幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習演算法及其應用

  • 作者：編者:吳梅梅|責編:張維官
  • 出版社：機械工業
  • ISBN：9787111654230
  • 出版日期：2020/05/01
  • 裝幀：平裝
  • 頁數：146
人民幣：RMB 58 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著數字音樂內容的迅速增長以及人們對音樂鑒賞需求的日益提升，音樂信息的分類檢索及個性化推薦受到廣大網民和有關從業人員越來越廣泛的關注，並成為研究及應用的新熱點。本書系統地闡述了機器學習中的常用分類與推薦方法，介紹了網路音樂自動分類與推薦的理論基礎。重點探討了SVM和KNN分類演算法的改進，以及協同過濾推薦演算法和基於馬爾可夫模型推薦演算法的改進，並對改進后的演算法應用到音樂自動分類和個性化推薦領域進行了探索性研究。
    本書展現了機器學習常用演算法的原理、改進及應用案例，適合機器學習、數據挖掘及大數據等領域的專業人員閱讀。
作者介紹
編者:吳梅梅|責編:張維官
    吳梅梅（1980-），工學博士，中國傳媒大學數據科學與智能媒體學院副教授，碩士生導師。長期致力於大數據分析、機器學習演算法及網路新媒體技術研究。近年來主持並參與了多項國家級和省部級研究課題，發表過多篇SCI、EI論文，並擁有多項發明專利。
目錄
前言
第1章  機器學習簡介
  1.1  機器學習的概念
  1.2  機器學習的發展
  1.3  機器學習的研究現狀
    1.3.1  傳統機器學習的研究現狀
    1.3.2  大數據環境下機器學習的研究現狀
  1.4  機器學習的分類
    1.4.1  有監督學習
    1.4.2  無監督學習
    1.4.3  半監督學習
    1.4.4  強化學習
  1.5  本章小結
第2章  音樂、數字音樂與網路音樂
  2.1  音樂的藝術形式
  2.2  音樂的產生及發展
  2.3  音樂的要素
  2.4  音樂的存儲與表示
    2.4.1  數字音樂及其特點
    2.4.2  數字音樂文件的特點和格式
  2.5  網路音樂的發展
  2.6  網路音樂的特徵
  2.7  本章小結
第3章  網路音樂的分類與推薦基礎
  3.1  基於內容的音樂信息檢索
    3.1.1  音高與旋律
    3.1.2  音樂節奏
    3.1.3  音樂和聲
  3.2  音樂的分類
    3.2.1  按表達方式分類
    3.2.2  按旋律風格分類
    3.2.3  從音樂的歷史角度分類
    3.2.4  按音樂流派分類
  3.3  網路音樂的自動分類
  3.4  網路音樂推薦演算法綜述
  3.5  本章小結
第4章  機器學習中的分類與推薦演算法
  4.1  樸素貝葉斯
  4.2  決策樹
  4.3  k-近鄰
  4.4  支持向量機
  4.5  人工神經網路
  4.6  基於內容的推薦
  4.7  協同過濾推薦
  4.8  基於馬爾可夫模型的推薦
  4.9  混合推薦
  4.10  推薦演算法評價
  4.11  本章小結
第5章  基於支持向量機的音樂流派分類
  5.1  音樂的數字描述

  5.2  特徵提取
    5.2.1  數據預處理
    5.2.2  聲學特徵量
  5.3  特徵選擇
    5.3.1  Relief F
    5.3.2  順序前進法
    5.3.3  Relief F與SFS相結合的特徵選擇演算法
  5.4  SVM分類器
    5.4.1  線性可分支持向量機
    5.4.2  線性支持向量機
    5.4.3  非線性支持向量機
    5.4.4  數值求解
    5.4.5  Relief F-SFS SVM分類實現
  5.5  實驗結果與分析
    5.5.1  實驗工具
    5.5.2  數據集
    5.5.3  評價標準及驗證方法
    5.5.4  實驗方法
    5.5.5  實驗結果及分析
  5.6  可擴展性分析
  5.7  本章小結
第6章  基於k-近鄰的音樂流派自動分類
  6.1  k-近鄰演算法的理論基礎
    6.1.1  k-近鄰演算法
    6.1.2  k-近鄰演算法模型
  6.2  演算法的實現步驟及複雜度分析
  6.3  DW-KNN演算法
    6.3.1  KNN演算法的改進
    6.3.2  二次加權KNN（DW-KNN）分類演算法
  6.4  實驗結果與分析
    6.4.1  實驗方法
    6.4.2  實驗結果及分析
  6.5  可擴展性分析
  6.6  Relief F-SFS SVM與DW-KNN的對比
  6.7  本章小結
第7章  基於社交網路與協同過濾的音樂推薦
  7.1  協同過濾推薦演算法
    7.1.1  基於用戶的協同過濾推薦演算法
    7.1.2  基於項目的協同過濾推薦演算法
    7.1.3  基於用戶與基於項目的協同過濾推薦演算法比較
    7.1.4  協同過濾中存在的問題
  7.2  SimRank演算法
    7.2.1  SimRank演算法思想
    7.2.2  SimRank演算法流程
  7.3  社交網路的形成機制與表示方法
  7.4  構建用戶的信任集合進行推薦
  7.5  實驗結果及分析
    7.5.1  數據獲取和數據集
    7.5.2  評價指標
    7.5.3  實驗結果分析

  7.6  本章小結
第8章  基於用戶即時興趣的音樂推薦
  8.1  相關研究
  8.2  馬爾可夫模型理論基礎
  8.3  基於用戶即時行為的改進一階馬爾可夫音樂推薦模型
    8.3.1  問題描述
    8.3.2  指數衰減
    8.3.3  指數衰減的馬爾可夫模型
    8.3.4  協同過濾的一階馬爾可夫推薦
  8.4  實驗結果與分析
  8.5  可擴展性分析
  8.6  本章小結
附錄
  附錄A  ReliefF-SFSSVM分類參考代碼
  附錄B  DW-KNN演算法參考代碼
  附錄C  各分類演算法的比較參考代碼
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032