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

機器學習演算法與實踐(普通高等教育人工智慧專業系列教材)

  • 作者：編者:郭羽含//張露方//袁園|責編:郝建偉//趙曉峰
  • 出版社：機械工業
  • ISBN：9787111764113
  • 出版日期：2024/10/01
  • 裝幀：平裝
  • 頁數：316
人民幣：RMB 79.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書內容涵蓋了監督學習、無監督學習和半監督學習的代表性演算法，對演算法的原理與思想、推導與證明、實現與應用中涉及的知識點進行了清晰透徹的闡述。全書由12章組成，主要內容包括機器學習概述、機器學習基本理論、K-近鄰、貝葉斯、線性模型、支持向量機、決策樹、集成學習、聚類演算法、數據降維、半監督學習、神經網路等知識。章節依照演算法類別及演算法間邏輯關係進行編排，內容結構上條理清晰、由淺入深，並完整地對演算法的編碼實現進行了講解，從編程角度展示演算法細節，使讀者可以更加深入透徹地理解演算法原理、加深對演算法的記憶，並能夠針對自身需求對演算法進行修改和擴展。為幫助讀者充分了解和掌握每一章節基礎理論知識，每章附有思維導圖及習題。
    本書適合作為高等院校數據科學與大數據技術、人工智慧和電腦類專業的機器學習相關課程教材，也可供從事機器學習和數據挖掘相關研究及應用的工程技術人員和科研工作者參考。
作者介紹
編者:郭羽含//張露方//袁園|責編:郝建偉//趙曉峰
目錄
前言
第1章  機器學習概述
  1.1  人工智慧與機器學習
  1.2  機器學習的概念
    1.2.1  機器學習的定義
    1.2.2  機器學習發展史
    1.2.3  機器學習分類
  1.3  機器學習工具
    1.3.1  Python語言
    1.3.2  第三方工具庫
    1.3.3  編譯環境
    1.3.4  庫的下載與安裝
  1.4  機器學習示例
    1.4.1  自動駕駛
    1.4.2  機器翻譯
    1.4.3  遊戲中的人工智慧
  1.5  本章小結
  1.6  延伸閱讀——大數據背景下的機器學習演算法
  1.7  習題
第2章  機器學習基本理論
  2.1  機器學習術語
    2.1.1  基本概念
    2.1.2  過擬合與欠擬合
    2.1.3  模型評估
  2.2  實驗估計方法
    2.2.1  留出法
    2.2.2  交叉驗證法
    2.2.3  自助法
  2.3  性能度量
    2.3.1  錯誤率與精度
    2.3.2  查准率、查全率與F
    2.3.3  ROC與AUC
  2.4  比較檢驗
    2.4.1  假設檢驗
    2.4.2  交叉驗證
  2.5  參數調優
    2.5.1  網格搜索
    2.5.2  隨機搜索
    2.5.3  貝葉斯優化演算法
  2.6  本章小結
  2.7  延伸閱讀——機器學習應用於我國海外投資效率預警
  2.8  習題
第3章  K-近鄰
  3.1  演算法原理
  3.2  距離度量方法
  3.3  搜索優化方法
    3.3.1  k-d樹
    3.3.2  球樹
  3.4  演算法實現
  3.5  本章小結

  3.6  延伸閱讀——機器學習在國產晶元上的應用
  3.7  習題
第4章  貝葉斯
  4.1  貝葉斯方法概述
    4.1.1  貝葉斯公式
    4.1.2  貝葉斯決策理論
    4.1.3  極大似然估計
  4.2  樸素貝葉斯演算法
    4.2.1  高斯樸素貝葉斯演算法
    4.2.2  多項式樸素貝葉斯演算法
    4.2.3  伯努利樸素貝葉斯演算法
  4.3  半樸素貝葉斯演算法
  4.4  貝葉斯網路演算法
    4.4.1  貝葉斯網路結構
    4.4.2  貝葉斯網路學習演算法
    4.4.3  貝葉斯網路推斷
  4.5  EM演算法
  4.6  本章小結
  4.7  延伸閱讀——機器學習在智能駕駛上的應用
  4.8  習題
第5章  線性模型
  5.1  線性回歸
    5.1.1  簡單線性回歸
    5.1.2  多變數線性回歸
    5.1.3  梯度下降法
    5.1.4  多項式回歸
  5.2  邏輯回歸
    5.2.1  二分類邏輯回歸
    5.2.2  多分類邏輯回歸
  5.3  模型正則化
  5.4  本章小結
  5.5  延伸閱讀——雲計算與機器學習
  5.6  習題
第6章  支持向量機
  6.1  演算法概述
  6.2  線性可分支持向量機及其對偶演算法
  6.3  線性支持向量機
  6.4  非線性支持向量機
  6.5  支持向量機回歸
    6.5.1  線性支持向量機回歸
    6.5.2  非線性支持向量機回歸
  6.6  SMO演算法
  6.7  代碼實現
    6.7.1  線性支持向量機代碼實現
    6.7.2  非線性支持向量機代碼實現
    6.7.3  支持向量機回歸代碼實現
  6.8  本章小結
  6.9  延伸閱讀——機器學習演算法在電力負荷預測中的應用
  6.10  習題
第7章  決策樹

