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

食品大數據機器學習基礎及應用(石油和化工行業十四五規劃教材)

  • 作者：編者:朱金林//閆博文//張灝|責編:傅四周
  • 出版社：化學工業
  • ISBN：9787122477422
  • 出版日期：2025/08/01
  • 裝幀：平裝
  • 頁數：217
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    《食品大數據機器學習基礎及應用》是為食品科學與技術領域中的數據分析和機器學習應用而編寫的基礎教材。本書以食品行業的大數據分析為核心，系統地介紹了機器學習的基礎理論、關鍵技術及其在食品行業的具體應用案例，旨在培養學生和專業人士在食品數據分析領域的實際操作能力和創新思維。本書共分為9章，主要內容包括：緒論、Python數據分析與可視化基礎、特徵工程、機器學習中的聚類演算法、線性模型、概率模型、核方法與核函數、決策樹與集成學習，以及深度學習技術及其在食品行業中的應用。本書內容豐富、結構清晰，同時涵蓋了從大數據基礎概念到深度學習在食品領域的前沿應用，具有較強的實用性。
    《食品大數據機器學習基礎及應用》適合作為高等院校食品科學與工程、數據科學與大數據技術等專業的機器學習相關課程教材或教學參考書，也適合作為人工智慧、數據科學、機器學習相關領域工程技術人員的參考書。
作者介紹
編者:朱金林//閆博文//張灝|責編:傅四周
目錄
1  緒論
  1.1  大數據概述
    1.1.1  數據基礎概念
    1.1.2  大數據的來源與定義
    1.1.3  大數據的特徵與結構類型
    1.1.4  大數據的存儲與分析技術
  1.2  食品大數據概述
    1.2.1  食品大數據的定義
    1.2.2  食品大數據的特點
    1.2.3  食品大數據的分類
    1.2.4  食品大數據的研究現狀
  1.3  機器學習概述
    1.3.1  機器學習概念
    1.3.2  機器學習任務
    1.3.3  機器學習數據
    1.3.4  機器學習方法
    1.3.5  數據規律的挖掘
    1.3.6  機器學習模型的適應性
    1.3.7  機器學習的一般流程
    1.3.8  機器學習模型性能的評估
  1.4  機器學習與食品大數據分析
    1.4.1  食品生產與加工
    1.4.2  食品質量與安全
    1.4.3  食品營養與健康
  1.5  小結
  參考文獻
2  Python數據分析與可視化基礎
  2.1  Python開發環境介紹
  2.2  數值計算工具NumPy
    2.2.1  NumPy簡介
    2.2.2  ndarray對象
    2.2.3  數組的創建、切片和索引
  2.3  可視化工具 Matplotlib
    2.3.1  Matplotlib簡介
    2.3.2  Matplotlib中的Pyplot
  2.4  統計工具 Scipy
    2.4.1  Scipy簡介
    2.4.2  Scipy稀疏矩陣
    2.4.3  Scipy圖結構
  2.5  數據處理工具 Pandas
    2.5.1  Pandas簡介
    2.5.2  Pandas數據結構——Series
    2.5.3  Pandas數據結構——DataFrame
  2.6  機器學習工具 Sklearn
    2.6.1  Sklearn簡介
    2.6.2  Sklearn數據
    2.6.3  Sklearn模型
  2.7  小結
  參考文獻
3  特徵工程

  3.1  數據獲取與數據清洗
    3.1.1  數據獲取
    3.1.2  數據清洗
  3.2  特徵轉換
    3.2.1  無量綱化
    3.2.2  離散化與啞編碼
  3.3  特徵提取
    3.3.1  特徵選擇
    3.3.2  降維
  3.4  小結
  參考文獻
4  聚類演算法
  4.1  聚類的原理與實現
    4.1.1  聚類的概念
    4.1.2  聚類演算法在食品領域的應用
    4.1.3  距離的度量方式
    4.1.4  聚類演算法的分類
  4.2  K-means聚類演算法
    4.2.1  K-means聚類演算法的原理
    4.2.2  K-means聚類演算法的實現流程
    4.2.3  K-means聚類演算法的優缺點
  4.3  層次聚類演算法
    4.3.1  層次聚類演算法的基本原理
    4.3.2  層次聚類演算法的實現流程
    4.3.3  層次聚類演算法的優缺點
  4.4  DBSCAN聚類演算法
    4.4.1  DBSCAN聚類演算法的基本原理
    4.4.2  DBSCAN聚類演算法的實現流程
    4.4.3  DBSCAN聚類演算法的優缺點
  4.5  譜聚類演算法
    4.5.1  譜聚類演算法的基本原理
    4.5.2  譜聚類演算法的實現流程
    4.5.3  譜聚類演算法的優缺點
  4.6  高斯混合聚類演算法
    4.6.1  高斯混合聚類演算法的基本原理
    4.6.2  高斯混合聚類演算法的實現流程
    4.6.3  高斯混合聚類演算法的優缺點
  4.7  案例：聚類演算法實現食物營養成分分析
  4.8  小結
  參考文獻
5  線性模型
  5.1  線性模型概述
    5.1.1  線性模型的概念
    5.1.2  線性模型在食品領域的應用
  5.2  線性回歸
    5.2.1  線性回歸演算法
    5.2.2  嶺回歸演算法
    5.2.3  Lasso回歸演算法
    5.2.4  彈性網路演算法
  5.3  邏輯回歸

