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

現代機器學習--方法與實踐(微課版)/人工智慧人才培養新形態精品系列

  • 作者：編者:曾園園//項慨|責編:劉博
  • 出版社：人民郵電
  • ISBN：9787115701558
  • 出版日期：2026/09/01
  • 裝幀：平裝
  • 頁數：316
人民幣：RMB 79.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是一本面向人工智慧的新型數智化教材，通過「原理講解+微課視頻+可運行代碼+真實案例」的四位一體設計，實現知識傳授與能力培養的深度融合。本書系統梳理從經典機器學習方法到現代深度學習與大模型技術的發展脈絡，旨在幫助讀者構建完整的機器學習知識體系，並掌握對實際問題建模與求解的工程實踐能力。
    全書以Python語言為基礎，依托scikit-learn、PyTorch等主流工具，深入講解監督學習、無監督學習、集成學習等範式下的典型演算法，系統剖析其數學原理、Python實現與調優策略；在此基礎上，引入神經網路與深度學習的核心架構與訓練方法，並結合PyTorch進行代碼實踐；然後進一步探討Transformer、圖神經網路以及大語言模型的提示工程與高效微調技術，並通過「大模型辯論賽文本內容生成實踐」「大模型論文引用網路節點分類實踐」等完整案例，展示前沿技術在真實任務中的應用。
    本書內容翔實、層次清晰、通俗易懂，既可作為電腦科學與技術、人工智慧、數據科學、電子信息等相關專業本科生和研究生的教材，也可作為相關科研人員、工程技術人員以及對機器學習感興趣的讀者的學習資料和實踐指南。
作者介紹
編者:曾園園//項慨|責編:劉博
目錄
第1章  機器學習基礎
  1.1  機器學習方法概述
    1.1.1  機器學習發展概述
    1.1.2  機器學習的概念與術語
  1.2  Python機器學習編程基礎
    1.2.1  Python編程基礎
    1.2.2  NumPy基礎
    1.2.3  SciPy基礎
    1.2.4  pandas基礎
    1.2.5  sklearn基礎
    1.2.6  Matplotlib基礎
  1.3  相關交叉知識點回顧
    1.3.1  高等數學基礎知識回顧
    1.3.2  線性代數基礎知識回顧
    1.3.3  概率論基礎知識回顧
    1.3.4  優化演算法基礎知識回顧
  1.4  本章小結
第2章  k近鄰演算法
  2.1  kNN演算法原理
    2.1.1  kNN演算法的基本思想
    2.1.2  距離度量
    2.1.3  k值選擇
    2.1.4  分類決策規則
    2.1.5  kNN演算法的優缺點
  2.2  手動實現kNN分類器
    2.2.1  機器學習任務的一般流程
    2.2.2  kNN分類任務的實現流程
  2.3  使用sklearn庫實現kNN分類器
    2.3.1  使用KNeighborsClassifier進行kNN分類
    2.3.2  特徵縮放：標準化與最小-最大標準化
    2.3.3  使用KNeighborsRegressor進行kNN回歸
  2.4  本章小結
第3章  決策樹
  3.1  決策樹模型
    3.1.1  決策樹與if-then規則
    3.1.2  決策樹學習
    3.1.3  決策樹分類與回歸
  3.2  決策樹方法實踐
    3.2.1  手動實現ID3演算法
    3.2.2  使用sklearn庫實現決策樹分類
    3.2.3  參數調優和交叉驗證及決策樹的可視化
    3.2.4  決策樹的過擬合
    3.2.5  使用sklearn庫實現決策樹回歸
    3.2.6  網格搜索
  3.3  本章小結
第4章  樸素貝葉斯法
  4.1  貝葉斯決策論
  4.2  樸素貝葉斯法
    4.2.1  基本方法
    4.2.2  參數估計：極大似然估計

    4.2.3  參數估計：貝葉斯估計
  4.3  樸素貝葉斯法Python實踐
    4.3.1  樸素貝葉斯文檔分類實踐
    4.3.2  樸素貝葉斯文本情感分析實踐
  4.4  EM演算法
    4.4.1  EM演算法的推導
    4.4.2  EM演算法流程與收斂性
  4.5  本章小結
第5章  線性模型
  5.1  用於回歸的線性模型
    5.1.1  線性回歸
    5.1.2  嶺回歸
    5.1.3  Lasso回歸
    5.1.4  正則化
    5.1.5  方差與偏差
    5.1.6  交互特徵、多項式特徵與多項式回歸
    5.1.7  使用Pipeline類集成操作
  5.2  用於分類的線性模型
    5.2.1  邏輯回歸分類思想
    5.2.2  回歸參數優化：梯度上升法
    5.2.3  隨機梯度上升法
    5.2.4  學習率的選擇
    5.2.5  邏輯回歸的正則化
    5.2.6  多分類問題
    5.2.7  非均衡分類問題
  5.3  本章小結
第6章  支持向量機
  6.1  線性可分支持向量機模型
    6.1.1  分類間隔最大化
    6.1.2  決策邊界、函數間隔和幾何間隔
    6.1.3  線性可分支持向量機的對偶演算法
  6.2  非嚴格線性可分的支持向量機
    6.2.1  軟間隔最大化的概念
    6.2.2  非嚴格線性可分支持向量機的對偶形式
    6.2.3  損失函數與正則化
  6.3  基於核函數的非線性支持向量機
    6.3.1  核函數的基本概念
    6.3.2  核函數支持向量機的對偶形式
    6.3.3  核函數的應用實例
  6.4  SVM的實現——SMO演算法
    6.4.1  SMO演算法思想
    6.4.2  SMO演算法實現
  6.5  本章小結
第7章  集成學習
  7.1  集成學習概述
  7.2  Bagging
    7.2.1  Bootstrap抽樣
    7.2.2  Bagging方法
    7.2.3  隨機森林
  7.3  Boosting

