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(新一代信息技術人工智慧與機器人戰略性新興領域十四五高等教育系列教材)

  • 作者：編者:李侃|責編:吉玲
  • 出版社：機械工業
  • ISBN：9787111768265
  • 出版日期：2024/09/01
  • 裝幀：平裝
  • 頁數：268
人民幣：RMB 65 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統地講解了機器學習的理論與方法，內容主要包括EM演算法和高斯混合模型、主題模型、採樣與非參數貝葉斯方法、聚類分析、支持向量機、概率無向圖模型、概率有向圖模型、矩陣與張量分解、多層感知機與卷積神經網路、序列神經網路，以及強化學習。本書旨在使讀者了解機器學習的發展過程，理解和掌握機器學習的基本原理、方法與主要應用。本書內容豐富，著重於講解機器學習理論的推導與證明，並通過實例進行方法分析與比較；本書強調機器學習的系統性、完整性、方法的時效性，可讀性強；同時，作為新形態教材，本書配備了大量的數字化資源，可以實現線上線下學習的無縫銜接。
    本書既可以作為國內各高等學校、科研院所本科生、研究生的教材，也可供國內外從事機器學習研究和工程應用的人員使用。
作者介紹
編者:李侃|責編:吉玲
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  基於學習系統的反饋分類
    1.3.2  基於所獲取知識的表示形式分類
    1.3.3  基於應用領域分類
    1.3.4  綜合分類
  1.4  性能度量
    1.4.1  數據集
    1.4.2  誤差
    1.4.3  過擬合與欠擬合
    1.4.4  評估方法
    1.4.5  性能度量
  本章小結
  習題
  參考文獻
第2章  EM演算法和高斯混合模型
  2.1  EM演算法
    2.1.1  極大似然估計
    2.1.2  EM演算法的引入
    2.1.3  EM演算法的推導
    2.1.4  EM演算法的步驟
    2.1.5  EM演算法的收斂性
  2.2  高斯混合模型
    2.2.1  單高斯模型
    2.2.2  高斯混合模型
    2.2.3  GMM參數估計
  本章小結
  習題
  參考文獻
第3章  主題模型
  3.1  傳統的主題模型
    3.1.1  VSM
    3.1.2  LSI模型
  3.2  概率主題模型
    3.2.1  LDA主題模型
    3.2.2  HDP-LDA主題模型
  3.3  具有Zipf定律性質的主題模型
    3.3.1  PY過程
    3.3.2  PHTM主題模型
  3.4  PHTM推理演算法
  本章小結
  習題
  參考文獻
第4章  採樣與非參數貝葉斯方法
  4.1  單個隨機變數採樣
    4.1.1  通過逆累積分佈函數採樣
    4.1.2  拒絕採樣（Rejection Sampling）

    4.1.3  重要性採樣（Importance Sampling）
  4.2  序列隨機變數採樣與馬爾可夫鏈蒙特卡羅
    4.2.1  MH演算法
    4.2.2  吉布斯採樣
    4.2.3  切片採樣（Slice Sampling）
  4.3  非參數貝葉斯與狄利克雷過程
    4.3.1  非參數貝葉斯
    4.3.2  狄利克雷過程
  4.4  狄利克雷過程的構造方式
    4.4.1  波利亞罈子過程
    4.4.2  折棍子過程
    4.4.3  中國餐館過程
  本章小結
  習題
  參考文獻
第5章  聚類分析
  5.1  數據相似性度量
  5.2  經典聚類演算法
    5.2.1  劃分方法
    5.2.2  層次聚類
    5.2.3  基於密度的聚類
    5.2.4  基於網格的方法
    5.2.5  基於模型的方法
  5.3  k-means、k中心點方法及其改進方法
    5.3.1  k-means
    5.3.2  k中心點
    5.3.3  核k-means
    5.3.4  EM聚類
    5.3.5  基於隨機搜索應用於大型應用的聚類演算法CLARANS
  5.4  譜聚類
    5.4.1  相似圖
    5.4.2  拉普拉斯矩陣
    5.4.3  譜聚類演算法
  5.5  基於約束的聚類
    5.5.1  含有障礙物的對象聚類
    5.5.2  用戶約束的聚類分析
    5.5.3  半監督聚類分析
  5.6  在線聚類
  5.7  聚類與降維
  本章小結
  習題
  參考文獻
第6章  支持向量機
  6.1  統計學習理論
    6.1.1  經驗風險最小化
    6.1.2  VC維
    6.1.3  結構風險最小化
  6.2  支持向量機的基本原理
  6.3  支持向量機分類器
    6.3.1  線性支持向量機分類器

