同類熱銷排行榜

機器學習(新興領域十四五高等教育教材)/新一代信息技術人工智慧系列叢書

作者：編者:張旭東|責編:范德一|總主編:張濤
出版社：清華大學
ISBN：9787302675259

出版日期：2024/11/01
裝幀：平裝
頁數：421

人民幣：RMB 79 元售價：元

內容大鋼

本書對機器學習的基礎知識和基本演算法進行了詳細的介紹，對廣泛應用的經典演算法（如線性回歸、邏輯回歸，樸素貝葉斯、支持向量機、決策樹和集成學習等）進行了深入的分析，並討論了無監督學習的基本方法。書中有6章內容對深度學習和深度強化學習進行了全面的敘述，不僅討論了反向傳播演算法、多層感知機、?積神經網路，循環神經網路和長短期記憶網路等深度神經網路的核心知識和結構，對於一些發展中的專題（如Transformer、大模型和深度生成模型等）也給予了深入的介紹。對於強化學習，不僅介紹了經典表格方法，也較詳細地討論了深度強化學習及應用實例。本書對於基礎理論、前沿理論、經典方法和熱門技術盡可能平衡兼顧，使讀者不僅能在機器學習領域打下一個良好的基礎，同時也可以利用所學知識解決遇到的實際問題並進入學科前沿。
本書是一本面向大學理工科和管理類各專業的寬口徑、綜合性的機器學習教材，可供高年級本科生和研究生使用，也可幫助科技人員、工程師和程序員自學機器學習的原理和演算法。

作者介紹

編者:張旭東|責編:范德一|總主編:張濤
張旭東，清華大學電子工程系長聘教授，博士生導師，主要研究方向為信號處理和機器學習。先後承擔國家級、省部級和國際合作項目數十項，在IEEE、IET、ACM等重要刊物和NIPS、AAAI、ICASSP、SIGIR等重要會議上發表學術論文150余篇，出版著作5部。獲得Elsevier的最高引用獎（The Most Cited Paper Award）和IET國際雷達年會最優論文獎，兩次獲得清華大學教學成果一等獎，3次獲得清華大學優秀教材獎。

第1章  機器學習概述
  微課視頻146分鐘
  1.1  什麼是機器學習
  1.2  機器學習的分類
    1.2.1  基本分類
    1.2.2  監督學習及其功能分類
  1.3  構建機器學習系統
    1.3.1  機器學習的基本元素
    1.3.2  機器學習的基本概念
  1.4  通過簡單示例理解機器學習
    1.4.1  一個簡單的回歸示例
    1.4.2  一個簡單的分類示例
  1.5  深度學習
  本章小結
  本章習題
第2章  統計與優化基礎
  微課視頻129分鐘
  2.1  概率基礎
    2.1.1  離散隨機變數
    2.1.2  連續隨機變數
    2.1.3  隨機變數的基本特徵
    2.1.4  隨機特徵的蒙特卡洛逼近
  2.2  概率實例
    2.2.1  離散隨機變數示例
    2.2.2  高斯分佈
    2.2.3  指數族
    2.2.4  高斯混合過程
    2.2.5  馬爾可夫過程
  2.3  最大似然估計
  2.4  貝葉斯估計——最大后驗估計
  2.5  隨機變數的熵特徵
    2.5.1  熵的定義和基本性質
    2.5.2  KL散度、互信息和負熵
  2.6  非參數方法
  2.7  優化技術
    2.7.1  基本優化演算法
    2.7.2  拉格朗日方法
  本章小結
  本章習題
第3章  貝葉斯決策
  微課視頻39分鐘
  3.1  機器學習中的決策
  3.2  分類的決策
    3.2.1  加權錯誤率準則
    3.2.2  拒絕判決
  3.3  回歸的決策
  3.4  高斯情況下的分類決策
    3.4.1  相同協方差矩陣情況的二分類
    3.4.2  不同協方差矩陣情況的二分類
    3.4.3  多分類情況

  3.5  KNN方法
  3.6  概率圖模型
    3.6.1  貝葉斯網路
    3.6.2  無向圖模型
    3.6.3  圖模型的學習與推斷
  本章小結
  本章習題
第4章  基本回歸和分類演算法
  微課視頻158分鐘
  4.1  線性回歸
    4.1.1  基本線性回歸
    4.1.2  線性回歸的遞推學習
    4.1.3  正則化線性回歸
    4.1.4  多輸出線性回歸
  4.2  稀疏線性回歸Lasso
    4.2.1  Lasso的循環坐標下降演算法
    4.2.2  Lasso的LAR演算法
  4.3  線性基函數回歸
  4.4  基本分類問題
  4.5  線性判別函數模型
    4.5.1  Fisher線性判別分析
    4.5.2  感知機
  4.6  邏輯回歸
    4.6.1  二分類問題的邏輯回歸
    4.6.2  多分類問題的邏輯回歸
  4.7  樸素貝葉斯方法
  本章小結
  本章習題
第5章  機器學習流程、評價和性能界
第6章  支持向量機與核函數方法
第7章  決策樹
第8章  集成學習
第9章  神經網路與深度學習之一：基礎
第10章  神經網路與深度學習之二：結構
第11章  神經網路與深度學習之三：擴展
第12章  聚類和EM演算法
第13章  降維和連續隱變數學習
第14章  強化學習之一：經典方法
第15章  強化學習之二：深度強化學習
第16章  深度生成模型
附錄A  課程的實踐型作業實例
附錄B  函數對向量和矩陣的求導
附錄C  術語表
參考文獻

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

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

同類熱銷排行榜

最近瀏覽的商品

機器學習(新興領域十四五高等教育教材)/新一代信息技術人工智慧系列叢書