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

機器學習與智能感知(高等學校智能科學與技術人工智慧專業教材)

  • 作者：編者:張寶昌//黃雷//丁嶸//王田|責編:張玥//常建麗
  • 出版社：清華大學
  • ISBN：9787302641704
  • 出版日期：2023/09/01
  • 裝幀：平裝
  • 頁數：151
人民幣：RMB 49.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書旨在通過對機器學習主要原理和方法的介紹，並且結合作者多年來在智能感知方面的研究成果，對其他書籍未涉及的一些前沿研究進行補充闡述。通過對基礎理論循序漸進、深入淺出的講解，讀者能夠更快速地掌握機器學習的基本方法，在此基礎上每章內容由易到難，讀者可以根據自己的掌握程度以及興趣，選擇特定的方向進行更深入的學習。
    本書可作為有一定數學基礎的人工智慧專業的本科生和研究生教材，也可作為有志於鑽研人工智慧相關領域（包括機器學習和智能感知等方向）的讀者的參考書。
作者介紹
編者:張寶昌//黃雷//丁嶸//王田|責編:張玥//常建麗
目錄
第1章  機器學習的發展史
  引言
  1.1  機器學習
    1.1.1  機器學習的定義和研究意義
    1.1.2  機器學習的發展史
    1.1.3  機器學習系統的基本結構
    1.1.4  機器學習的分類
    1.1.5  目前研究領域
  1.2  統計模式識別問題
    1.2.1  機器學習問題的表示
    1.2.2  經驗風險最小化
    1.2.3  複雜性與推廣能力
  1.3  統計機器學習理論的核心內容
    1.3.1  學習過程一致性的條件
    1.3.2  推廣性的界
    1.3.3  結構風險最小化
  1.4  解耦因果學習
    1.4.1  因果學習
    1.4.2  相關工作
    1.4.3  解耦因果學習方法與應用
  1.5  總結
  課後習題
第2章  決策樹學習
  引言
  2.1  決策樹學習概述
    2.1.1  決策樹
    2.1.2  性質
    2.1.3  應用
    2.1.4  學習
  2.2  決策樹設計
    2.2.1  決策樹的特點
    2.2.2  決策樹的生成
  2.3  總結
  課後習題
第3章  PAC模型
  引言
  3.1  基本的PAC模型
    3.1.1  PAC簡介
    3.1.2  基本概念
    3.1.3  問題框架
  3.2  PAC模型樣本複雜度分析
    3.2.1  有限空間樣本複雜度
    3.2.2  無限空間樣本複雜度
  3.3  VC維計算
  3.4  總結
  課後習題
第4章  貝葉斯學習
  引言
  4.1  貝葉斯學習
    4.1.1  貝葉斯公式

    4.1.2  最小誤差決策
    4.1.3  正態密度
    4.1.4  最大似然估計
  4.2  樸素貝葉斯原理及應用
    4.2.1  貝葉斯最佳假設原理
    4.2.2  基於樸素貝葉斯的文本分類器
  4.3  HMM（隱馬爾可夫模型）及應用
    4.3.1  馬爾可夫性
    4.3.2  馬爾可夫鏈
    4.3.3  轉移概率矩陣
    4.3.4  HMM（隱馬爾可夫模型）及應用
  4.4  總結
  課後習題
第5章  支持向量機
  引言
  5.1  支持向量機概述
    5.1.1  margin最大化
    5.1.2  支持向量機優化
  5.2  支持向量機的實例
  5.3  支持向量機的實現演算法
  5.4  多類支持向量機
  5.5  總結
  課後習題
第6章  AdaBoost
  引言
  6.1  AdaBoost與目標檢測
    6.1.1  AdaBoost演算法
    6.1.2  AdaBoost訓練
    6.1.3  AdaBoost實例
  6.2  具有強魯棒性的實時目標檢測
    6.2.1  Haar?like矩形特徵選取
    6.2.2  積分圖
    6.2.3  訓練結果
    6.2.4  級聯
  6.3  隨機森林
    6.3.1  原理闡述
    6.3.2  演算法詳解
    6.3.3  演算法分析
  6.4  總結
  課後習題
第7章  壓縮感知
  引言
  7.1  壓縮感知理論框架
  7.2  壓縮感知的基本理論及核心問題
    7.2.1  壓縮感知的數學模型
    7.2.2  信號的稀疏表示
    7.2.3  信號的觀測矩陣
    7.2.4  信號的重構演算法
  7.3  壓縮感知的應用
    7.3.1  應用

    7.3.2  人臉識別
  7.4  總結
  課後習題
第8章  子空間
  引言
  8.1  基於主成分分析的特徵提取
  8.2  數學模型
  8.3  主成分的數學上的計算
    8.3.1  兩個線性代數的結論
    8.3.2  基於協方差矩陣的特徵值分解
    8.3.3  主成分分析的步驟
  8.4  主成分分析的性質
  8.5  基於主成分分析的人臉識別方法
  8.6  總結
  課後習題
第9章  神經網路與深度學習
  引言
  9.1  神經網路及其主要演算法
    9.1.1  前饋神經網路
    9.1.2  感知器
    9.1.3  反向傳播演算法
  9.2  深度學習
    9.2.1  深度學習演算法基礎與網路模型
    9.2.2  深度學習演算法原理
    9.2.3  卷積神經網路演算法原理
  9.3  深度學習網路模型
    9.3.1  深度學習網路架構
    9.3.2  網路模型優化
    9.3.3  代表性的網路模型
  9.4  總結
  課後習題
第10章  調製壓縮神經網路
  引言
  10.1  神經網路模型壓縮概述
    10.1.1  量化與二值化
    10.1.2  剪枝與共享
  10.2  調製壓縮神經網路
  10.3  損失函數
  10.4  前向卷積
    10.4.1  重構卷積核
    10.4.2  調製網路的前向卷積過程
  10.5  調製卷積神經網路模型的梯度反傳
  10.6  MCN網路的實驗驗證
    10.6.1  模型收斂效率
    10.6.2  模型時間分析
    10.6.3  實驗結果
  課後習題
第11章  批量白化技術
  引言
  11.1  批量標準化技術

  11.2  批量白化方法
    11.2.1  隨機坐標交換問題
    11.2.2  ZCA白化
  11.3  批量白化模塊
  11.4  分析和討論
    11.4.1  提高模型的條件情況
    11.4.2  近似的動態等距性
  11.5  總結
  課後習題
第12章  正交權重矩陣
  引言
  12.1  多個依賴的Stiefel流優化
  12.2  正交權重矩陣的特性
    12.2.1  穩定激活值的分佈
    12.2.2  規整化神經網路
  12.3  正交權重標準化技術
    12.3.1  設計正交變換
    12.3.2  反向傳播
    12.3.3  正交線性模塊
  12.4  實驗與分析
    12.4.1  求解多個依賴的Stiefel流優化問題方法比較
    12.4.2  多層感知機實驗
    12.4.3  ImageNet2012大規模圖像數據分類實驗
  12.5  總結
  課後習題
第13章  強化學習
  引言
  13.1  AlphaGo技術
  13.2  強化學習概述
  13.3  強化學習過程
    13.3.1  馬爾可夫性
    13.3.2  獎勵
    13.3.3  估價函數
    13.3.4  動態規劃
    13.3.5  蒙特卡羅方法
    13.3.6  時序差分學習
  13.4  Q學習演算法
    13.4.1  Q學習演算法介紹
    13.4.2  獎勵
    13.4.3  Q學習演算法的改進
  13.5  程序實現
  課後習題
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