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

機器學習原理及應用(面向新工科普通高等教育系列教材)

  • 作者：編者:殷麗鳳//鄭廣海|責編:解芳//侯穎
  • 出版社：機械工業
  • ISBN：9787111771500
  • 出版日期：2025/01/01
  • 裝幀：平裝
  • 頁數：271
人民幣：RMB 75 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    機器學習是人工智慧領域的重要組成部分，其深度和廣度都在持續擴展。本書不僅對機器學習基礎知識進行了全面介紹，而且深入討論了各種經典和常用的機器學習方法。通過理論與實踐相結合的方式，幫助讀者理解機器學習的基本原理，掌握常用的方法，並能夠在實際問題中應用這些技術。本書共10章，可分為兩部分。第一部分主要介紹機器學習的背景知識，包括其定義、應用領域、發展歷程等。這部分旨在為讀者提供一個全面的視角，從而了解機器學習的概貌。第二部分則側重於技術的討論，包括各種經典和常用的機器學習方法的具體實現和應用。這部分的內容深入淺出，通過豐富的案例，幫助讀者理解各種方法的應用場景和優劣勢。此外，每章都提供了習題供讀者鞏固所學知識。
    本書不僅適合作為高等院校電腦、軟體工程、自動化及相關專業的本科生或研究生教材，也適合作為對機器學習感興趣的研究人員和工程技術人員的參考書。
作者介紹
編者:殷麗鳳//鄭廣海|責編:解芳//侯穎
目錄
前言
第1章  緒論
  1.1  機器學習的定義
  1.2  機器學習的發展歷史
  1.3  機器學習的分類
    1.3.1  監督學習
    1.3.2  無監督學習
    1.3.3  半監督學習
    1.3.4  強化學習
  1.4  基本術語與符號
    1.4.1  基本術語
    1.4.2  基本符號
  1.5  機器學習的過程
  1.6  將Python用於機器學習
    1.6.1  安裝Python解釋器
    1.6.2  安裝PyCharm
    1.6.3  安裝Anaconda
    1.6.4  用於科學計算、數據科學和機器學習的軟體包
  1.7  本章小結
  1.8  習題
第2章  模型評估與調優
  2.1  概述
  2.2  評估方法
    2.2.1  留出法
    2.2.2  交叉驗證法
    2.2.3  留一法交叉驗證
    2.2.4  自助法
  2.3  優化
    2.3.1  用學習和驗證曲線調試演算法
    2.3.2  通過網格搜索調優機器學習模型
  2.4  性能度量
    2.4.1  錯誤率與準確率
    2.4.2  查准率、查全率與F1
    2.4.3  ROC與AUC
    2.4.4  多元分類評估指標
  2.5  本章小結
  2.6  習題
第3章  回歸分析
  3.1  引言
    3.1.1  回歸分析概述
    3.1.2  回歸分析的目標
    3.1.3  回歸分析的步驟
  3.2  一元線性回歸
    3.2.1  一元線性回歸模型
    3.2.2  參數w和b的推導過程
    3.2.3  一元線性回歸模型的代碼實現及應用
  3.3  多元線性回歸
    3.3.1  多元線性回歸模型和參數求解
    3.3.2  多元線性回歸模型的代碼實現及應用
  3.4  對率回歸

    3.4.1  對率回歸模型
    3.4.2  參數w和b的推導過程
    3.4.3  參數更新公式的推導
    3.4.4  對率回歸模型的代碼實現及應用
  3.5  多項式回歸
  3.6  正則化回歸
    3.6.1  嶺回歸模型
    3.6.2  最小絕對收縮與選擇運算元（LASSO回歸）
    3.6.3  彈性網路
  3.7  回歸模型的評價指標
  3.8  回歸分析實踐
    3.8.1  構建波士頓房價預測模型
    3.8.2  構建信用卡欺詐行為分類模型
  3.9  本章小結
  3.10  習題
第4章  決策樹
  4.1  決策樹概述
    4.1.1  決策樹的概念
    4.1.2  決策樹的優缺點
  4.2  決策樹的劃分準則
    4.2.1  信息增益
    4.2.2  增益率
    4.2.3  基尼指數
  4.3  決策樹的建立
    4.3.1  決策樹的歸納過程
    4.3.2  決策樹實例分析
    4.3.3  決策樹停止準則
    4.3.4  決策樹剪枝
  4.4  多變數決策樹
  4.5  集成方法
    4.5.1  隨機森林
    4.5.2  梯度提升樹
  4.6  回歸樹
    4.6.1  回歸決策樹
    4.6.2  回歸加權平均樹
    4.6.3  隨機森林回歸樹
    4.6.4  梯度提升回歸樹
  4.7  決策樹實踐
    4.7.1  構建巴黎住房分類模型
    4.7.2  構建航班價格預測模型
  4.8  本章小結
  4.9  習題
第5章  神經網路
  5.1  神經網路的發展歷史
  5.2  神經元模型
    5.2.1  生物學的神經元模型
    5.2.2  M-P神經元模型
  5.3  激活函數
    5.3.1  Sigmoid激活函數
    5.3.2  tanh激活函數

