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

機器學習入門(數學原理解析及演算法實踐)/智能系統與技術叢書

  • 作者：董政|責編:趙亮宇
  • 出版社：機械工業
  • ISBN：9787111703440
  • 出版日期：2022/04/01
  • 裝幀：平裝
  • 頁數：212
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書面向人工智慧領域的初學者，比較全面地介紹了機器學習的基本方法，循序漸進地闡述了其中的數學原理，讓讀者能夠知其然，然後知其所以然。全書分為兩部分：第一部分介紹專家系統、決策樹、人工神經元、線性回歸和邏輯斯蒂回歸等內容；第二部分進入人工神經網路，並介紹無監督學習和強化學習等內容。書中結合應用場景，列舉了大量編程實例，幫助讀者開展動手實踐。理論與實踐相輔相成，讓讀者對演算法原理產生更加直觀和感性的認識。
    通過閱讀本書，你將能夠了解：
    機器學習的由來和發展。
    機器學習家族的主要分支。
    機器學習的基本方法及其背後的數學原理。
    人工神經網路及深度學習的基本原理。
    如何將人工智慧相關理論應用於實踐。
作者介紹
董政|責編:趙亮宇
    董政，電腦軟體與理論專業博士，2016年畢業於復旦大學。研究生期間，師從人工智慧學者危輝教授，在上海市智能信息處理重點實驗室的認知模型與演算法課題組從事研究工作，研究方向包括視覺的腦神經機制和電腦建模，以及圖像中的物體形狀識別和定位等，研究成果發表于認知計算和神經網路等領域的期刊。     畢業后，進入微軟亞太科技有限公司雲計算與人工智慧事業部，擔任雲存儲服務組軟體工程師，負責雲服務的自動化監控告警和故障診斷處理，採用專家系統、異常檢測、關聯分析等方法將人工智慧引入雲服務的自動化運維。
目錄
序言
前言
第一部分
  第1章  專家系統
    1.1  早期的專家系統
    1.2  正向推理
    1.3  逆向推理
    1.4  謂詞邏輯
    1.5  專家系統的貢獻和困難
    1.6  動手實踐
      1.6.1  簡化的專家系統
      1.6.2  正向推理
      1.6.3  逆向推理
    參考文獻
  第2章  決策樹
    2.1  分類問題
    2.2  構造決策樹
    2.3  ID3演算法
    2.4  信息熵
    2.5  基尼不純度
    2.6  動手實踐
      2.6.1  計算信息熵
      2.6.2  構造決策樹
      2.6.3  使用scikit-learn軟體包
    參考文獻
  第3章  神經元和感知機
    3.1  生物神經元
    3.2  早期感知機模型
    3.3  現代的模型
    3.4  學習模型參數
      3.4.1  梯度下降法
      3.4.2  Delta法則
    3.5  動手實踐
      3.5.1  實現感知機模型
      3.5.2  識別手寫數字
    參考文獻
  第4章  線性回歸
    4.1  線性回歸概述
    4.2  最小二乘法
    4.3  矩陣形式
    4.4  一般性的回歸問題
    4.5  動手實踐
      4.5.1  實現一維線性回歸
      4.5.2  實現最小二乘法
      4.5.3  使用numpy軟體包
  第5章  邏輯斯蒂回歸和分類器
    5.1  分類問題
    5.2  最大似然估計
    5.3  交叉熵損失函數
    5.4  多類別分類

      5.4.1  多類別邏輯斯蒂回歸
      5.4.2  歸一化指數函數
      5.4.3  交叉熵誤差和均方誤差的比較
    5.5  分類器的決策邊界
    5.6  支持向量機
      5.6.1  支持向量
      5.6.2  拉格朗日乘子法
      5.6.3  非線性分類與核函數
    5.7  動手實踐
      5.7.1  使用邏輯斯蒂回歸
      5.7.2  觀察分類邊界
      5.7.3  使用支持向量機
    參考文獻
第二部分
  第6章  人工神經網路
    6.1  異或問題和多層感知機
    6.2  反向傳播演算法
    6.3  深度神經網路
      6.3.1  生物神經機制的啟示
      6.3.2  解決深度神經網路面臨的問題
    6.4  卷積和池化
      6.4.1  神經連接的局部性
      6.4.2  平移不變性
      6.4.3  卷積處理圖像的效果
      6.4.4  簡單細胞和複雜細胞的仿生學
    6.5  循環神經網路
    6.6  使用PyTorch軟體包
    6.7  動手實踐
      6.7.1  識別手寫數字
      6.7.2  準備訓練數據
      6.7.3  訓練神經網路模型
    6.8  物體檢測
      6.8.1  YOLO模型
      6.8.2  YOLO模型的損失函數
      6.8.3  縮微YOLO模型的網路結構
      6.8.4  實現縮微YOLO模型
      6.8.5  載入模型權值數據
      6.8.6  處理真實圖像
      6.8.7  觀察物體檢測結果
    參考文獻
  第7章  集成學習
    7.1  隨機森林
    7.2  自適應增強演算法AdaBoost
      7.2.1  弱分類器的迭代組合
      7.2.2  AdaBoost演算法的正確性
    7.3  梯度提升演算法
      7.3.1  回顧梯度下降法
      7.3.2  梯度提升演算法的一般描述
      7.3.3  均方誤差的梯度提升演算法
    7.4  偏差和方差

    7.5  動手實踐
      7.5.1  使用pandas軟體包處理數據
      7.5.2  使用集成學習演算法
    參考文獻
  第8章  聚類分析
    8.1  有監督學習和無監督學習
    8.2  K均值聚類
    8.3  距離的度量
    8.4  期望最大化演算法
    8.5  高斯混合模型
    8.6  DBSCAN演算法
    8.7  SOM神經網路
    8.8  動手實踐
      8.8.1  實現K均值聚類演算法
      8.8.2  圖像色彩聚類
      8.8.3  使用scikit-learn軟體包
    參考文獻
  第9章  強化學習
    9.1  馬爾可夫決策過程
    9.2  值函數
    9.3  蒙特卡洛法
    9.4  時間差分法
    9.5  深度值網路DQN
    9.6  動手實踐
      9.6.1  掃地機器人示例
      9.6.2  描述機器人與環境的交互
      9.6.3  實現值函數的神經網路模型
      9.6.4  實現回放記憶
      9.6.5  實現基於時間差分法的訓練過程
      9.6.6  掃地機器人對房間的探索過程
    參考文獻
  第10章  自然語言處理
    10.1  隱馬爾可夫模型
    10.2  維特比演算法
    10.3  詞向量的表示方法
      10.3.1  獨熱表示
      10.3.2  詞嵌入
      10.3.3  統計語言模型
    10.4  循環神經網路
      10.4.1  長短期記憶和門控循環單元
      10.4.2  編碼器-解碼器模型
      10.4.3  注意力機制
    10.5  動手實踐
      10.5.1  英文人名翻譯
      10.5.2  實現編碼器和解碼器
      10.5.3  人名翻譯實驗結果
  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