学习、统计学和数据分析
第三章 模式识别
第四章 神经网络与深度学习
第五章 学习集群和推荐系统
第六章 学会采取行动
第七章 挑战与风险
第八章 我们该何去何从
术语表
注释
参考文献
拓展阅读
索引
|
| 內容試閱：
|
序言
2019 年 11 月，韩国围棋大师李世石宣布，在24年的职业生涯后，他将退出职业围棋比赛。2016年，他与一个名为“AlphaGo”（阿尔法围棋）的计算机程序进行了一场五局对决，最终以1∶4落败。此后，AlphaGo后续的版本变得更加强大，以至于李世石在宣布退役时坦言：“随着人工智能在围棋比赛中的出现，我意识到，即使倾尽全力成为世界第一，我也并非真的天下无敌。因为仍有一个无法战胜的存在。”
长期以来，人们一直认为，围棋这一古老的策略游戏超出了人工智能的能力范围。1997年，当国际象棋程序Deep Blue（深蓝）击败了当时的世界冠军加里·卡斯帕罗夫（Garry Kasparov）时，研究人员预估，围棋领域要实现同样的突破还需要一代人的时间。因为国际象棋的棋盘是8×8的，而围棋棋盘是19×19的——更大的棋盘意味着更庞大的落子可能性，因此围棋的变化要远多于国际象棋，这就对对弈程序的处理能力构成了更大的挑战。
Deep Blue 和 AlphaGo 的关键区别在于从编程实现到机器学习的转变。Deep Blue依赖人类专家把对弈策略编写进程序，使其尽可能下出最佳的棋步，而AlphaGo则是通过进行大量对弈，并利用这些经验自我进化来学会下棋，它会倾向于选择那些能够最终获胜的走法和策略，同时摒弃那些导致失败的走法。
如何进行这样的自我学习，正是本书探讨的主题。我们将会看到，在众多领域中，学习型系统都带来了意想不到的突飞猛进的能力，而棋类游戏只是其中之一。在过去20年里，通过使用拥有学习能力的系统，我们看到了各种应用的准确性都得到了巨大提升，也成功实现了商业化。现在，我们拥有了能够识别人脸、理解语音、推荐电影、翻译文本，甚至驾驶汽车的程序——这一切都是机器学习带来的。
曾经，当我们要解决一个问题，必须由程序员想出一种解决它的方法，即需要执行的一系列操作，这也被称为算法。随后，程序员会使用编程语言把算法编写成程序，并在计算机上执行。而学习型程序则不同，程序员通过指定如何利用（通过经验收集的）数据来更新程序以提高性能，程序的最终形式是由数据决定的。
在传统通过编程实现的系统中，程序员在编写程序时，就预知系统在不同情况下该如何行动。程序本身并没有智慧，它只是被预先设定的固定流程，是一台复制了程序员智慧的机器而已。所以它只能做程序员会做的事，唯一的优势可能就是速度，本质上它不过是一个计算器而已。
然而，在学习型系统中，系统在不同情况下的行为是学习程序与数据交互的结果，我们将会看到，最终系统的智能程度在很大程度上依赖于数据的数量和质量（即数据是否全面覆盖了所有可能的场景）。在这种情况下，程序员在编写程序时，是无法预知训练后的程序将如何行动的，因此可以说，这些通过数据自我学习得到的程序所获得的智能往往超出程序员的预知范围，真正实现了智能跃迁。
回顾过去，学习型程序AlphaGo击败李世石便不足为奇。AlphaGo 研习过（并从中学习）的棋局数远超任何人类棋手毕生所及。同样，医生只能从自己的病人那里获得经验；而一个学习型医疗诊断系统可以利用成千上万名医生收集的病例进行训练。类似的还有，一辆学习自动驾驶的汽车可以利用比最有经验的老司机一生中所能遇到的更多、更丰富的场景进行训练。这就是收集大数据的威力所在，我们通过分析它去获得知识。
当然，从数据中学习并不是什么新鲜事，它一直是科学的核心。过去，伽利略、开普勒等科学家通过设计实验进行观察并收集数据，然后根据数据总结出定律。在医学领域，许多疾病的治疗方法也是通过收集患者信息并分析其共性和差异而发现的。但如今，实现从数据到知识的自动化转化，已成为我们的必然需求，因为我们所面对的数据量空前庞大，所涉及的应用领域也更加广泛。
自20世纪中叶计算机问世以来，我们的生活日益计算机化和数字化。计算机再也不仅仅是曾经的计算器了。数据库和数字媒体已经取代纸质印刷，成为信息存储的主要媒介，而计算机网络上的数字通信也取代了邮政，成为信息传递的主要方式。从最初的个人电脑及其易于操作的图形界面，到随后的手机和其他智能设备，计算机已无处不在，成为像电视机或微波炉一样家庭的电器。如今，包括数字、文本及图像、视频、音频等在内的各种信息都被存储、处理，并借助网络连接以数字的方式传输。所有这些数字处理过程都会产生大量数据，而正是这种数据的激增，引发了人们对数据分析和机器学习的广泛兴趣。
自20世纪50年代以来，尽管我们已经进行了数十年的研究，在从视觉到语音、从翻译到机器人技术的许多应用领域，传统算法始终难有突破。然而，对于所有这些任务，收集数据却相对容易。因此，当下的思路是从数据中自动学习这些算法，用学习型程序取代程序员。这正是机器学习的独特之处。过去20 年里，不仅数据规模大幅扩充，在如何将数据转化为知识方面，机器学习理论也取得了显著进展。
……
本书的内容组织如下：
第一章，首先简要探讨计算机科学的发展历程及其应用。这对于理解当前促使人们对机器学习产生兴趣的时局至关重要——数字技术如何从处理大量数据的巨型计算机发展到桌面个人电脑，再到如今可以联网和移动的智能设备。这一章揭示了为何我们如今拥有如此海量的数据。
第二章，介绍机器学习的基础知识，并通过一些简单应用讨论它与模型拟合及统计学之间的关联。
大多数机器学习算法都属于监督学习的范畴，在第三章中，我们将探讨这类算法如何应用于模式识别，比如人脸和语音识别。
第四章，聚焦于人工神经网络，它受人类大脑的启发而来。本章阐述它们是如何学习的，以及多层网络是怎样“深度地”在各个抽象层上学习层次结构的。
另一种机器学习类型是无监督学习，其目标是学习并找出实例间的关联。在第五章中，我们将探讨一些流行的应用，比如客户分类和学习推荐系统。
第六章，讨论强化学习，自主智能体（比如一辆自动驾驶的汽车）通过它可以学习在环境中采取行动以最大化奖励并最小化惩罚。
与所有新技术一样，从我们开始在现实世界中使用机器学习起，就要面临随之而来的挑战与风险。因此，新版增加了第七章，专门讨论自2016年首版问世以来日益重要的议题。这些议题包括自动化决策的伦理与法律影响、对数据隐私与安全的担忧、训练数据中可能存在的偏见、解释性的需求，以及其他相关问题。
第八章作为总结，探讨了未来的一些发展方向以及新近提出的数据科学领域，该领域同样涵盖了高性能云计算。
本书旨在快速介绍当前机器学习领域的最新进展，我期望能激发读者的兴趣——未来可以就此做些什么。机器学习无疑是当今最激动人心的科学领域之一，它推动了多个技术领域的进步，并已催生出一系列影响深远的、触及生活方方面面的应用。我非常享受撰写此书的过程，也希望您能享受阅读它的乐趣！
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