    5.3.1  邏輯回歸的基本原理
    5.3.2  邏輯回歸的實現流程
    5.3.3  邏輯回歸演算法的優缺點
  5.4  偏最小二乘法
    5.4.1  偏最小二乘法的基本原理
    5.4.2  偏最小二乘法的實現流程
    5.4.3  偏最小二乘法的優缺點
  5.5  案例：線性模型預測鮑魚年齡
  5.6  小結
  參考文獻
6  概率模型
  6.1  貝葉斯方法
    6.1.1  貝葉斯方法的提出
    6.1.2  貝葉斯定理
    6.1.3  貝葉斯方法在食品領域的應用
  6.2  貝葉斯線性回歸
    6.2.1  貝葉斯線性回歸的基本原理
    6.2.2  貝葉斯線性回歸的優缺點
  6.3  樸素貝葉斯分類
    6.3.1  樸素貝葉斯分類的基本原理
    6.3.2  樸素貝葉斯分類的優缺點
  6.4  貝葉斯網路
    6.4.1  貝葉斯網路的定義
    6.4.2  貝葉斯網路的構建
    6.4.3  貝葉斯網路的推理
  6.5  案例一：貝葉斯線性回歸預測葡萄酒密度
  6.6  案例二：樸素貝葉斯實現牛奶品質預測
  6.7  小結
  參考文獻
7  核方法與核函數
  7.1  核方法概述
    7.1.1  核方法的概念
    7.1.2  核函數的概念
    7.1.3  常用核函數
    7.1.4  核方法在食品領域的應用
  7.2  支持向量機
    7.2.1  支持向量機的理論基礎
    7.2.2  支持向量機的實現流程
    7.2.3  支持向量機的間隔
    7.2.4  支持向量機的優缺點
  7.3  相關向量機
    7.3.1  相關向量機的基本原理
    7.3.2  相關向量機的實現流程
    7.3.3  相關向量機的優缺點
  7.4  高斯過程回歸
    7.4.1  高斯過程回歸的基本原理
    7.4.2  高斯過程回歸的實現流程
    7.4.3  高斯過程回歸的優缺點
  7.5  案例一：支持向量機實現水果分類
  7.6  案例二：高斯過程回歸預測螃蟹年齡

  7.7  小結
  參考文獻
8  決策樹與集成學習
  8.1  決策樹
    8.1.1  決策樹的基本概念
    8.1.2  ID3演算法
    8.1.3  C4.5演算法
    8.1.4  CART演算法
    8.1.5  Sklearn實現決策樹演算法
  8.2  集成學習理論
    8.2.1  集成學習演算法的基本原理
    8.2.2  決策樹和集成學習在食品領域的應用
    8.2.3  Bagging演算法
    8.2.4  Boosting演算法
    8.2.5  Stacking演算法
    8.2.6  Sklearn實現集成學習演算法
  8.3  隨機森林
    8.3.1  隨機森林演算法的基本原理
    8.3.2  隨機森林演算法的實現流程
    8.3.3  隨機森林演算法的優缺點
  8.4  梯度提升決策樹
    8.4.1  梯度提升決策樹的基本原理
    8.4.2  梯度提升決策樹的實現流程
    8.4.3  梯度提升決策樹的優缺點
  8.5  極端梯度提升決策樹
    8.5.1  極端梯度提升決策樹的基本原理
    8.5.2  極端梯度提升決策樹的實現流程
    8.5.3  極端梯度提升決策樹的優缺點
  8.6  案例一：隨機森林演算法預測牛奶品質類別
  8.7  案例二：Boosting演算法預測食物熱量
  8.8  小結
  參考文獻
9  深度學習
  9.1  深度學習簡介
    9.1.1  人工神經網路
    9.1.2  深度學習框架
  9.2  卷積神經網路
    9.2.1  卷積神經網路的結構和工作原理
    9.2.2  卷積神經網路在食品領域的應用
    9.2.3  食物目標檢測
    9.2.4  食物營養分析
  9.3  循環神經網路
    9.3.1  循環神經網路的結構和工作原理
    9.3.2  循環神經網路在食品領域的應用
    9.3.3  食品評論情感分析與消費者意見挖掘
    9.3.4  食品生產過程故障監測
  9.4  生成對抗網路
    9.4.1  生成模型簡介
    9.4.2  生成對抗網路的基本原理
    9.4.3  生成對抗網路在食品領域的應用

    9.4.4  食品圖像數據生成
  9.5  遷移學習
    9.5.1  遷移學習的基本概念
    9.5.2  遷移學習在食品領域的應用
    9.5.3  遷移學習在食品加工原料質量控制中的應用
    9.5.4  食品生產過程式控制制
  9.6  自然語言處理
    9.6.1  自然語言處理的基本任務
    9.6.2  自然語言處理在食品領域的應用
    9.6.3  大型語言模型挖掘微生物組-疾病關聯
  9.7  小結
  參考文獻
附錄

  • 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