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

機器學習演算法與應用(21世紀經濟管理新形態教材)/大數據與信息管理系列

  • 作者：編者:唐晨//付樹軍//徐岩|責編:高曉蔚
  • 出版社：清華大學
  • ISBN：9787302586142
  • 出版日期：2022/07/01
  • 裝幀：平裝
  • 頁數：356
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要內容包括機器學習中的相關數學基礎（線性代數、概率統計與資訊理論、最優化方法和張量分析），樣本數據的處理，機器學習的各種主流演算法，基於MATLAB的機器學習演算法的實現與機器學習綜合應用，機器學習和深度學習的工程應用。本書特色是深入淺出，自成體系，注重基礎理論的描述，具有系統性、完整性、可閱讀性、應用性和前瞻性。本書可作為高等院校研究生和本科生機器學習相關課程的教材，還可作為與人工智慧相關機構研究人員的參考書。
作者介紹
編者:唐晨//付樹軍//徐岩|責編:高曉蔚
目錄
第1章  緒論
    1.1  機器學習的定義
    1.2  機器學習的種類
    1.3  機器學習的應用
    1.4  網上公開的部分機器學習資料庫
第一部分  機器學習中的數學基礎
  第2章  線性代數
    2.1  標量、向量、矩陣和張量
    2.2  矩陣的運算
    2.3  特殊矩陣
    2.4  線性空間、線性相關和線性變換
    2.5  內積與范數
    2.6  矩陣分解
    2.7  Moore-Penrose偽逆
    2.8  MATLAB函數和示例
  第3章  概率統計與資訊理論
    3.1  隨機事件及其概率
    3.2  隨機變數及其概率分佈
    3.3  邊緣概率與條件概率
    3.4  獨立性、全概率公式和貝葉斯公式
    3.5  隨機變數的數字特徵
    3.6  常用概率分佈
    3.7  數理統計基礎
    3.8  統計推斷
    3.9  資訊理論
    3.10  MATLAB函數和示例
  第4章  最優化方法
    4.1  拉格朗日乘子法與KKT條件
    4.2  梯度下降法和共軛梯度法
    4.3  牛頓法和擬牛頓法
    4.4  坐標下降法
    4.5  啟髮式智能優化演算法
    4.6  基於MATLAB的優化求解
  第5章  張量分析
    5.1  基本概念與運算
    5.2  張量的經典分解
    5.3  張量奇異值分解
    5.4  MATLAB函數與示例
第二部分  樣本數據的處理
  第6章  核（Kernel）方法
    6.1  核函數引入
    6.2  正定核函數
    6.3  正定核函數的等價定義
    6.4  常用的核函數及其MATLAB實現
  第7章  主成分分析（PCA）與核主成分分析（KPCA）
    7.1  演算法定義
    7.2  演算法原理
    7.3  KPCA
    7.4  舉例
  第8章  線性判別分析（LDA）與核線性判別分析（KLDA）

    8.1  演算法定義
    8.2  演算法原理
    8.3  LDA與PCA比較
    8.4  應用舉例
第三部分  監督學習
  第9章  線性回歸
    9.1  線性回歸模型
    9.2  線性回歸的原理
    9.3  多元線性回歸演算法實現及應用
    9.4  基於核的線性回歸
  第10章  邏輯回歸
    10.1  邏輯回歸的背景
    10.2  邏輯回歸的原理
    10.3  邏輯回歸演算法的實現
  第11章  貝葉斯分類器
    11.1  演算法定義
    11.2  演算法原理
    11.3  演算法實現及應用舉例
  第12章  決策樹
    12.1  演算法定義
    12.2  演算法原理
    12.3  決策樹模型評估
    12.4  演算法舉例
  第13章  隨機森林
    13.1  演算法定義
    13.2  演算法原理
    13.3  演算法實現及應用
  第14章  支持向量機（SVM）
    14.1  演算法定義
    14.2  演算法原理
    14.3  應用舉例
  第15章  人工神經網路
    15.1  神經元模型
    15.2  感知機與多層網路
    15.3  反向傳播演算法
    15.4  神經網路的實現
    15.5  卷積神經網路
    15.6  經典深度神經網路
    15.7  神經網路的應用
    15.8  MATLAB函數與示例
第四部分  無監督學習
  第16章  k-means聚類方法
    16.1  k-means演算法原理
    16.2  k-means演算法的優缺點
    16.3  聚類個數建議
    16.4  k-means演算法的實現及應用舉例
  第17章  模糊C均值（FCM)聚類
    17.1  FCM聚類演算法原理
    17.2  FCM演算法實現及應用舉例
    17.3  FCM與k-means演算法的比較

  第18章  改進的模糊C均值聚類
    18.1  PFCM聚類演算法
    18.2  KFCM聚類演算法
    18.3  SSFCM聚類演算法
    18.4  聚類演算法的量化評估和圖像分割的比較
第五部分  應用
  第19章  機器學習演算法的綜合應用
    19.1  鳶尾屬植物的分類與聚類
    19.2  基於PCA和KPCA預處理的乳腺細胞分類與聚類
    19.3  基於LDA和KLDA預處理的酒的分類與聚類
  第20章  機器學習和深度學習的工程應用
    20.1  基於SVM的天氣雷達回波干擾圖像的分類
    20.2  基於FCM的變密度光條紋圖像的濾波
    20.3  基於FCM的光條紋圖像的二值化
    20.4  基於ANN的全場相位的插值
    20.5  基於全卷積神經網路的多尺度視網膜圖像血管分割
    20.6  基於卷積神經網路ESPI條紋圖濾波
    20.7  基於M-Net分割網路的光條紋骨架線提取
專業術語中英文對照表

  • 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