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

機器學習入門基礎(人工智慧微課版面向新工科專業建設電腦系列教材)

  • 作者：編者:黃海廣//徐震//張笑欽|責編:白立軍|總主編:張堯學
  • 出版社：清華大學
  • ISBN：9787302619581
  • 出版日期：2023/04/01
  • 裝幀：平裝
  • 頁數：244
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    機器學習專門研究電腦怎樣模擬或實現人類的學習行為，它是人工智慧的核心，是使電腦具有智能的根本途徑，其應用遍及人工智慧的各個領域。本書是一本機器學習的入門書，通過本書，學習者將初步理解主流的機器學習演算法，並且可以用機器學習技術解決現實生活中的問題。只要有本科三年級以上的數學知識，會一種編程語言，就可以掌握本書的絕大部分內容。
    本書共有15章，主要講解經典的機器學習演算法，如線性回歸、邏輯回歸、決策樹等，同時講解近幾年才出現的演算法，如XGBoost、LightGBM等集成學習演算法。此外，本書還會講解利用機器學習解決問題的實用技術，如Python、Scikit-learn工具的使用等。
    本書配套有教學大綱、教學進度、教學課件、教學視頻及習題，可以作為專科生、本科生、研究生的機器學習教材，也可以作為從事機器學習、數據挖掘相關工作的研究人員和技術人員的參考書。
作者介紹
編者:黃海廣//徐震//張笑欽|責編:白立軍|總主編:張堯學
目錄
第1章  引言
  1.1  機器學習概述
  1.2  機器學習發展史
  1.3  機器學習的類型
    1.3.1  監督學習
    1.3.2  無監督學習
    1.3.3  強化學習
  1.4  機器學習的主要概念
    1.4.1  模型
    1.4.2  損失函數
    1.4.3  優化演算法
    1.4.4  模型評估
  1.5  機器學習的背景知識
    1.5.1  數學基礎
    1.5.2  編程基礎
  1.6  機器學習的開發流程
  1.7  本書概述
    1.7.1  本書結構
    1.7.2  學習路線
  習題
  參考文獻
第2章  數學基礎回顧（選修）
  2.1  數學基礎的必要性
    2.1.1  數學基礎概述
    2.1.2  符號定義
  2.2  高等數學
    2.2.1  導數的定義
    2.2.2  左右導數的幾何意義和物理意義
    2.2.3  函數的可導性與連續性之間的關係
    2.2.4  平面曲線的切線和法線
    2.2.5  四則運演算法則
    2.2.6  基本導數與微分表
    2.2.7  複合函數、反函數、隱函數及參數方程所確定的函數的微分法
    2.2.8  常用高階導數公式
    2.2.9  微分中值定理
    2.2.10  泰勒公式
    2.2.11  函數單調性的判斷
    2.2.12  函數凹凸性的判斷
  2.3  線性代數
    2.3.1  基本概念
    2.3.2  矩陣乘法
    2.3.3  向量-向量乘法
    2.3.4  矩陣-向量乘法
    2.3.5  矩陣-矩陣乘法
    2.3.6  單位矩陣和對角矩陣
    2.3.7  矩陣的轉置
    2.3.8  對稱矩陣
    2.3.9  矩陣的跡
    2.3.10  矩陣求導常見公式
    2.3.11  范數

