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

機器學習導論與實踐(高等學校人工智慧理論與應用實踐系列教材)

  • 作者：編者:饒泓|責編:賈斌
  • 出版社：清華大學
  • ISBN：9787302649281
  • 出版日期：2023/12/01
  • 裝幀：平裝
  • 頁數：292
人民幣：RMB 59.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書詳細介紹了人工智慧發展史中的一些里程碑級的演算法，為每個演算法精心設計了應用案例，並給出了基於Python的實現代碼，相應演算法與應用案例的設計與實現能幫助讀者從編程實現的角度理解機器學習的核心演算法，建立起使用機器學習演算法解決實際問題的方法論。
    本書可作為高等院校電腦科學與技術、人工智慧、數據科學等專業相關課程的教材和人工智慧通識教育的教材，也可作為廣大IT從業人員的參考書。
作者介紹
編者:饒泓|責編:賈斌
目錄
第1章  緒論
  1.1  機器學習的定義
  1.2  基本術語
  1.3  模型評估與選擇
    1.3.1  經驗誤差與過擬合
    1.3.2  評估方法
  1.4  機器學習解決問題的基本思路
  1.5  Python語言
    1.5.1  Python簡介
    1.5.2  Python基礎語法
    1.5.3  NumPy快速入門
    1.5.4  Matplotlib快速入門
  1.6  習題
第2章  線性模型
  2.1  基本形式
  2.2  線性回歸
  2.3  邏輯回歸
    2.3.1  Logistic分佈
    2.3.2  邏輯回歸與Sigmoid函數
    2.3.3  基於最優化方法確定最佳回歸係數
  2.4  應用實例
    2.4.1  線性回歸——波士頓房價預測
    2.4.2  邏輯回歸——從疝氣病癥預測病馬的死亡率
  2.5  習題
第3章  樸素貝葉斯
  3.1  樸素貝葉斯相關統計學知識
  3.2  樸素貝葉斯法的學習與分類
    3.2.1  基本方法
    3.2.2  后驗概率最大化的含義
    3.2.3  樸素貝葉斯分類基本流程
  3.3  極大似然估計
  3.4  應用實例——PC評論分類
  3.5  習題
第4章  k-近鄰演算法
  4.1  k-近鄰演算法概述
  4.2  kNN演算法主要步驟
    4.2.1  距離度量
    4.2.2  k值的選擇
    4.2.3  分類決策
  4.3  應用實例——鳶尾花分類
    4.3.1  項目背景
    4.3.2  讀取數據與數據可視化
    4.3.3  劃分數據集
    4.3.4  kNN演算法
    4.3.5  如何測試分類器
  4.4  習題
第5章  決策樹
  5.1  決策樹的基本概念
    5.1.1  定義
    5.1.2  決策樹的構造

  5.2  決策樹學習基礎演算法
  5.3  最優屬性的選擇
    5.3.1  ID3——信息增益（Gain）
    5.3.2  C4.5 ——信息增益率（Gain_ratio）
    5.3.3  CART——基尼指數（Gini_index）
  5.4  決策樹的剪枝
  5.5  應用實例——性別決策
  5.6  Python實現過程
    5.6.1  計算給定數據集的信息熵
    5.6.2  數據集的劃分
    5.6.3  遞歸構建決策樹
  5.7  使用Matplotlib繪製決策樹
    5.7.1  Matplotlib註解
    5.7.2  繪製決策樹
  5.8  習題
第6章  支持向量機
  6.1  基於最大間隔分隔數據
  6.2  尋找最大間隔
    6.2.1  拉格朗日對偶性
    6.2.2  SMO演算法
  6.3  軟間隔最大化
  6.4  核函數
  6.5  徑向基函數
  6.6  應用實例
  6.7  習題
第7章  神經網路
  7.1  神經元模型
  7.2  感知機與多層前饋神經網路
    7.2.1  感知機
    7.2.2  多層前饋神經網路
  7.3  BP神經網路
  7.4  其他常見神經網路
    7.4.1  RBF網路
    7.4.2  ART網路
    7.4.3  SOM網路
    7.4.4  級聯相關網路
    7.4.5  Elman網路
  7.5  應用實例——從疝氣病癥預測病馬的死亡率
    7.5.1  處理數據中的缺失值
    7.5.2  用BP神經網路進行預測
  7.6  習題
第8章  深度學習
  8.1  卷積神經網路
  8.2  典型的卷積神經網路
    8.2.1  LeNet
    8.2.2  AlexNet
    8.2.3  VGGNet
    8.2.4  ResNet
  8.3  循環神經網路
  8.4  深度學習框架

    8.4.1  深度學習框架的作用
    8.4.2  常見的深度學習框架
    8.4.3  飛槳概述——深度學習開源平台PaddlePaddle
  8.5  線性回歸小實例在飛槳深度學習平台的應用
  8.6  深度學習應用實例——口罩識別
  8.7  習題
第9章  集成學習方法
  9.1  集成學習的分類
  9.2  Bagging和隨機森林
    9.2.1  Bagging並行集成學習
    9.2.2  隨機森林
  9.3  Boosting集成學習方法
  9.4  基於AdaBoost的分類
  9.5  基於XGBoost的分類
    9.5.1  GBDT
    9.5.2  XGBoost
  9.6  應用實例
    9.6.1  基於AdaBoost演算法
    9.6.2  基於XGBoost演算法
  9.7  習題
第10章  K-均值聚類
  10.1  K-均值聚類演算法
    10.1.1  模型
    10.1.2  演算法
    10.1.3  演算法特性
  10.2  二分K-均值演算法
    10.2.1  使用后處理來提高聚類性能
    10.2.2  二分K-均值聚類演算法
  10.3  應用實例
  10.4  習題
第11章  Apriori演算法及關聯分析
  11.1  關聯分析
    11.1.1  頻繁項集的評估標準
    11.1.2  關聯分析演算法過程
  11.2  Apriori演算法基本原理
  11.3  使用Apriori演算法來發現頻繁項集
  11.4  從頻繁項集中挖掘關聯規則
  11.5  應用實例
  11.6  習題
第12章  FP-growth演算法及頻繁項集的挖掘
  12.1  FP樹介紹
  12.2  構造FP樹
    12.2.1  頭指針表的建立
    12.2.2  FP樹的建立
  12.3  從FP樹中挖掘頻繁項集
    12.3.1  抽取條件模式基
    12.3.2  FP演算法歸納
  12.4  應用實例
  12.5  習題
第13章  PCA及數據降維

  13.1  降維技術
  13.2  PCA技術
    13.2.1  PCA的推導：基於最小投影距離
    13.2.2  PCA的推導：基於最大投影方差
    13.2.3  PCA演算法流程
  13.3  應用實例
  13.4  習題
第14章  奇異值分解及應用
  14.1  奇異值分解的應用
    14.1.1  隱形語義索引
    14.1.2  推薦系統
  14.2  奇異值分解原理
    14.2.1  特徵值與特徵向量的回顧
    14.2.2  奇異值分解的定義
    14.2.3  緊奇異值分解與截斷奇異值分解
  14.3  應用實例
    14.3.1  觀影數據的生成
    14.3.2  基於協同過濾的推薦引擎
    14.3.3  基於物品的相似度和基於用戶的相似度
    14.3.4  示例：電影推薦引擎
  14.4  習題
第15章  綜合實例
  15.1  綜合實例一
  15.2  綜合實例二
  15.3  綜合實例三
  15.4  綜合實例四
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