    5.3.3  ReLU激活函數
    5.3.4  採用激活函數的原因
    5.3.5  激活函數的特點
  5.4  感知機模型
    5.4.1  感知機模型的結構
    5.4.2  感知機模型的原理
    5.4.3  感知機模型的實現
    5.4.4  感知機模型的優缺點
  5.5  多層前饋神經網路模型
    5.5.1  多層前饋神經網路的工作原理
    5.5.2  多層前饋神經網路參數的學習過程
    5.5.3  多層前饋神經網路演算法的實現
  5.6  訓練方法
    5.6.1  梯度下降法
    5.6.2  隨機梯度下降法
    5.6.3  小批量梯度下降法
  5.7  梯度消失和梯度爆炸
    5.7.1  產生原因
    5.7.2  解決方案
  5.8  神經網路實踐：構建南瓜子分類模型
    5.8.1  數據的簡單分析
    5.8.2  利用感知機
    5.8.3  利用多層感知機
  5.9  本章小結
  5.10  習題
第6章  支持向量機
  6.1  支持向量機概述
    6.1.1  線性分類
    6.1.2  最大間隔分類
  6.2  硬間隔支持向量機
    6.2.1  硬間隔支持向量機模型
    6.2.2  利用對偶問題求解
    6.2.3  硬間隔支持向量機求解實例
  6.3  核支持向量機
    6.3.1  核函數
    6.3.2  核函數求解實例
  6.4  軟間隔支持向量機
    6.4.1  鬆弛變數
    6.4.2  對偶問題
  6.5  感知機與SVM線性可分的區別
  6.6  SVM的優缺點
  6.7  支持向量機實踐：構建手機價格分類模型
    6.7.1  數據的簡單分析
    6.7.2  利用硬間隔支持向量機
    6.7.3  利用軟間隔支持向量機
  6.8  本章小結
  6.9  習題
第7章  貝葉斯分類器
  7.1  貝葉斯分類器概述
    7.1.1  貝葉斯定理

    7.1.2  貝葉斯定理的應用
    7.1.3  貝葉斯思想
  7.2  貝葉斯分類器的原理
    7.2.1  貝葉斯決策論
    7.2.2  極大似然估計
  7.3  樸素貝葉斯分類器
  7.4  半樸素貝葉斯分類器
    7.4.1  超父獨依賴分類器
    7.4.2  平均獨依賴估計
    7.4.3  樹增廣樸素貝葉斯
  7.5  貝葉斯網路
    7.5.1  貝葉斯網路的定義
    7.5.2  貝葉斯網路的結構特徵
    7.5.3  貝葉斯網路的學習
    7.5.4  貝葉斯網路的推斷
  7.6  貝葉斯分類器實踐：構建鳶尾花分類模型
    7.6.1  數據的簡單分析
    7.6.2  利用樸素貝葉斯
    7.6.3  利用半樸素貝葉斯
    7.6.4  利用貝葉斯網路
  7.7  本章小結
  7.8  習題
第8章  聚類分析
  8.1  聚類概述
    8.1.1  聚類的相關概念
    8.1.2  聚類與分類的區別
    8.1.3  聚類演算法的分類
    8.1.4  相似性度量
    8.1.5  歸一化處理
  8.2  基於劃分的聚類演算法
    8.2.1  K-Means演算法
    8.2.2  K-Means++演算法
    8.2.3  K-Medoid演算法
    8.2.4  Kernel K-Means演算法
    8.2.5  Mini-Batch K-Means演算法
    8.2.6  K-Means with TriangleInequality演算法
  8.3  基於層次的聚類演算法
    8.3.1  層次聚類演算法的基礎
    8.3.2  Hierarchical K-Means演算法
    8.3.3  Agglomerative Clustering演算法
    8.3.4  BIRCH演算法
  8.4  基於密度的聚類演算法
    8.4.1  DBSCAN演算法
    8.4.2  OPTICS演算法
  8.5  譜聚類演算法
    8.5.1  圖劃分思想
    8.5.2  相似度矩陣
    8.5.3  拉普拉斯矩陣
    8.5.4  譜聚類演算法的步驟
  8.6  基於網格的聚類演算法

  8.7  基於模型的聚類演算法
  8.8  聚類評估
    8.8.1  估計聚類趨勢
    8.8.2  確定簇數
    8.8.3  測定聚類質量
  8.9  聚類分析實踐：對客戶進行細分
    8.9.1  數據預處理
    8.9.2  利用K-Means演算法
    8.9.3  利用Agglomerative Clustering演算法
  8.10  本章小結
  8.11  習題
第9章  降維技術
  9.1  降維的重要性
    9.1.1  維度爆炸
    9.1.2  降維的原因
  9.2  主成分分析演算法
    9.2.1  向量投影和矩陣投影的含義
    9.2.2  向量降維和矩陣降維
    9.2.3  PCA的優化目標
    9.2.4  PCA演算法的原理
    9.2.5  PCA演算法的步驟
    9.2.6  PCA的應用
    9.2.7  核主成分分析
  9.3  奇異值分解
    9.3.1  矩陣的特徵分解
    9.3.2  SVD的定義
    9.3.3  SVD演算法的步驟
    9.3.4  SVD的重要性質
  9.4  降維技術實踐：對生物體的基因進行降維
    9.4.1  數據的簡單分析
    9.4.2  利用PCA進行降維
    9.4.3  利用SVD進行降維
  9.5  本章小結
  9.6  習題
第10章  集成學習
  10.1  自助聚合演算法
    10.1.1  Bagging演算法的思想
    10.1.2  隨機森林
  10.2  可提升演算法
    10.2.1  Boosting的基本概念
    10.2.2  AdaBoost
    10.2.3  Bagging與Boosting的區別
    10.2.4  梯度提升演算法
  10.3  堆疊演算法
  10.4  集成學習實踐：構建紅酒分類模型
    10.4.1  利用Bagging實現
    10.4.2  利用Boosting實現
    10.4.3  利用Stacking實現
  10.5  本章小結
  10.6  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