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

機器學習及其Python實踐(微課視頻版慕課版全國高等院校電腦教育研究會十四五規劃教材)/清華科技大講堂叢書

  • 作者：編者:闞道宏|責編:付弘宇//張愛華
  • 出版社：清華大學
  • ISBN：9787302604068
  • 出版日期：2022/08/01
  • 裝幀：平裝
  • 頁數：393
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書面向研究型開發與創新能力培養，重點講解機器學習的基本原理和前沿思想。Python是開展機器學習編程實踐的主流語言，本書為常用的機器學習模型提供了完整的Python實現代碼。本書在「學堂在線」網站同步開設配套慕課課程，供讀者免費學習。
    本書可作為高等學校相關專業「機器學習」「統計學習」等課程的教材，也可作為有一定基礎的讀者的自學參考書。
作者介紹
編者:闞道宏|責編:付弘宇//張愛華
目錄
第1章  機器學習導論
  1.1  測算房價的數學模型
    1.1.1  通過樣本確定模型參數
    1.1.2  為機器學習模型編寫程序
  1.2  隨機模型及其學習演算法
    1.2.1  最小二乘法
    1.2.2  極大似然估計
    1.2.3  回歸分析方法
  1.3  隨機變數與數學語言
    1.3.1  隨機變數
    1.3.2  隨機變數應用舉例
    1.3.3  數學語言
  1.4  更加複雜的數學模型
    1.4.1  數學形式未知的模型
    1.4.2  多元模型
    1.4.3  用矩陣描述問題及演算法過程
  1.5  機器學習問題
  1.6  本章習題
第2章  回歸分析
  2.1  編程環境與數據集
  2.2  數據集載入與預處理
    2.2.1  載入並瀏覽數據集
    2.2.2  缺失值與重複值
    2.2.3  特徵選擇
    2.2.4  非數值型特徵的編碼
    2.2.5  數值型特徵的標準化
  2.3  模型訓練與評價
    2.3.1  訓練集與測試集
    2.3.2  模型訓練與梯度下降法
    2.3.3  模型評價與k折交叉驗證
  2.4  正則化
    2.4.1  正則化方法
    2.4.2  嶺回歸與超參數調優
    2.4.3  LASSO回歸與坐標下降法
  2.5  非線性回歸
    2.5.1  換元法
    2.5.2  邏輯斯諦回歸
  2.6  本章習題
第3章  分類問題
  3.1  貝葉斯分類器
    3.1.1  貝葉斯決策
    3.1.2  樸素貝葉斯與參數估計
    3.1.3  邏輯斯諦回歸與牛頓法
  3.2  非貝葉斯分類器
    3.2.1  k近鄰分類器與距離度量
    3.2.2  線性判別分析與特徵空間
    3.2.3  決策樹
  3.3  多分類問題與分類模型評價
    3.3.1  二分類與多分類
    3.3.2  分類模型的評價指標

    3.3.3  P-R曲線與ROC曲線
  3.4  特徵降維
    3.4.1  線性代數基礎
    3.4.2  主成分分析
    3.4.3  線性判別分析
    3.4.4  非線性降維
  3.5  本章習題
第4章  統計學習理論與支持向量機
  4.1  統計學習理論
    4.1.1  學習問題與ERM歸納原則
    4.1.2  ERM歸納原則一致性的充要條件
    4.1.3  泛化誤差上界與PAC可學習
    4.1.4  兩種機器學習的歸納原則
  4.2  線性可分支持向量機
    4.2.1  最優分類超平面與支持向量
    4.2.2  拉格朗日乘子法與對偶問題
    4.2.3  最優分類超平面求解演算法
  4.3  非線性可分的支持向量機
    4.3.1  線性支持向量機
    4.3.2  非線性支持向量機
  4.4  SVM分類器及其Python實現
  4.5  本章習題
第5章  聚類問題
  5.1  聚類問題的提出
    5.1.1  分類問題概述
    5.1.2  聚類問題概述
    5.1.3  混合概率模型及其參數估計問題
  5.2  EM演算法
    5.2.1  EM演算法原理
    5.2.2  高斯混合模型
    5.2.3  三硬幣模型
  5.3  k均值聚類
    5.3.1  k均值聚類演算法
    5.3.2  關於k均值聚類的討論
    5.3.3  使用scikit-learn庫中的k均值聚類模型
  5.4  密度聚類DBSCAN
    5.4.1  DBSCAN聚類術語
    5.4.2  DBsCAN聚類演算法
    5.4.3  使用scikit-learn庫中的DBSCAN聚類演算法
  5.5  向量量化
    5.5.1  向量量化問題
    5.5.2  LBG-VQ演算法
  5.6  本章習題
第6章  概率圖模型與概率推理
  6.1  貝葉斯網
    6.1.1  聯合概率分佈及其推理
    6.1.2  貝葉斯網概述
    6.1.3  貝葉斯網的推理
  6.2  MCMC演算法基礎
    6.2.1  蒙特卡洛模擬

    6.2.2  貝葉斯網的近似推理
    6.2.3  馬爾可夫鏈
    6.2.4  隨機向量的馬爾可夫鏈
  6.3  MCMC演算法家族
    6.3.1  MCMC採樣演算法
    6.3.2  MCMC最優化演算法
    6.3.3  MCMC互評演算法
  6.4  隱馬爾可夫模型
    6.4.1  HMM的形式化表示及其三個基本問題
    6.4.2  HMM的三個基本演算法
    6.4.3  HMM建模與實驗
  6.5  無向圖模型
    6.5.1  馬爾可夫隨機場
    6.5.2  條件隨機場
  6.6  本章習題
第7章  神經網路基礎
  7.1  神經元模型
    7.1.1  生物神經元與M-P神經元模型
    7.1.2  常用激活函數
    7.1.3  小批量梯度下降演算法
  7.2  神經網路
    7.2.1  多層前饋神經網路
    7.2.2  輸出層的設計
    7.2.3  隱層的設計
    7.2.4  隱層與深度學習
  7.3  反向傳播演算法
    7.3.1  模型參數及其學習演算法
    7.3.2  前向計算與反向求導
    7.3.3  反向傳播演算法
  7.4  TensorFlow機器學習框架
    7.4.1  TensorFlow及其安裝
    7.4.2  TensorFlow底層介面編程
    7.4.3  使用TensorFlow底層介面搭建神經網路
  7.5  Keras高層介面建模
    7.5.1  從編程到裝配
    7.5.2  使用Keras高層介面建立回歸模型
    7.5.3  使用Keras高層介面建立分類模型
  7.6  本章習題
第8章  深度學習
  8.1  卷積神經網路
    8.1.1  信號的特徵提取
    8.1.2  卷積的實現細節
    8.1.3  卷積神經網路的基本結構
    8.1.4  LeNet-5模型編程實戰
  8.2  循環神經網路
    8.2.1  序列數據的語義特徵
    8.2.2  RNN神經元與RNN網路層
    8.2.3  RNN模型編程實戰
    8.2.4  LSTM模型
  8.3  自編碼器

    8.3.1  深入理解神經網路
    8.3.2  自編碼器及其編程實戰
    8.3.3  變分法與KL散度
    8.3.4  變分自編碼器
    8.3.5  變分自編碼器編程實戰
  8.4  生成對抗網路
    8.4.1  生成器的工作原理
    8.4.2  生成對抗網路概述
    8.4.3  DCGAN及其編程實戰
    8.4.4  WGAN及其編程實戰
  8.5  結束語
  8.6  本章習題
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