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

機器學習及其應用/新型工業化新計算人工智慧系列

  • 作者：編者:劉佳琦//鍾玉珍//吳鑫|責編:劉瑀
  • 出版社：電子工業
  • ISBN：9787121506222
  • 出版日期：2025/07/01
  • 裝幀：平裝
  • 頁數：169
人民幣：RMB 49 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    機器學習作為人工智慧的一個分支，它涵蓋了利用技術使電腦能夠從數據中識別問題並將其應用於人工智慧程序的方法。本書是機器學習領域的入門教材，系統、詳細地講述機器學習的主要方法與理論，闡明演算法的運行過程，並緊密結合企業實踐與應用，根據企業實際需求設計演算法案例。本書共11章，分別介紹機器學習基本概念、決策樹、K最近鄰演算法、支持向量機、線性模型、貝葉斯分類器、數據降維、聚類演算法、人工神經網路、隨機森林等基礎模型或演算法。本書通過具體的案例讓讀者學到思考問題的方式，包括決策樹演算法案例、K最近鄰演算法案例、SVM演算法案例、logistic回歸演算法案例、貝葉斯分類器案例、數據降維演算法案例、聚類演算法案例、人工神經網路案例、隨機森林案例，幫助讀者了解機器學習的各種演算法，讓讀者真正理解演算法、學會使用演算法。
    對於電腦科學、人工智慧及其相關專業的本科生與研究生而言，本書是入門及深入學習的理想選擇；同時，對於致力於人工智慧產品研發的工程技術人員來說，本書極具參考價值。
作者介紹
編者:劉佳琦//鍾玉珍//吳鑫|責編:劉瑀
目錄
第1章  機器學習基本概念
  1.1  機器學習定義
  1.2  演算法分類
    1.2.1  有監督學習
    1.2.2  無監督學習
    1.2.3  分類與回歸
    1.2.4  判別模型與生成模型
    1.2.5  強化學習
  1.3  模型評價指標
  1.4  模型選擇
    1.4.1  訓練誤差和泛化誤差
    1.4.2  驗證數據集
    1.4.3  過擬合與欠擬合
    1.4.4  偏差-方差分解
第2章  決策樹
  2.1  基本概念
  2.2  決策樹的構建
    2.2.1  如何選擇最優的劃分屬性
    2.2.2  決策樹的關鍵參數
    2.2.3  決策樹的剪枝
    2.2.4  連續值與缺失值的處理
  2.3  訓練演算法
    2.3.1  遞歸分裂
    2.3.2  尋找最佳分裂
    2.3.3  葉節點值的設定
    2.3.4  屬性缺失
    2.3.5  剪枝演算法
  2.4  決策樹演算法案例
    2.4.1  案例1：鳥類與非鳥類判定
    2.4.2  案例2：隱形眼鏡的類型決策
第3章  K最近鄰演算法
  3.1  基本概念
  3.2  演算法原理及要素
  3.3  預測演算法
  3.4  距離定義
    3.4.1  常用距離定義
    3.4.2  距離度量學習
  3.5  K最近鄰演算法案例
    3.5.1  案例1：基於K最近鄰演算法的數據分類
    3.5.2  案例2：基於KNN演算法的手寫數字識別系統
第4章  支持向量機
  4.1  基本概念
  4.2  線性分類器
    4.2.1  線性分類器概述
    4.2.2  分類間隔
  4.3  線性可分性
    4.3.1  原問題
    4.3.2  對偶問題
  4.4  線性不可分
    4.4.1  原問題

    4.4.2  對偶問題
  4.5  核映射與核函數
  4.6  SMO演算法
    4.6.1  求解子問題
    4.6.2  優化變數的選擇
  4.7  多分類問題
  4.8  SVM演算法案例
    4.8.1  基於無核函數的小規模數據分類
    4.8.2  基於核函數的手寫數字識別
第5章  線性模型
  5.1  基本形式
  5.2  logistic回歸
  5.3  正則化logistic回歸
    5.3.1  對數似然函數
    5.3.2  L2正則化原問題
    5.3.3  L2正則化對偶問題
    5.3.4  L1正則化原問題
  5.4  logistic回歸演算法案例
    5.4.1  logistic回歸工作原理
    5.4.2  使用logistic回歸在簡單數據集上的分類
第6章  貝葉斯分類器
  6.1  貝葉斯決策
    6.1.1  貝葉斯決策概念
    6.1.2  貝葉斯決策模型的定義
    6.1.3  貝葉斯決策的常用方法
  6.2  貝葉斯分類方法
  6.3  樸素貝葉斯分類器
    6.3.1  離散型特徵
    6.3.2  連續型特徵
  6.4  正態貝葉斯分類器
    6.4.1  訓練演算法
    6.4.2  預測演算法
  6.5  貝葉斯分類器案例
第7章  數據降維
  7.1  主成分分析
    7.1.1  數據降維方法
    7.1.2  計算投影矩陣
    7.1.3  向量降維
    7.1.4  向量重構
  7.2  線性判別分析
    7.2.1  線性判別分析原理
    7.2.2  構造判別模型的過程
  7.3  局部線性嵌入
  7.4  拉普拉斯特徵映射
  7.5  數據降維演算法案例
第8章  聚類演算法
  8.1  聚類定義
  8.2  聚類分析過程及結果評估
    8.2.1  聚類分析過程
    8.2.2  相似度度量

    8.2.3  聚類演算法的性能評估
  8.3  聚類演算法分類
    8.3.1  層次聚類演算法
    8.3.2  基於質心的聚類演算法
    8.3.3  基於概率分佈的聚類演算法
    8.3.4  基於密度的聚類演算法
  8.4  演算法評價指標
    8.4.1  內部指標
    8.4.2  外部指標
  8.5  聚類演算法案例
第9章  人工神經網路
  9.1  人工神經網路概念
  9.2  多層前饋型神經網路
    9.2.1  神經元
    9.2.2  網路結構
    9.2.3  正向傳播演算法
  9.3  反向傳播演算法
    9.3.1  演算法簡介
    9.3.2  舉例說明
  9.4  人工神經網路案例
第10章  隨機森林
  10.1  集成學習
    10.1.1  集成學習概念
    10.1.2  隨機抽樣
    10.1.3  Bagging演算法
  10.2  隨機森林原理和生成過程
  10.3  訓練演算法
  10.4  變數
  10.5  隨機森林案例
第11章  機器學習在生物信息中的應用
  11.1  蛋白質相互作用熱點識別
  11.2  實驗數據集
    11.2.1  訓練數據集
    11.2.2  獨立測試集
  11.3  特徵提取與機器學習建模
    11.3.1  蛋白質特徵
    11.3.2  特徵選擇
    11.3.3  特徵提取
    11.3.4  機器學習建模
  11.4  實驗結果分析
    11.4.1  實驗環境說明
    11.4.2  實驗評估指標
    11.4.3  訓練集結果比較
    11.4.4  獨立測試集結果比較
    11.4.5  獨立測試集上具體蛋白質分析

  • 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