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

機器學習與深度學習(Python版微課視頻版全國高等學校電腦教育研究會十四五規劃教材)/大數據與人工智慧技術叢書

  • 作者：王衡軍|責編:王冰飛
  • 出版社：清華大學
  • ISBN：9787302606659
  • 出版日期：2022/07/01
  • 裝幀：平裝
  • 頁數：309
人民幣：RMB 69.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以任務為導向，討論了機器學習和深度學習的主要問題，包括聚類、回歸、分類、標注、降維、特徵工程、超參數調優、序列決等（強化學習）和對抗攻擊等，書中對上述每個問題，分別從決策函數類模型、概率類模型和神經網路類模型三個角度來討論具體的實現演算法。
    本書在內容上兼顧基礎知識和應田立踐總體上，以基本理論知識為主線，逐步展開，從概念入手，逐步討論演算法思想，著重考慮知識的關聯性，最後落實到機器學習擴展庫和深度學習框架的具體應用。具體到每個模型，採用以示例入手、逐漸深入的方式，盡量給出詳盡的分析或推導。
    本書的特點是主要通過示例來討論相關模型，適合初學者入門使用。本書示例代碼採用Python 3程序設計語言編寫。傳統機器學習演算法的應用示例主要以Scikit-Learn機器學習擴展庫來實現，隱馬爾可夫模型示例用hmmlearn擴展庫來實現，條件隨機場模型示例用CRF++工具來實現。深度學習演算法的示例採用TensorFlow 2框架和MindSpore框架來實現。
    本書適合電腦、人工智慧及相關專業的學生使用，對於相關技術研究人員也有參考價值。
作者介紹
王衡軍|責編:王冰飛
目錄
第1章  安裝環境與語言、框架概要
  1.1  安裝環境
    1.1.1  幾個重要的概念
    1.1.2  安裝Anaconda
    1.1.3  開發環境
  1.2  Python語言相關概念
    1.2.1  程序設計語言
    1.2.2  面向過程與面向對象程序設計方法
    1.2.3  平台無關性和解釋型語言
  1.3  Python 3語法概要
    1.3.1  基礎語法
    1.3.2  數據類型與運算符
    1.3.3  函數
    1.3.4  類和對象
    1.3.5  流程式控制制
    1.3.6  常用擴展庫
  1.4  Python初步應用示例——迭代法
  1.5  TensorFlow 2和MindSpore深度學習框架概要
  1.6  習題
第2章  基礎知識
  2.1  機器學習與深度學習
  2.2  機器學習應用流程
  2.3  機器學習演算法概要
    2.3.1  機器學習演算法術語
    2.3.2  機器學習模型實現演算法分類
  2.4  本書內容安排
第3章  聚類與降維
  3.1  均值聚類演算法
  3.2  聚類演算法基礎
    3.2.1  聚類任務
    3.2.2  聚類演算法評價指標
  3.3  PCA降維演算法
  3.4  劃分聚類、密度聚類和模型聚類演算法
  3.5  層次聚類演算法
  3.6  Mean Shift演算法及其在圖像分割中的應用示例
  3.7  習題
第4章  回歸與多層神經網路
  4.1  回歸任務、評價與線性回歸
    4.1.1  回歸任務
    4.1.2  線性回歸與回歸評價指標
  4.2  梯度下降法
    4.2.1  基本思想及其在MindSpore和TensorFlow 2框架中的實現
    4.2.2  梯度下降法求解線性回歸問題
    4.2.3  隨機梯度下降和批梯度下降
  4.3  決策函數回歸模型
    4.3.1  多項式回歸
    4.3.2  局部回歸
  4.4  過擬合及其抑制
    4.4.1  欠擬合、過擬合與泛化能力
    4.4.2  過擬合的抑制方法

  4.5  多層神經網路與回歸
    4.5.1  全連接層與線性回歸及其在MindSpore和TensorFlow 2框架中的實現
    4.5.2  全連接層神經網路與非線性回歸及其在MindSpore和TensorFlow 2框架中的實現
    4.5.3  神經網路中的過擬合及其抑制
  4.6  習題
第5章  分類與卷積神經網路
  5.1  分類演算法基礎
    5.1.1  分類任務
    5.1.2  分類模型的評價指標
  5.2  決策樹與隨機森林
    5.2.1  決策樹基本思想
    5.2.2  決策樹建立與應用
    5.2.3  隨機森林
  5.3  樸素貝葉斯分類
  5.4  神經網路與分類任務
    5.4.1  誤差反向傳播學習演算法
    5.4.2  神經網路常用激活函數、損失函數和優化方法
    5.4.3  局部收斂與梯度消散
  5.5  卷積神經網路
    5.5.1  卷積神經網路示例
    5.5.2  卷積層
    5.5.3  池化層和Flatten層
    5.5.4  批標準化層
    5.5.5  典型卷積神經網路
  5.6  習題
第6章  標注與循環神經網路
  6.1  標注任務與序列問題
  6.2  隱馬爾可夫模型
    6.2.1  基本思想
    6.2.2  隱馬爾可夫模型中文分詞應用示例
  6.3  條件隨機場模型
    6.3.1  基本思想
    6.3.2  條件隨機場中文分詞應用示例
  6.4  循環神經網路
    6.4.1  基本單元
    6.4.2  網路結構
    6.4.3  長短時記憶網路
    6.4.4  雙向循環神經網路和深度循環神經網路
    6.4.5  循環神經網路中文分詞應用示例
  6.5  習題
第7章  特徵工程與超參數調優及綜合實例
  7.1  特徵工程
    7.1.1  數據總體分析
    7.1.2  數據可視化
    7.1.3  數據預處理
    7.1.4  特徵選擇
  7.2  超參數調優
  7.3  特徵工程、建模與調優綜合實例
    7.3.1  房價回歸
    7.3.2  電信用戶流失分類

  7.4  文本特徵
    7.4.1  文本特徵提取及文本向量化
    7.4.2  文本相似度比較示例
  7.5  習題
第8章  強化學習
  8.1  強化學習基礎
    8.1.1  冰湖問題與強化學習基本概念
    8.1.2  馬爾可夫決策過程
    8.1.3  蒙特卡羅近似
    8.1.4  利用與探索
    8.1.5  強化學習演算法分類
  8.2  值函數可計算的強化學習方法
    8.2.1  動態規劃法
    8.2.2  蒙特卡羅法
    8.2.3  時序差分法
  8.3  深度強化學習
    8.3.1  值函數逼近
    8.3.2  DQN與倒立擺控制問題
    8.3.3  參數化策略並直接優化示例
    8.3.4  策略梯度法
  8.4  習題
第9章  對抗樣本
  9.1  對抗樣本與對抗攻擊
  9.2  白盒攻擊
    9.2.1  FGM演算法
    9.2.2  FGSM演算法
    9.2.3  DeepFool演算法
  9.3  黑盒攻擊
    9.3.1  遷移攻擊
    9.3.2  通用對抗擾動
  9.4  習題
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