幫助中心 | 我的帳號 | 關於我們

機器學習(新形態立體化雙色印刷普通高等教育人工智慧專業系列教材)

  • 作者:編者:胡曉|責編:郝建偉//李樂
  • 出版社:機械工業
  • ISBN:9787111764939
  • 出版日期:2024/10/01
  • 裝幀:平裝
  • 頁數:246
人民幣:RMB 69 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書系統闡述了機器學習的基本理論、演算法和實現。全書共11章:第1章著重介紹了機器學習的基本知識;第2章介紹了樣本數據預處理和提取的傳統演算法(如PCA和LDA),並增加了流形學習和稀疏表徵等理論;第3?8章系統介紹了傳統機器學習演算法,如監督學習(貝葉斯、近鄰、線性模型、非線性模型和集成學習)和非監督學習(聚類);第9、10章分別介紹了概率圖模型和人工神經網路的基本理論;第11章著重講述了強化學習的基本理論和演算法。
    本書針對理論難點,插入了可視化圖,引導讀者對理論的理解;每章配有習題,以便指導讀者深入地進行學習。每章還配有基於Python的實驗,便於工程類讀者快速將理論轉化為實踐應用,也方便學術型讀者編程實現。
    本書既可作為高等院校本科和研究生人工智慧、控制工程、信息處理和智能製造等相關專業的課程教材,也可作為信息系統開發和大數據分析人員的技術參考書。

作者介紹
編者:胡曉|責編:郝建偉//李樂

目錄
前言
第1章  基本知識
  1.1  什麼是機器學習
    1.1.1  屬性
    1.1.2  標注
  1.2  機器學習的分類
    1.2.1  監督與無監督學習
    1.2.2  分類與回歸
  1.3  模型評估
    1.3.1  分類模型評估
    1.3.2  回歸模型評估
  1.4  優化
    1.4.1  損失函數
    1.4.2  目標函數
    1.4.3  最小二乘法
    1.4.4  梯度下降法
    1.4.5  梯度修正
    1.4.6  學習率調整
  1.5  小結與拓展
  實驗一:模型評價函數編程實驗
  習題
  參考文獻
第2章  表徵學習
  2.1  表徵學習的目的
  2.2  數據預處理
  2.3  主成分分析
    2.3.1  目標函數
    2.3.2  基於主成分分析表徵學習模型
    2.3.3  人臉PCA表徵學習
  2.4  線性鑒別分析
    2.4.1  類內散布矩陣和類間散布矩陣
    2.4.2  類可判別性測度
    2.4.3  LDA原理
    2.4.4  人臉的LDA表徵學習
  2.5  多維縮放
  2.6  流形學習
    2.6.1  流形
    2.6.2  等度量映射
    2.6.3  局部線性嵌入
  2.7  隨機近鄰嵌入
    2.7.1  基本隨機近鄰嵌入
    2.7.2  t分佈隨機近鄰嵌入
  2.8  稀疏表徵
    2.8.1  壓縮感知
    2.8.2  重構演算法
    2.8.3  字典學習
    2.8.4  壓縮感知在人臉識別中的應用
  2.9  小結與拓展
  實驗二:表徵學習實驗
  習題

  參考文獻
第3章  貝葉斯分類器
  3.1  貝葉斯基本概念
  3.2  貝葉斯決策準則
  3.3  高斯混合模型
  3.4  未知概率密度函數估計
    3.4.1  極大似然估計
    3.4.2  極大后驗概率估計
    3.4.3  期望極大演算法
  3.5  樸素貝葉斯
  3.6  拉普拉斯平滑
  3.7  小結與拓展
  實驗三:貝葉斯分類器實驗
  習題
第4章  近鄰分類器
  4.1  近鄰規則
  4.2  加權近鄰分類器
  4.3  近鄰分類器加速策略
    4.3.1  移除消極樣本
    4.3.2  構建搜索樹
    4.3.3  部分維度距離計算
  4.4  小結與拓展
  實驗四:近鄰分類器實驗
  習題
  參考文獻
第5章  線性模型
  5.1  二類線性模型
  5.2  Lasso回歸
    5.2.1  Lasso回歸求解
    5.2.2  坐標軸下降法
  5.3  邏輯回歸
  5.4  支持向量機
    5.4.1  線性可分支持向量機
    5.4.2  近似線性可分支持向量機
  5.5  多類線性模型
    5.5.1  基本策略
    5.5.2  Softmax回歸
  5.6  類不平衡問題
    5.6.1  閾值移動
    5.6.2  數據再平衡
  5.7  小結與拓展
  實驗五:線性模型實驗
  習題
  參考文獻
第6章  非線性模型
  6.1  二次判別分析
  6.2  核方法
    6.2.1  希爾伯特空間
    6.2.2  核函數
    6.2.3  常用核函數