    2.3.12  線性相關性和秩
    2.3.13  方陣的逆
    2.3.14  正交陣
    2.3.15  行列式
    2.3.16  二次型和半正定矩陣
    2.3.17  特徵值和特徵向量
  2.4  概率論與數理統計
    2.4.1  概率的基本要素
    2.4.2  條件概率和獨立性
    2.4.3  隨機變數
    2.4.4  累積分佈函數
    2.4.5  概率質量函數
    2.4.6  概率密度函數
    2.4.7  期望
    2.4.8  方差
    2.4.9  一些常見的隨機變數
    2.4.10  聯合分佈和邊緣分佈
    2.4.11  條件概率分佈
    2.4.12  貝葉斯定理
    2.4.13  獨立性
    2.4.14  期望和協方差
    2.4.15  KL散度
  2.5  優化理論
    2.5.1  梯度下降法
    2.5.2  牛頓法
    2.5.3  拉格朗日乘子法
  習題
  參考文獻
第3章  機器學習庫Scikit-learn
  3.1  背景知識
  3.2  Scikit-learn概述
  3.3  Scikit-learn主要用法
    3.3.1  基本建模流程
    3.3.2  數據預處理
    3.3.3  監督學習演算法
    3.3.4  無監督學習演算法
    3.3.5  評價指標
    3.3.6  交叉驗證及超參數調優
  3.4  Scikit-learn總結
  習題
  參考文獻
第4章  回歸
  4.1  線性回歸
    4.1.1  符號定義
    4.1.2  背景知識
    4.1.3  線性回歸求解
  4.2  最小二乘法
  4.3  梯度下降
    4.3.1  批梯度下降
    4.3.2  隨機梯度下降

    4.3.3  小批量梯度下降
    4.3.4  梯度下降的數學推導
    4.3.5  梯度下降與最小二乘法比較
  4.4  數據規範化
    4.4.1  數據規範化概述
    4.4.2  數據規範化的主要方式
    4.4.3  數據規範化的適用範圍
  4.5  正則化
    4.5.1  過擬合和欠擬合
    5.5.2  過擬合的處理
    4.5.3  欠擬合的處理
    4.5.4  正則化的主要形式
  4.6  回歸的評價指標
  習題
  參考文獻
第5章  邏輯回歸
  5.1  分類問題
  5.2  Sigmoid函數
    5.2.1  Sigmoid函數概述
    5.2.2  Sigmoid函數的特點
    5.2.3  Sigmoid函數的原理
  5.3  邏輯回歸
    5.3.1  邏輯回歸演算法思想
    5.3.2  邏輯回歸的原理
  5.4  邏輯回歸演算法總結
  習題
  參考文獻
第6章  樸素貝葉斯
  6.1  貝葉斯方法
    6.1.1  先驗概率、后驗概率、聯合分佈
    6.1.2  判別模型和生成模型
  6.2  樸素貝葉斯原理
    6.2.1  樸素貝葉斯概述
    6.2.2  拉普拉斯平滑
    6.2.3  樸素貝葉斯公式推導
    6.2.4  樸素貝葉斯案例
  6.3  樸素貝葉斯分類演算法總結
  習題
  參考文獻
第7章  機器學習實踐
  7.1  數據集劃分
    7.1.1  訓練集、驗證集和測試集劃分
    7.1.2  交叉驗證
    7.1.3  不平衡數據處理
  7.2  評價指標
    7.2.1  回歸的評價指標
    7.2.2  分類的評價指標
    7.2.3  評價指標案例
  7.3  正則化、偏差和方差
    7.3.1  欠擬合和過擬合

    7.3.2  正則化
    7.3.3  偏差和方差
  習題
  參考文獻
第8章  KNN演算法
  8.1  距離度量
    8.1.1  歐幾里得距離
    8.1.2  曼哈頓距離
    8.1.3  切比雪夫距離
    8.1.4  閔可夫斯基距離
    8.1.5  漢明距離
    8.1.6  餘弦相似度
  8.2  KNN演算法簡介
    8.2.1  KNN演算法概述
    8.2.2  KNN演算法流程
  8.3  KD樹劃分
    8.3.1  KD樹概述
    8.3.2  KD樹劃分案例
  8.4  KD樹搜索
    8.4.1  KD樹搜索概述
    8.4.2  KD樹搜索案例
  習題
  參考文獻
第9章  決策樹
  9.1  決策樹原理
    9.1.1  決策樹概述
    9.1.2  決策樹演算法思想
  9.2  ID3演算法
    9.2.1  ID3演算法概述
    9.2.2  ID3劃分標準
    9.2.3  ID3演算法總結
    9.3C4.5  演算法
      9.3.1C4.5  演算法概述
      9.3.2C4.5  劃分標準
      9.3.3C4.5  剪枝處理
      9.3.4C4.5  演算法總結
  9.4  CART演算法
    9.4.1  CART演算法概述
    9.4.2  CART分類樹
    9.4.3  CART回歸樹
    9.4.4  CART剪枝處理
    9.4.5  CART演算法總結
  9.5  決策樹總結
    9.5.13  種決策樹演算法的差異
    9.5.2  決策樹的優缺點
  習題
  參考文獻
第10章  集成學習
  10.1  集成學習概述
    10.1.1  Bagging