    7.3.1  Bagging與Boosting對比
    7.3.2  AdaBoost演算法
    7.3.3  Wine數據集AdaBoost分類實踐
    7.3.4  梯度提升樹和XGBoost
    7.3.5  Boosting方法年收入預測實踐
  7.4  Stacking
    7.4.1  Stacking的工作原理
    7.4.2  Stacking庫的安裝與使用
    7.4.3  Stacking與神經網路的比較分析
  7.5  本章小結
第8章  聚類
  8.1  無監督學習：聚類概述
  8.2  k-means聚類及其變體
    8.2.1  k-means聚類
    8.2.2  k-means++
    8.2.3  k-medoids
    8.2.4  FCM演算法
    8.2.5  聚類質量評估：肘方法與輪廓分析
  8.3  凝聚聚類
  8.4  DBSCAN
  8.5  圖數據聚類應用——Louvain社區劃分
    8.5.1  Louvain演算法
    8.5.2  社交網路Louvain社區發現實踐
  8.6  本章小結
第9章  數據準備與模型優化
  9.1  預處理與數據縮放
    9.1.1  預處理
    9.1.2  數據縮放
  9.2  數據降維
    9.2.1  主成分分析
    9.2.2  奇異值分解
    9.2.3  用t-SNE進行流形學習
  9.3  數據表示與特徵工程
    9.3.1  分類變數的編碼方法
    9.3.2  特徵選擇與特徵構造
  9.4  交叉驗證與超參數調優
    9.4.1  交叉驗證
    9.4.2  超參數調優
  9.5  本章小結
第10章  神經網路與深度學習
  10.1  神經網路基礎
    10.1.1  人工神經元模型
    10.1.2  激活函數
    10.1.3  感知機
  10.2  深度學習基礎
    10.2.1  多層感知機
    10.2.2  反向傳播及鏈式法則
    10.2.3  損失函數與優化器
    10.2.4  正則化技術
    10.2.5  PyTorch深度學習多層感知機實踐

  10.3  卷積神經網路
    10.3.1  CNN的基本組成
    10.3.2  PyTorch卷積神經網路服裝圖像分類實踐
  10.4  循環神經網路、LSTM與GRU
    10.4.1  RNN
    10.4.2  LSTM
    10.4.3  GRU
    10.4.4  PyTorch時間序列預測實踐
  10.5  本章小結
第11章  深度學習前沿架構：從Transformer架構到圖神經網路
  11.1  Transformer模型
    11.1.1  整體架構
    11.1.2  編碼器
    11.1.3  解碼器
    11.1.4  Transformer機器翻譯實踐
    11.1.5  Transformer變種簡述
  11.2  圖神經網路
    11.2.1  基於譜的圖卷積網路
    11.2.2  基於空間的圖卷積網路
    11.2.3  其他圖神經網路模型
    11.2.4  GraphSAGE圖卷積節點分類實例
  11.3  圖Transformer
    11.3.1  Transformer與GNN的關聯
    11.3.2  早期的圖Transformer
    11.3.3  改進的圖Transformer
    11.3.4  經典圖Transformer模型
  11.4  本章小結
第12章  大模型技術及應用
  12.1  大模型概述
    12.1.1  大語言模型
    12.1.2  基礎模型的多領域發展
  12.2  大模型應用方法
    12.2.1  提示工程
    12.2.2  大模型上下文學習
    12.2.3  檢索增強生成
    12.2.4  規則引導式提示
    12.2.5  大模型微調
  12.3  大模型辯論賽文本內容生成實踐
    12.3.1  方案與策略
    12.3.2  基於Qwen的辯論文本生成實現
  12.4  大模型論文引用網路節點分類實踐
    12.4.1  任務背景與目標
    12.4.2  處理Cora數據集並生成結構化提示
    12.4.3  生成節點的鄰居子圖信息描述JSON文件
    12.4.4  指令模板的定義
    12.4.5  微調訓練
    12.4.6  性能評估
  12.5  本章小結

  • 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