    6.2.4  核函數的應用
  6.3  小結與拓展
  實驗六:非線性模型實驗
  習題
  參考文獻
第7章  集成學習
  7.1  集成學習理論依據
  7.2  集成學習機制
  7.3  決策樹
    7.3.1  什麼是決策樹
    7.3.2  ID3和C4.5
    7.3.3  分類回歸樹
    7.3.4  剪枝
  7.4  隨機森林
  7.5  自適應助推
    7.5.1  學習過程
    7.5.2  基本原理
  7.6  小結與拓展
  實驗七:集成學習實驗
  習題
  參考文獻
第8章  聚類
  8.1  聚類基本理論
    8.1.1  聚類的性質
    8.1.2  相似性測度
    8.1.3  類簇中心
    8.1.4  聚類演算法評價指標
  8.2  K均值聚類
  8.3  層次聚類
    8.3.1  凝聚築巢
    8.3.2  平衡迭代削減層次聚類
  8.4  密度聚類
    8.4.1  DBSCAN
    8.4.2  高斯混合聚類
  8.5  小結與拓展
  實驗八:聚類實驗
  習題
  參考文獻
第9章  概率圖模型
  9.1  聯合概率
  9.2  概率有向圖模型
    9.2.1  基本概念
    9.2.2  有向分離
    9.2.3  貝葉斯網路
    9.2.4  隱馬爾可夫模型
  9.3  概率無向圖模型
    9.3.1  條件獨立性
    9.3.2  團和勢函數
    9.3.3  條件隨機場
    9.3.4  馬爾可夫隨機場在圖像處理中的應用

    9.3.5  條件隨機場在自然語言處理中的應用
  9.4  因子圖與和積演算法
    9.4.1  因子圖
    9.4.2  置信傳播
  9.5  小結與拓展
  實驗九:概率圖模型實驗
  習題
  參考文獻
第10章  人工神經網路
  10.1  神經元及其基本模型
  10.2  激活函數
    10.2.1  飽和激活函數
    10.2.2  校正線性單元
    10.2.3  swish激活函數
    10.2.4  其他激活函數
  10.3  感知機
    10.3.1  參數學習
    10.3.2  感知機的異或難題
  10.4  前饋神經網路
    10.4.1  前饋神經網路模型
    10.4.2  三層前向神經網路實現異或門
    10.4.3  反向傳播演算法
  10.5  卷積神經網路
    10.5.1  互相關和卷積
    10.5.2  卷積神經網路架構
    10.5.3  卷積神經網路殘差反向傳播
  10.6  簡單卷積神經網路
    10.6.1  LeNet-5
    10.6.2  AlexNet
    10.6.3  VGGNet
    10.6.4  Inception
    10.6.5  ResNet
  10.7  小結與拓展
  實驗十:人工神經網路實驗
  習題
  參考文獻
第11章  強化學習
  11.1  強化學習概述
    11.1.1  基本概念
    11.1.2  策略評估和策略控制
    11.1.3  強化學習分類
  11.2  表格強化學習
    11.2.1  蒙特卡洛
    11.2.2  動態規劃
    11.2.3  時序差分學習
  11.3  深度強化學習
    11.3.1  深度Q網路(DQN)
    11.3.2  Dueling網路
  11.4  小結與拓展
  實驗十一:強化學習實驗

  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