    6.3.2  非線性可分的支持向量機分類器
    6.3.3  一類分類
    6.3.4  多類分類
  6.4  核函數
    6.4.1  核函數的定義
    6.4.2  核函數的構造
    6.4.3  幾種常用的核函數
  6.5  支持向量回歸機
  6.6  支持向量機的應用實例
    6.6.1  圖像分類
    6.6.2  其他應用
  本章小結
  習題
  參考文獻
第7章  概率無向圖模型
  7.1  概率無向圖模型
  7.2  對數線性模型
    7.2.1  邏輯斯蒂回歸模型
    7.2.2  最大熵模型
    7.2.3  馬爾可夫隨機場
  7.3  條件隨機場
    7.3.1  模型
    7.3.2  條件隨機場的關鍵問題
  本章小結
  習題
  參考文獻
第8章  概率有向圖模型
  8.1  概率有向圖模型
  8.2  貝葉斯網路
    8.2.1  貝葉斯定理
    8.2.2  有向分離
    8.2.3  貝葉斯網路構造
    8.2.4  貝葉斯網路學習
  8.3  隱馬爾可夫模型
    8.3.1  隱馬爾可夫模型描述
    8.3.2  隱馬爾可夫模型的三個基本問題
  本章小結
  習題
  參考文獻
第9章  矩陣與張量分解
  9.1  等值與低秩矩陣分解
  9.2  非負矩陣分解
  9.3  矩陣分解與推薦系統
  9.4  張量分解
  9.5  非負張量分解
  本章小結
  習題
  參考文獻
第10章  多層感知機與卷積神經網路
  10.1  感知機

  10.2  多層感知機
    10.2.1  誤差反傳演算法
    10.2.2  多層感知機的優勢和局限性
    10.2.3  誤差反傳演算法的改進
  10.3  卷積神經網路
    10.3.1  卷積神經網路的生物學基礎
    10.3.2  卷積的基本操作
    10.3.3  典型卷積神經網路
    10.3.4  卷積神經網路的訓練技巧
  本章小結
  習題
  參考文獻
第11章  序列神經網路
  11.1  循環神經網路結構
  11.2  循環神經網路的訓練
    11.2.1  損失函數
    11.2.2  時間反向傳播演算法
    11.2.3  梯度消失與梯度爆炸
  11.3  雙向循環神經網路與深度循環神經網路
  11.4  長短期記憶網路
    11.4.1  LSTM記憶單元
    11.4.2  LSTM記憶方式
  11.5  門控循環單元
  11.6  Transformer
    11.6.1  Transformer模型架構
    11.6.2  多頭自注意力機制
    11.6.3  前饋神經網路
    11.6.4  位置編碼
  本章小結
  習題
  參考文獻
第12章  強化學習
  12.1  強化學習模型及基本要素
    12.1.1  強化學習模型
    12.1.2  強化學習基本要素
  12.2  馬爾可夫決策過程
    12.2.1  馬爾可夫過程
    12.2.2  馬爾可夫決策過程
  12.3  部分可觀測的馬爾可夫決策過程
  12.4  模型已知的強化學習
    12.4.1  線性規劃
    12.4.2  策略迭代
    12.4.3  值迭代
    12.4.4  廣義策略迭代
  12.5  模型未知的強化學習
    12.5.1  蒙特卡羅方法
    12.5.2  時間差分法
    12.5.3  Q學習與SARSA學習
    12.5.4  Actor-Critic學習
  12.6  基於逼近方法的強化學習

    12.6.1  值函數逼近的TD學習
    12.6.2  近似值迭代方法
    12.6.3  近似策略迭代
  12.7  深度強化學習
    12.7.1  深度Q學習（Deep Q-learning）
    12.7.2  深度雙Q學習
    12.7.3  非同步深度Q學習
  12.8  其他深度強化學習
  本章小結
  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