    10.1.2  Boosting
    10.1.3  Stacking
  10.2  隨機森林
    10.2.1  隨機森林演算法思想
    10.2.2  隨機森林演算法總結
  10.3  AdaBoost演算法
    10.3.1  AdaBoost演算法思想
    10.3.2  AdaBoost演算法總結
  10.4  GBDT演算法
    10.4.1  GBDT演算法思想
    10.4.2  GBDT演算法總結
  10.5  XGBoost演算法
    10.5.1  XGBoost演算法思想
    10.5.2  XGBoost演算法推導
    10.5.3  XGBoost演算法總結
  10.6  LightGBM演算法
    10.6.1  LightGBM演算法思想
    10.6.2  LightGBM演算法總結
  習題
  參考文獻
第11章  人工神經網路（選修）
  11.1  人工神經網路概述
  11.2  感知機模型
    11.2.1  感知機模型概述
    11.2.2  感知機演算法流程
  11.3  反向傳播演算法
    11.3.1  反向傳播演算法概述
    11.3.2  反向傳播演算法流程
    11.3.3  反向傳播演算法總結
  習題
  參考文獻
第12章  支持向量機
  12.1  支持向量機概述
    12.1.1  演算法思想
    12.1.2  背景知識
  12.2  線性可分支持向量機
    12.2.1  演算法思想
    12.2.2  求解步驟
  12.3  線性支持向量機
    12.3.1  鬆弛變數
    12.3.2  求解步驟
  12.4  線性不可分支持向量機
    12.4.1  演算法思想
    12.4.2  核技巧
    12.4.3  常用核函數
    12.4.4  支持向量機的超參數
  12.5  支持向量機演算法總結
    12.5.1  支持向量機普遍使用的準則
    12.5.2  演算法優缺點
  習題

  參考文獻
第13章  聚類
  13.1  聚類概述
    13.1.1  無監督學習概述
    13.1.2  聚類演算法思想
    13.1.3  聚類的背景知識
  13.2  K-means聚類
    13.2.1  K-means演算法思想
    13.2.2  K-means演算法總結
  13.3  密度聚類
    13.3.1  DBSCAN演算法概述
    13.3.2  DBSCAN演算法思想
    13.3.3  DBSCAN演算法總結
  13.4  層次聚類
    13.4.1  層次聚類概述
    13.4.2  聚合聚類
    13.4.3  分裂聚類
    13.4.4  層次聚類演算法總結
  13.5  聚類的評價指標
    13.5.1  均一性
    13.5.2  完整性
    13.5.3  V-measure
    13.5.4  輪廓係數
    13.5.5  調整蘭德係數
  習題
  參考文獻
第14章  降維
  14.1  降維概述
    14.1.1  維數災難
    14.1.2  降維概述
  14.2  奇異值分解
    14.2.1  SVD概述
    14.2.2  SVD的演算法思想
    14.2.3  SVD的演算法案例
    14.2.4  SVD的一些應用
  14.3  主成分分析
    14.3.1  PCA概述
    14.3.2  PCA演算法思想
    14.3.3  PCA演算法案例
    14.3.4  PCA演算法總結
  習題
  參考文獻
第15章  關聯規則
  15.1  關聯規則概述
  15.2  Apriori演算法
    15.2.1  Apriori演算法概述
    15.2.2  Apriori演算法思想
    15.2.3  Apriori演算法案例
    15.2.4  Apriori演算法總結
  15.3  FP-Growth演算法

    15.3.1  FP-Growth演算法概述
    15.3.2  FP-Growth演算法思想
    15.3.3  FP-Growth演算法案例
    15.3.4  FP-Growth演算法總結
  15.4  ECLAT演算法
    15.4.1  ECLAT演算法概述
    15.4.2  ECLAT演算法思想
    15.4.3  ECLAT演算法總結
  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