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

機器學習教程(微課視頻版高等學校電子信息類專業系列教材)

  • 作者：編者:張旭東|責編:盛東亮//崔彤
  • 出版社：清華大學
  • ISBN：9787302607434
  • 出版日期：2023/02/01
  • 裝幀：平裝
  • 頁數：292
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書兼顧機器學習基礎、經典方法和深度學習方法，對組成機器學習的基礎知識和基本演算法進行了比較細緻的介紹，對廣泛應用的經典演算法如線性回歸、邏輯回歸、樸素貝葉斯、支持向量機、決策樹和集成學習等演算法都給出了深入的分析並討論了無監督學習的基本方法，對深度學習和強化學習進行了全面的敘述，比較深入地討論了反向傳播演算法、多層感知機、CNN、RNN和LSTM等深度神經網路的核心知識和結構；對於強化學習，不僅介紹了經典表格方法，還討論了深度強化學習。本書是面向大學理工科和管理類各專業的寬口徑、綜合性機器學習的教材，可供本科生和一年級研究生課程使用，也可供科技人員、工程師和程序員自學機器學習的原理和演算法使用。本書對基礎和前沿、經典方法和熱門技術進行了盡可能的平衡，使得讀者不僅能在機器學習領域打下一個良好的基礎，同時也可以利用所學知識解決遇到的實際問題併為進入學科前沿打好基礎。
作者介紹
編者:張旭東|責編:盛東亮//崔彤
    張旭東，清華大學電子工程系長聘教授，博士生導師，主要研究方向為信號處理和機器學習。先後承擔國家級、省部級和國際合作項目數十項，在IEEE、IET、ACM等重要刊物和NIPS、AAAI、ICASSP、SIGIR等重要會議上發表學術論文150余篇，出版著作5部。獲得Elsevier的最高引用獎（The Most Cited Paper Award）和IET國際雷達年會最優論文獎，兩次獲得清華大學教學成果一等獎，3次獲得清華大學優秀教材獎。
目錄
第一部分  基礎知識和基本方法
  第1章  機器學習概述
  微課視頻185分鐘
    1.1  什麼是機器學習
    1.2  機器學習的類型
      1.2.1  基本分類
      1.2.2  監督學習及其功能分類
    1.3  構建機器學習系統的基本問題
      1.3.1  機器學習的基本元素
      1.3.2  機器學習的一些基本概念
    1.4  從簡單示例理解機器學習
      1.4.1  一個簡單的回歸示例
      1.4.2  一個簡單的分類示例
    1.5  深度學習簡介
    1.6  本章小結
    習題
  第2章  統計與優化基礎
  微課視頻168分鐘
    2.1  概率論基礎
      2.1.1  離散隨機變數
      2.1.2  連續隨機變數
      2.1.3  隨機變數的統一表示
      2.1.4  隨機變數的基本特徵
      2.1.5  隨機特徵的蒙特卡洛逼近
    2.2  概率實例
      2.2.1  離散隨機變數示例
      2.2.2  高斯分佈
      2.2.3  指數族
      2.2.4  混合高斯過程
      2.2.5  馬爾可夫過程
    2.3  最大似然估計
    2.4  貝葉斯估計
    2.5  貝葉斯決策
      2.5.1  機器學習中的決策
      2.5.2  分類的決策
      2.5.3  回歸的決策
    2.6  隨機變數的熵特徵
      2.6.1  熵的定義和基本性質
      2.6.2  KL散度
    2.7  非參數方法
    2.8  優化技術概述
    2.9  本章小結
    習題
  第3章  基本回歸演算法
  微課視頻85分鐘
    3.1  線性回歸
      3.1.1  基本線性回歸
      3.1.2  線性回歸的遞推學習
      3.1.3  多輸出線性回歸
    3.2  正則化線性回歸

    3.3  線性基函數回歸
    3.4  本章小結
    習題
  第4章  基本分類演算法
  微課視頻86分鐘
    4.1  基本分類問題
    4.2  線性判別函數模型
      4.2.1  Fisher線性判別分析
      *4.2.2  感知機
    4.3  邏輯回歸
      4.3.1  二分類問題的邏輯回歸
      4.3.2  多分類問題的邏輯回歸
    4.4  樸素貝葉斯方法
    4.5  高斯生成模型分類器
      4.5.1  相同協方差矩陣情況的二分類
      4.5.2  不同協方差矩陣情況的二分類
      4.5.3  多分類情況
    4.6  本章小結
    習題
  第5章  機器學習的性能與評估
    5.1  模型的訓練、驗證與測試
    5.2  機器學習模型的性能評估
    5.3  機器學習模型的誤差分解
    5.4  機器學習模型的泛化性能
      5.4.1  假設空間有限時的泛化誤差界
      *5.4.2  假設空間無限時的泛化誤差界
    5.5  本章小結
    習題
第二部分  經典演算法
  第6章  支持向量機與核函數方法
  微課視頻90分鐘
    6.1  線性可分的支持向量機
      6.1.1  不等式約束的優化
      6.1.2  線性可分情況SVM的原理
      6.1.3  線性可分情況SVM的優化解
    6.2  線性不可分情況的SVM
      6.2.1  線性不可分情況SVM的優化解
      6.2.2  合頁損失函數
    6.3  非線性支持向量機
      6.3.1  SVM分類演算法小結
      6.3.2  核函數方法
    6.4  SVM用於多分類問題
    *6.5  支持向量回歸
    6.6  本章小結
    習題
  第7章  決策樹演算法
  微課視頻75分鐘
    7.1  基本決策樹演算法
      7.1.1  決策樹的基本結構
      7.1.2  信息增益和ID3演算法

