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

機器學習經典演算法與案例實戰(微課視頻版教育部高等學校電腦類專業教學指導委員會推薦教材)

  • 作者：編者:袁建軍|責編:鄭寅?
  • 出版社：清華大學
  • ISBN：9787302662082
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：176
人民幣：RMB 49.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以案例為載體，介紹了目前機器學習的部分主流演算法及其應用，簡要概括部分主流演算法的基本原理，詳細說明應用演算法過程中需要注意的問題，通過實際案例的解析使學生更好地掌握主流演算法。
    全書共四部分。第一部分（第1章）為理論基礎，著重介紹機器學習的發展及主流應用，還詳細介紹了本書中全部案例運行環境的搭建方法。第二部分（第2?7章）為監督學習模型，著重介紹了貝葉斯分類器、線性模型、決策結、K近鄰、支持向量機和隨機森林的基本原理。第三部分（第8、9章）為無監督學習模型，詳細介紹了數據降維和K－均值聚類。第四部分（第10?12章）為神經網路與深度學習，介紹了幾類目前流行的神經網路和深度學習網路。全書提供了大量應用案例，每章后均附有習題。
    本書適合作為各類高等院校電腦、人工智慧專業的教材，也適合作為相關專業研究生的入門教材，還可供人工智慧和數據挖掘方向的開發人員、廣大科技工作者和研究人員參考。
作者介紹
編者:袁建軍|責編:鄭寅?
目錄
第一部分  理論基礎
  第1章  緒論
    1.1  機器學習概述
    1.2  機器學習應用基礎
    1.3  機器學習應用系統
    1.4  機器學習發展
    1.5  機器學習中的觀點和問題
    1.6  模型評價常用指標
    1.7  目前主流應用
      1.7.1  數據挖掘
      1.7.2  電腦視覺
      1.7.3  自然語言處理
      1.7.4  語音識別
      1.7.5  推薦系統
    1.8  運行環境搭建
      1.8.1  Python安裝
      1.8.2  PyCharm安裝模塊文件
      1.8.3  Anaconda安裝
    1.9  知識擴展
    1.10  習題
第二部分  監督學習模型
  第2章  貝葉斯分類器
    2.1  貝葉斯分類器基本思想
    2.2  樸素貝葉斯分類器
      2.2.1  樸素貝葉斯分類器原理
      2.2.2  樸素貝葉斯分類器案例——垃圾郵件過濾
    2.3  正態貝葉斯分類器
      2.3.1  正態貝葉斯分類器原理
      2.3.2  正態貝葉斯分類器案例——訓練資料分類
    2.4  知識擴展
    2.5  習題
  第3章  線性模型
    3.1  回歸預測
    3.2  線性回歸
      3.2.1  線性回歸的基本原理
      3.2.2  線性回歸的案例——波士頓房價預測Ⅰ
    3.3  邏輯回歸
      3.3.1  邏輯回歸的基本原理
      3.3.2  邏輯回歸的損失函數
      3.3.3  邏輯回歸的案例——泰坦尼克號乘客預測
    3.4  其他回歸模型
      3.4.1  套索回歸
      3.4.2  嶺回歸
      3.4.3  套索回歸和嶺回歸的案例——波士頓房價預測Ⅱ
    3.5  知識擴展
    3.6  習題
  第4章  決策樹
    4.1  什麼是決策樹
    4.2  構建決策樹
      4.2.1  構建決策樹的基本過程

      4.2.2  基尼係數
      4.2.3  信息熵和信息增益
    4.3  修剪決策樹
      4.3.1  預剪枝
      4.3.2  后剪枝
    4.4  決策樹案例——員工流失分析
    4.5  決策樹回歸問題
    4.6  知識擴展
    4.7  習題
  第5章  K近鄰
    5.1  K近鄰演算法的基本思想
    5.2  K近鄰演算法中的距離度量
    5.3  選擇合適的K值
    5.4  K近鄰案例——鳶尾花分類
    5.5  知識擴展
    5.6  習題
  第6章  支持向量機
    6.1  SVM的基本原理
      6.1.1  線性SVM分類器
      6.1.2  硬間隔與軟間隔
      6.1.3  非線性SVM分類器
    6.2  核函數
      6.2.1  核函數原理
      6.2.2  幾種常見的核函數
    6.3  SVM案例——手寫數字圖像識別
    6.4  KSVM案例——人臉圖像識別
    6.5  知識擴展
    6.6  習題
  第7章  隨機森林
    7.1  集成學習原理
    7.2  演算法流程
      7.2.1  Bagging集成演算法
      7.2.2  Boosting集成演算法
    7.3  隨機森林演算法
      7.3.1  隨機森林原理
      7.3.2  隨機森林案例——紅酒分類
    7.4  知識擴展
    7.5  習題
第三部分  無監督學習模型
  第8章  數據降維
    8.1  降維與重構演算法思想
    8.2  PCA
      8.2.1  PCA演算法原理
      8.2.2  PCA演算法案例——圖像降維和重建
    8.3  隨機近鄰嵌入
      8.3.1  隨機近鄰嵌入演算法原理
      8.3.2  隨機近鄰嵌入案例——手寫數字圖像降維
    8.4  知識擴展
    8.5  習題
  第9章  K-均值聚類

    9.1  K-均值聚類基本思想
    9.2  K-均值聚類演算法流程
    9.3  K-均值聚類案例——圖像的分割和壓縮
    9.4  知識擴展
    9.5  習題
第四部分  神經網路與深度學習
  第10章  神經網路
    10.1  神經網路基本思想
    10.2  反向傳播演算法
      10.2.1  反向傳播演算法原理
      10.2.2  反向傳播演算法案例——手寫數字圖像預測
    10.3  知識擴展
    10.4  習題
  第11章  自編碼器圖像降噪
    11.1  圖像雜訊的處理辦法
    11.2  卷積自編碼器圖像降?
      11.2.1  卷積自編碼器原理簡述
      11.2.2  卷積自編碼器降噪原理
      11.2.3  卷積自編碼器降噪案例
    11.3  稀疏自編碼器圖像降噪
      11.3.1  稀疏自編碼器原理簡介
      11.3.2  稀疏自編碼器圖像降噪案例
    11.4  知識擴展
    11.5  習題
  第12章  幾種深度學習網路
    12.1  開啟深度學習之旅
    12.2  卷積神經網路
      12.2.1  卷積神經網路原理簡介
      12.2.2  深度卷積神經網路案例——圖像目標檢測
    12.3  循環神經網路
      12.3.1  循環神經網路原理簡介
      12.3.2  循環神經網路的幾種實現
      12.3.3  循環神經網路案例——航空旅客數量預測
    12.4  生成對抗網路
      12.4.1  生成對抗網路原理簡述
      12.4.2  生成對抗網路案例——提高圖像解析度
    12.5  概率圖模型
      12.5.1  概率圖模型簡述
      12.5.2  高斯混合模型概述
      12.5.3  高斯混合模型案例——圖像分割
    12.6  知識擴展
    12.7  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