同類熱銷排行榜

Python機器學習與深度學習

作者：編者:王娟|責編:張中興//梁清//孫翠勤
出版社：科學
ISBN：9787030817501

出版日期：2025/06/01
裝幀：平裝
頁數：615

人民幣：RMB 149 元售價：元

內容大鋼

    本書堅持理論教學環節與實驗實踐教學環節並重的教育理念，不僅詳細探討了機器學習和深度學習原理，即「模型、學習準則和優化演算法」，而且對每一個模型均輔以Python「自編碼」演算法設計，詳細再現了從原理分析到演算法設計與應用的過程和思想，使理論分析、優化計算與演算法設計三者交互映襯，便於讀者學習掌握。
    本書共包含16章，既涵蓋了經典的機器學習模型，如線性模型、k-近鄰、支持向量機、決策樹、貝葉斯模型、集成學習、聚類等，又涵蓋了深度學習領域新興優秀的學習模型，如卷積神經網路、循環神經網路、自然語言處理和生成式深度學習等。
    本書適用於數學與應用數學、信息與計算科學、統計學、電腦科學與技術等理工科專業的高年級本科生，作為機器學習、神經網路或深度學習的理論教材或實驗實踐配套教材（加*的內容可供學生自主學習），特別適合人工智慧領域或相關研究領域的研究生參考學習，或對人工智慧感興趣的工程技術人員參考閱讀。

作者介紹

編者:王娟|責編:張中興//梁清//孫翠勤

前言
第1章  Python與機器學習基礎
  1.1  Python語言及其基本語法
    1.1.1  Python語言與開發環境
    1.1.2  Python語法與面向數組計算
  1.2  Python模塊化設計與感知機
    1.2.1  Python模塊化設計
    1.2.2  感知機模型
    1.2.3  感知機的演算法設計
  1.3  機器學習與深度學習基礎
    1.3.1  機器學習簡述
    1.3.2  機器學習的類型
    1.3.3  深度學習簡述
  1.4  過擬合與泛化性能
    1.4.1  過擬合
    1.4.2  偏差與方差
  1.5  習題與實驗
  1.6  本章小結
  1.7  參考文獻
第2章  模型評估與多分類學習
  2.1  評估方法
    2.1.1  留出法
    2.1.2  k折交叉驗證法
    2.1.3  自助法
    2.1.4  調參與最終模型
    2.1.5  Hyperopt自動化超參數調優
  2.2  性能度量
    2.2.1  性能度量指標
    2.2.2  P-R曲線
    2.2.3  ROC曲線
    2.2.4  代價敏感錯誤率與代價曲線
    2.2.5  性能度量演算法設計
  2.3  多分類學習
    2.3.1  多分類學習策略
    2.3.2  多分類學習的演算法設計
  2.4  習題與實驗
  2.5  本章小結
  2.6  參考文獻
第3章  線性回歸
  3.1  線性回歸模型的閉式解
    3.1.1  學習準則與閉式解
    3.1.2  可決係數
    3.1.3  演算法設計與應用
  3.2  梯度下降法迭代優化
    3.2.1  梯度下降法與參數更新公式
    3.2.2  演算法設計與應用
  3.3  多項式回歸
    3.3.1  模型建立與演算法設計
    3.3.2  學習曲線
  3.4  線性回歸的正則化方法

    3.4.1  Ridge回歸及其演算法設計
    3.4.2  LASSO回歸及其演算法設計
    3.4.3  ElasticNet回歸及其演算法設計
  3.5  習題與實驗
  3.6  本章小結
  3.7  參考文獻
第4章  邏輯回歸
  4.1  二分類學習任務
    4.1.1  邏輯回歸模型與交叉熵損失函數.
    4.1.2  梯度下降法及其加速演算法
    4.1.3  線性收斂的隨機優化演算法
    4.1.4  二階優化的擬牛頓演算法
    4.1.5  二分類演算法設計與應用
  4.2  多分類學習任務
    4.2.1  Softmax回歸和學習策略
    4.2.2  多分類演算法設計與實現
  4.3  習題與實驗
  4.4  本章小結
  4.5  參考文獻
第5章  判別分析與主成分分析
  5.1  LDA二分類問題
    5.1.1  廣義瑞利商和LDA模型求解
    5.1.2  LDA二分類問題演算法
  5.2  LDA多分類任務的降維與預測
    5.2.1  LDA多分類模型建立和求解
    5.2.2  LDA多分類任務的降維與預測演算法
  5.3  二次判別分析
  5.4  主成分分析
    5.4.1  主成分分析原理
    5.4.2  QR正交分解法求實對稱矩陣特徵值與特徵向量
    5.4.3  主成分分析演算法設計
  5.5  核主成分分析
  5.6  習題與實驗
  5.7  本章小結
  5.8  參考文獻
第6章  決策樹
  6.1  特徵劃分選擇與連續值處理
    6.1.1  信息熵
    6.1.2  離散特徵變數的劃分標準
    6.1.3  連續特徵變數的劃分標準與分箱處理
    6.1.4  特徵劃分選擇標準的演算法設計
  6.2  決策樹演算法設計
  6.3  剪枝處理
  6.4  基於CART的回歸樹
  6.5  習題與實驗
  6.6  本章小結
  6.7  參考文獻
第7章  k-近鄰
  7.1  距離度量
  7.2  kd樹的建立與搜索

