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

機器學習演算法框架實戰(Java和Python實現)

  • 作者：編者:麥嘉銘|責編:李華君
  • 出版社：機械工業
  • ISBN：9787111659754
  • 出版日期：2020/07/01
  • 裝幀：平裝
  • 頁數：203
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    隨著互聯網技術的飛速發展，全球逐漸步入大數據時代，智能化的趨勢越來越明顯，各行各業幾乎都喊出了智能化的口號。機器學習作為人工智慧的一個重要研究方向，在一定程度上成為IT人才的必要技能。本書以一個自研機器學習演算法框架的構建為主線，首先介紹了機器學習的相關概念和背景，然後按照代數矩陣運算層、最優化方法層、演算法模型層和業務功能層的分層順序對演算法框架展開講述，旨在通過理論和實踐相結合的方式，幫助廣大零演算法基礎的開發人員了解和掌握一定的演算法能力，同時也為演算法設計人員提供工程實踐中的參考範例。
    本書實用性強，適合零演算法基礎的開發人員閱讀，也適合具備一定演算法能力且希望在工程實踐中有所借鑒的工程技術人員閱讀。另外，本書還適合作為演算法設計人員及機器學習演算法愛好者的參考書。
作者介紹
編者:麥嘉銘|責編:李華君
    麥嘉銘，前阿里巴巴高級開發工程師，現BIGO公司大數據高級開發工程師。曾先後于中國科學院、新加坡先進數字科學中心訪學交流，發表過多篇國際SCI期刊論文，擁有豐富的演算法及工程方面的項目開發經驗。
目錄
前言
第1篇  緒論
  第1章  背景
    1.1  機器學習的概念
    1.2  機器學習所解決的問題
      1.2.1  有監督學習問題
      1.2.2  無監督學習
    1.3  如何選擇機器學習演算法
    1.4  習題
  第2章  機器學習演算法框架概要
    2.1  演算法框架的分層模型
    2.2  分層模型中各層級的職責
    2.3  開始搭建框架的準備工作
      2.3.1  使用Java開發的準備工作
      2.3.2  使用Python開發的準備工作
第2篇  代數矩陣運算層
  第3章  矩陣運算庫
    3.1  矩陣運算庫概述
    3.2  矩陣基本運算的實現
      3.2.1  矩陣的數據結構
      3.2.2  矩陣的加法和減法
      3.2.3  矩陣的乘法和點乘
      3.2.4  矩陣的轉置
    3.3  矩陣的其他操作
      3.2.1  生成單位矩陣
      3.3.2  矩陣的複製
      3.3.3  矩陣的合併
    3.4  習題
  第4章  矩陣相關函數的實現
    4.1  常用函數
      4.1.1  協方差函數
      4.1.2  均值函數
      4.1.3  歸一化函數
      4.1.4  最大值函數
      4.1.5  最小值函數
    4.2  行列式函數
    4.3  矩陣求逆函數
    4.4  矩陣特徵值和特徵向量函數
    4.5  矩陣正交化函數
      4.5.1  向量單位化
      4.5.2  矩陣正交化
    4.6  習題
第3篇  最優化方法層
  第5章  最速下降優化器
    5.1  最速下降優化方法概述
      5.1.1  模型參數優化的目標
      5.1.2  最速下降優化方法
    5.2  最速下降優化器的實現
      5.2.1  參數優化器的介面設計
      5.2.2  最速下降優化器的具體實現

    5.3  一個目標函數的優化例子
      5.3.1  單元測試示例：偏導數的計算
      5.3.2  單元測試示例：目標函數的參數優化
    5.4  習題
  第6章  遺傳演算法優化器
    6.1  遺傳演算法概述
      6.1.1  遺傳演算法的目標
      6.1.2  遺傳演算法的基本過程
    6.2  遺傳演算法優化器的實現
      6.2.1  遺傳演算法優化器主體流程的實現
      6.2.2  遺傳演算法優化器各運算元的實現
    6.3  一個目標函數的優化例子
    6.4  習題
第4篇  演算法模型層
  第7章  分類和回歸模型
    7.1  分類和回歸模型概述
    7.2  基礎回歸模型
      7.2.1  線性回歸模型
      7.2.2  對數回歸模型
      7.2.3  指數回歸模型
      7.2.4  冪函數回歸模型
      7.2.5  多項式回歸模型
    7.3  分類回歸分析的例子
      7.3.1  示例：驗證對數回歸模型
      7.3.2  示例：對比不同模型
    7.4  習題
  第8章  多層神經網路模型
    8.1  多層神經網路模型概述
      8.1.1  網路模型的表達形式
      8.1.2  前饋運算
      8.1.3  反向傳播
    8.2  多層神經網路模型的實現
    8.3  多層神經網路模型示例
    8.4  習題
  第9章  聚類模型
    9.1  K-means模型
      9.1.1  K-means聚類模型概述
      9.1.2  K-means模型的實現
      9.1.3  示例：一個聚類的例子
    9.2  GMM
      9.2.1  從一維高斯函數到多維高斯函數
      9.2.2  GMM概述
      9.2.3  GMM的實現
      9.2.4  示例：對比K-means模型
    9.3  習題
  第10章  時間序列模型
    10.1  指數平滑模型
      10.1.1  移動平均模型
      10.1.2  一次指數平滑模型
      10.1.3  二次指數平滑模型

    10.2  Holt-Winters模型
      10.2.1  Holt-Winters模型概述
      10.2.2  Holt-Winters模型的實現
      10.2.3  示例：時間序列的預測
    10.3  習題
  第11章  降維和特徵提取
    11.1  降維的目的
    11.2  主成分分析模型
      11.2.1  主成分分析方法概述
      11.2.2  主成分分析模型的實現
      11.2.3  示例：降維提取主要特徵
    11.3  自動編碼機模型
      11.3.1  非線性的主成分分析
      11.3.2  自動編碼機原理概述
      11.3.3  自動編碼機模型的實現
      11.3.4  示例：對比主成分分析
    11.4  習題
第5篇  業務功能層
  第12章  時間序列異常檢測
    12.1  時間序列異常檢測的應用場景
    12.2  時間序列異常檢測的基本原理
      12.2.1  基於預測的時間序列異常檢測
      12.2.2  閾值的估計
    12.3  時間序列異常檢測功能服務的實現
    12.4  應用實例：找出數據中的異常記錄
    12.5  習題
  第13章  離群點檢測
    13.1  離群點檢測的應用場景
    13.2  離群點檢測的基本原理
      13.2.1  基於多維高斯函數檢測離群點
      13.2.2  數據的有效降維
    13.3  離群點檢測功能服務的實現
    13.4  應用實例：找出數據中的異常記錄
    13.5  習題
  第14章  趨勢線擬合
    14.1  趨勢線擬合的應用場景
    14.2  趨勢線擬合的基本原理
      14.2.1  基於不同基礎回歸模型的擬合
      14.2.2  選取合適的回歸模型
    14.3  趨勢線擬合功能服務的實現
    14.4  應用實例：對樣本數據進行趨勢線擬合
    14.5  習題

  • 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