  7.1  決策樹概述
  7.2  ID3演算法
    7.2.1  信息熵和信息增益
    7.2.2  演算法流程
    7.2.3  代碼實現
  7.3  C4.5演算法
    7.3.1  信息增益率
    7.3.2  連續型特徵處理
    7.3.3  演算法流程
    7.3.4  代碼實現
  7.4  分類與回歸樹
    7.4.1  基尼係數
    7.4.2  回歸樹
    7.4.3  代碼實現
  7.5  剪枝策略
    7.5.1  單一因子策略
    7.5.2  最優因子策略
    7.5.3  代碼實現
  7.6  本章小結
  7.7  延伸閱讀——5G智能醫療中的機器學習
  7.8  習題
第8章  集成學習
  8.1  集成學習概述
  8.2  投票法
    8.2.1  投票策略
    8.2.2  代碼實現
  8.3  裝袋法
    8.3.1  隨機森林演算法
    8.3.2  代碼實現
  8.4  提升法
    8.4.1  自適應提升演算法
    8.4.2  梯度提升演算法
    8.4.3  代碼實現
  8.5  本章小結
  8.6  延伸閱讀——國產C919飛機研發中的機器學習
  8.7  習題
第9章  聚類演算法
  9.1  聚類概述
    9.1.1  相似度
    9.1.2  性能度量
  9.2  原型聚類
    9.2.1  k均值
    9.2.2  代碼實現
  9.3  密度聚類
    9.3.1  DBSCAN演算法
    9.3.2  代碼實現
  9.4  層次聚類
    9.4.1  聚合聚類
    9.4.2  代碼實現
  9.5  本章小結

  9.6  延伸閱讀——聚類演算法在少數民族服飾色彩分析中的應用
  9.7  習題
第10章  數據降維
  10.1  數據降維概述
  10.2  主成分分析
    10.2.1  PCA演算法原理
    10.2.2  特徵值分解降維
    10.2.3  奇異值分解降維
  10.3  線性判別分析
    10.3.1  LDA演算法原理
    10.3.2  LDA對二分類問題降維
    10.3.3  LDA對多分類問題降維
  10.4  本章小結
  10.5  延伸閱讀——數據降維技術在地震屬性分析中的應用
  10.6  習題
第11章  半監督學習
  11.1  未標記樣本
  11.2  半監督學習方法
    11.2.1  生成式方法
    11.2.2  半監督SVM
    11.2.3  圖半監督學習
    11.2.4  基於分歧的方法
  11.3  半監督聚類
    11.3.1  基於約束的方法
    11.3.2  基於距離的方法
    11.3.3  基於約束和距離的方法
  11.4  本章小結
  11.5  延伸閱讀——半監督學習應用於高鐵運行安全圖像智能識別
  11.6  習題
第12章  神經網路
  12.1  人工神經網路概述
  12.2  感知機
    12.2.1  感知機模型原理
    12.2.2  演算法實現
  12.3  多層前饋神經網路
    12.3.1  多層前饋神經網路原理
    12.3.2  演算法實現
  12.4  其他神經網路
    12.4.1  常用神經網路
    12.4.2  深度神經網路
  12.5  本章小結
  12.6  延伸閱讀——基於卷積神經網路的新型電力系統頻率特性預測
  12.7  習題
附錄
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