      7.1.3  信息增益率和C4.5演算法
    7.2  CART演算法
      7.2.1  分類樹
      7.2.2  回歸樹
    7.3  決策樹的一些實際問題
      7.3.1  連續數值變數
      7.3.2  正則化和剪枝技術
      7.3.3  缺失屬性的訓練樣本問題
    7.4  本章小結
    習題
  第8章  集成學習演算法
  微課視頻60分鐘
    8.1  Bagging和隨機森林
      8.1.1  自助採樣和Bagging演算法
      8.1.2  隨機森林演算法
    8.2  提升和AdaBoost演算法
    8.3  提升樹演算法
      8.3.1  加法模型和提升樹
      8.3.2  梯度提升樹
    8.4  本章小結
    習題
第三部分  進階方法
  第9章  神經網路與深度學習之一：基礎
  微課視頻90分鐘
    9.1  神經網路的基本結構
      9.1.1  神經元結構
      9.1.2  多層神經網路解決異或問題
      9.1.3  多層感知機
      9.1.4  神經網路的逼近定理
    9.2  神經網路的目標函數和優化
      9.2.1  神經網路的目標函數
      9.2.2  神經網路的優化
    9.3  誤差反向傳播演算法
      9.3.1  反向傳播演算法的推導
      9.3.2  反向傳播演算法的向量形式
    9.4  神經網路學習中的一些問題
      9.4.1  初始化
      9.4.2  正則化
      9.4.3  幾類等價正則化技術
    9.5  本章小結
    習題
  第10章  神經網路與深度學習之二：結構與優化
  微課視頻180分鐘
    10.1  卷積神經網路
      10.1.1  基本CNN的結構
      *10.1.2  卷積的一些擴展結構
      *10.1.3  CNN示例介紹
    10.2  循環神經網路
      10.2.1  基本RNN
      10.2.2  RNN的計算流程

      *10.2.3  RNN的擴展BP演算法
      10.2.4  深度RNN
      *10.2.5  長短期記憶模型
      *10.2.6  門控循環單元
    10.3  深度學習中的優化演算法
      10.3.1  小批量SGD演算法
      10.3.2  動量SGD演算法
      10.3.3  自適應學習率演算法
    10.4  深度學習訓練的正則化技術
      10.4.1  Dropout技術
      10.4.2  批歸一化
    10.5  本章小結
    習題
  第11章  無監督學習演算法
  微課視頻85分鐘
    11.1  聚類演算法
      11.1.1  K均值聚類演算法
      11.1.2  其他度量和聚類演算法
    11.2  EM演算法
      11.2.1  獨立同分佈情況
      *11.2.2  通過KL散度對EM演算法的解釋
    11.3  EM演算法求解高斯混合模型參數
      11.3.1  GMM參數估計
      11.3.2  GMM的軟聚類
    11.4  主分量分析
      11.4.1  主分量分析原理
      11.4.2  廣義Hebb演算法
    11.5  本章小結
    習題
  第12章  強化學習
  微課視頻160分鐘
    12.1  強化學習的基本問題
    12.2  馬爾可夫決策過程
      12.2.1  MDP的定義
      12.2.2  貝爾曼方程
      12.2.3  最優策略
      12.2.4  強化學習的類型
      12.2.5  探索與利用
    12.3  動態規劃
      12.3.1  策略迭代方法
      12.3.2  值函數迭代方法
    12.4  強化學習的蒙特卡洛方法
      12.4.1  MC部分策略評估
      12.4.2  MC策略改進
    12.5  強化學習的時序差分方法
      12.5.1  基本時序差分學習和Sarsa演算法
      12.5.2  Q學習
      12.5.3  DP、MC和TD演算法的簡單比較
    12.6  強化學習的值函數逼近
      12.6.1  基本線性值函數逼近

      12.6.2  深度Q網路
    12.7  策略梯度方法
      12.7.1  MC策略梯度演算法Reinforce
      12.7.2  行動器?評判器方法
    *12.8  多臂賭博機
    12.9  本章小結
    習題
參考文獻
附錄A  課程的實踐型作業實例
  A.1  第1次實踐作業
  A.2  第2次實踐作業
  A.3  第3次實踐作業
附錄B  函數對向量和矩陣的求導

  • 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