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--數據表示學習及應用(高等學校大數據專業系列教材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:張春陽//陳俊龍|責編:陳景輝//張愛華
  • 出版社：清華大學
  • ISBN：9787302680185
  • 出版日期：2025/01/01
  • 裝幀：平裝
  • 頁數：195
人民幣：RMB 59.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書從數據表示學習角度介紹機器學習及其應用。全書共7章，分別介紹數據表示學習與數學基礎、傳統降維方法、分散式表示學習和聚類演算法、稀疏表示學習、神經網路中的特徵提取、生成式表示學習和對比式表示學習。本書涉及的數據表示學習演算法的具體應用領域包括電腦視覺、自然語言處理以及圖網路分析等。
    本書主要面向廣大從事人工智慧、機器學習或深度學習、數據挖掘、模式識別等領域的專業人員，從事高等教育的專任教師，高等院校的在讀學生及相關領域的廣大科研人員。
作者介紹
編者:張春陽//陳俊龍|責編:陳景輝//張愛華
目錄
第1章  緒論
  1.1  機器學習簡介
  1.2  特徵工程與數據表示學習
  1.3  數學與概率基礎
第2章  傳統降維方法
  2.1  主成分分析
    2.1.1  標準的主成分分析
    2.1.2  核主成分分析
  2.2  多維尺度變換
    2.2.1  多維尺度變換的定義
    2.2.2  多維尺度變換的求解
  2.3  流形學習
    2.3.1  等距特徵映射
    2.3.2  局部線性嵌入
    2.3.3  拉普拉斯特徵映射
  2,3.4  局部切空間排列
    2.3.5  生成拓撲映射
  2.4  t分佈隨機鄰域嵌入
  2.5  自編碼器
    2.5.1  基本概念
    2.5.2  輸出層的激活函數
    2.5.3  損失函數
    2.5.4  自編碼器與主成分分析的比較
  參考文獻
第3章  分散式表示學習和聚類演算法
  3.1  分散式表示學習的概念
  3.2  K-means演算法和K近鄰演算法
    3.2.1  K-means演算法
    3.2.2  K-means的改進
    3.2.3  K近鄰演算法
    3.2.4  KNN的改進
  3.3  原型聚類演算法
    3.3.1  學習向量量化演算法
    3.3.2  高斯混合聚類演算法
  3.4  基於密度的聚類演算法
    3.4.1  DBSCAN演算法
    3.4.2  OPTICS演算法
    3.4.3  DENCLUE演算法
  3.5  層次聚類
    3.5.1  層次聚類方法鏈接
    3.5.2  經典層次聚類演算法的步驟
    3.5.3  層次聚類的改進演算法
  參考文獻
第4章  稀疏表示學習
  4.1  引言
  4.2  稀疏表示學習簡介
    4.2.1  專業名詞解析
    4.2.2  L1正則化
    4.2.3  奇異值分解
    4.2.4  缺失數據和矩陣填充

    4.2.5  有限等距性質
    4.2.6  信號與稀疏表示
    4.2.7  正交基
    4.2.8  用正交基通近
    4.2.9  用過完備基重構
  4.3  匹配追蹤演算法
    4.3.1  字典構建
    4.3.2  通過DCT基構建字典
    4.3.3  基於DCT字典圖像稀疏去噪演算法學習
    4.3.4  通過學習來構建字典
    4.3.5  重構演算法介紹
    4.3.6  凸鬆弛重構演算法
    4.3.7  貪婪演算法
  4.4  迭代加權最小二乘法
  4.5  壓縮感知
    4.5.1  基本思想介紹
    4.5.2  結構化稀疏重構模型
    4.5.3  壓縮感知架構
    4.5.4  基於字典的稀疏表示
    4.5.5  分塊壓縮感知
    4.5.6  結構化壓縮感知模型
    4.5.7  商品推薦應用
    4.5.8  信號傳輸應用
  參考文獻
第5章  神經網路中的特徵提取
  5.1  神經網路簡介
    5.1.1  生物神經網路
    5.1.2  人工神經元
    5.1.3  人工神經網路
  5.2  多層神經網路
    5.2.1  前向傳播
    5.2.2  反向傳播演算法
    5.2.3  神經網路之特徵提取Word2Vec
  5.3  卷積神經網路
    5.3.1  卷積層
    5.3.2  池化層
    5.3.3  全連接層
    5.3.4  卷積神經網路的特點
  5.4  循環神經網路
    5.4.1  序列數據
  5,4.2  循環神經網路
    5.4.3  循環神經網路的變體
    5.4.4  雙向LSTM之特徵提取ELMo
  5.5  圖神經網路
    5.5.1  圖結構定義
    5.5.2  通用的圖神經網路框架
    5.5.3  圖卷積網路
    5.5.4  GraphSAGE
    5.5.5  圖注意力網路
  參考文獻

第6章  生成式表示學習
  6.1  貝葉斯學習
    6.1.1  概率論基礎
    6.1.2  貝葉斯定理
    6.1.3  最大似然估計和KL散度
    6.1.4  貝葉斯分類
    6.1.5  概率生成式模型
    6.1.6  最大似然解
  6.2  近似推斷
    6.2.1  馬爾可夫鏈蒙特卡洛採樣
    6.2.2  證據下界
    6.2.3  變分推斷
  6.3  概率圖模型
    6.3.1  盤式記法
    6.3.2  馬爾可夫隨機場
    6.3.3  有向圖模型
    6.3.4  變分自編碼器
    6.3.5  混合概率圖模型
  6.4  生成對抗網路
    6.4.1  二項分佈的最大似然估計
    6.4.2  生成器
    6.4.3  生成對抗網路的交替優化
    6.4.4  GAN的訓練問題
  6.5  擴散模型
    6.5.1  擴散模型簡介
    6.5.2  前向過程
    6.5.3  逆向過程
    6.5.4  模型訓練
  參考文獻
第7章  對比式表示學習
  7.1  無監督表示學習
  7.2  對比式表示學習概述
  7.3  數據增強
    7.3.1  電腦視覺中的數據增強
    7.3.2  自然語言處理中的數據增強
    7.3.3  圖網路分析中的數據增強
  7.4  正負樣本的選擇
    7.4.1  正樣本採樣
    7.4.2  負樣本採樣
  7.5  相似性度量
    7.5.1  傳統的度量方式
    7.5.2  互信息度量
    7.5.3  理論分析
  7.6  對比框架
    7.6.1  電腦視覺中的對比式表示學習
    7.6.2  圖網路分析中的對比式表示學習
    7.6.3  自然語言處理中的對比式表示學習
  7.7  挑戰和未來工作
  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