  7.3  k-近鄰演算法設計
  7.4  習題與實驗
  7.5  本章小結
  7.6  參考文獻
第8章  貝葉斯分類器
  8.1  樸素貝葉斯分類器
    8.1.1  樸素貝葉斯分類器原理
    8.1.2  樸素貝葉斯分類器演算法設計
  8.2  半樸素貝葉斯分類器
    8.2.1  半樸素貝葉斯分類器原理
    8.2.2  基於AODE演算法的半樸素貝葉斯演算法設計
  8.3  習題與實驗
  8.4  本章小結
  8.5  參考文獻
第9章  支持向量機
  9.1  線性可分支持向量機
    9.1.1  間隔與支持向量
    9.1.2  對偶問題與KKT條件
    9.1.3  線性可分支持向量機模型
  9.2  軟間隔與線性支持向量機
  9.3  核函數與非線性支持向量機
  9.4  SMO與Pegasos優化演算法
    9.4.1  SMO演算法
    9.4.2  Pegasos演算法
  9.5  支持向量機的演算法設計
  9.6  支持向量機回歸
    9.6.1  SVR模型與學習
    9.6.2  SVR演算法設計
  9.7  習題與實驗
  9.8  本章小結
  9.9  參考文獻
第10章  集成學習
  10.1  Boosting族演算法
    10.1.1  AdaBoost分類及其變體演算法
    10.1.2  AdaBoost回歸
    10.1.3  回歸問題的提升樹與GBDT演算法
    10.1.4  分類問題的GBDT演算法
  10.2  Bagging與隨機森林
    10.2.1  Bagging
    10.2.2  隨機森林
  10.3  XGBoost
    10.3.1  XGBoost模型與學習
    10.3.2  XGBoost分類與回歸演算法.
  10.4  習題與實驗.
  10.5  本章小結
  10.6  參考文獻
第11章  聚類
  11.1  聚類的性能度量和距離度量
  11.2  原型聚類
    11.2.1  k-means聚類

    11.2.2  學習向量量化
    11.2.3  高斯混合聚類
  11.3  密度聚類
  11.4  層次聚類
  11.5  習題與實驗
  11.6  本章小結
  11.7  參考文獻
第12章  前饋神經網路
  12.1  單層神經網路
  12.2  BP神經網路
    12.2.1  BP神經網路訓練原理
    12.2.2  Affine層設計
    12.2.3  BP神經網路架構設計
    12.2.4  加速優化學習方法
    12.2.5  基於優化學習方法的BP神經網路演算法設計
  12.3  神經網路多分類問題
  12.4  深度神經網路學習
    12.4.1  梯度消失和激活函數
    12.4.2  網路權重初始化方法
    12.4.3  過擬合和節點丟棄
    12.4.4  批歸一化
  12.5  徑向基函數神經網路
  12.6  習題與實驗
  12.7  本章小結
  12.8  參考文獻
第13章  卷積神經網路
  13.1  卷積層
  13.2  池化層
  13.3  卷積神經網路的演算法設計
    13.3.1  卷積層的演算法設計
    13.3.2  池化層的演算法設計
    13.3.3  CNN演算法設計架構
  13.4  習題與實驗
  13.5  本章小結
  13.6  參考文獻
第14章  循環神經網路與自然語言處理
  14.1  簡單循環神經網路模型
    14.1.1  S-RNN模型與學習
    14.1.2  S-RNN演算法設計
  14.2  長短期記憶網路
    14.2.1  LSTM模型與學習
    14.2.2  LSTM演算法設計
  14.3  門控循環單元網路
    14.3.1  GRU模型與學習
    14.3.2  GRU演算法設計
  14.4  自然語言處理
    14.4.1  word2vec模型
    14.4.2  Seq2Seq模型
    14.4.3  Attention機制
  14.5  習題與實驗

  14.6  本章小結
  14.7  參考文獻
第15章  自組織映射神經網路
  15.1  SOM網路模型和學習
  15.2  SOM演算法設計
  15.3  習題與實驗
  15.4  本章小結
  15.5  參考文獻
第16章  生成式深度學習
  16.1  變分自編碼器
    16.1.1  VAE模型和學習
    16.1.2  VAE演算法設計
  16.2  生成式對抗網路
    16.2.1  GAN模型和學習
    16.2.2  GAN演算法設計
  16.3  深度卷積生成式對抗網路DCGAN
  16.4  習題與實驗
  16.5  本章小結
  16.6  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

Python機器學習與深度學習