正版现货新书 机器学简教程 9787111651673 汪荣贵
全新正版现货，以书名为准，放心购买，购书咨询18931383650朱老师
￥ 34.78 5.9折 ￥ 59 全新
库存2件
北京丰台
认证卖家担保交易快速发货售后保障
作者汪荣贵
出版社机械工业出版社
ISBN9787111651673
出版时间2019-08
装帧平装
开本其他
定价59元
货号9780890
上书时间2024-10-06
- 在售商品 暂无
- 平均发货时间 9小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
前言
第1章 机器学习概述 1
1.1 机器学习基本概念 1
1.1.1 人工智能与机器学习 1
1.1.2 机器学习基本术语 5
1.1.3 机器学习误差分析 8
1.2 机器学习发展历程 11
1.2.1 感知机与连接学习 11
1.2.2 符号学习与统计学习 13
1.2.3 连接学习的兴起 17
1.3 机器学习基本问题 19
1.3.1 特征提取 19
1.3.2 规则构建 23
1.3.3 模型评估 27
1.4 模型优化与正则化 31
1.4.1 梯度下降法 31
1.4.2 随机梯度法 34
1.4.3 模型正则化 36
1.5 习题 41
第2章 基本学习方法 43
2.1 监督学习 43
2.1.1 线性模型 43
2.1.2 决策树模型 50
2.1.3 贝叶斯模型 62
2.1.4 支持向量机 68
2.2 无监督学习 72
2.2.1 聚类分析法 72
2.2.2 主分量分析法 76
2.3 强化学习 81
2.3.1 强化学习概述 81
2.3.2 马尔可夫模型 84
2.3.3 值迭代学习 89
2.3.4 时序差分学习 94
2.4 基本学习方法的应用 103
2.4.1 垃圾邮件检测与分类 103
2.4.2 人脸自动识别 106
2.4.3 自动爬山小车 112
2.5 习题 117
第3章 集成学习方法 119
3.1 集成学习概述 119
3.1.1 集成学习基本概念 119
3.1.2 集成学习基本范式 120
3.1.3 集成学习泛化策略 122
3.2 Bagging集成学习 124
3.2.1 Bagging集成策略 124
3.2.2 随机森林模型结构 127
3.2.3 随机森林训练算法 129
3.3 Boosting集成学习 142
3.3.1 Boosting集成策略 143
3.3.2 AdaBoost学习算法 145
3.3.3 GBDT学习算法 146
3.4 集成学习方法的应用 151
3.4.1 房价预测分析 151
3.4.2 人脸自动检测 156
3.5 习题 162
第4章 深度学习方法 163
4.1 神经网络概述 163
4.1.1 神经元与感知机 163
4.1.2 前馈网络训练范式 168
4.1.3 浅层学习与深度学习 176
4.2 深度卷积网络 181
4.2.1 卷积网络概述 181
4.2.2 基本网络模型 190
4.2.3 改进网络模型 199
4.3 深度循环网络 206
4.3.1 动态系统展开 207
4.3.2 网络结构与计算 208
4.3.3 模型训练策略 217
4.4 生成式对抗网络 221
4.4.1 生成器与判别器 222
4.4.2 网络结构与计算 224
4.4.3 模型训练策略 229
4.5 深度学习方法的应用 234
4.5.1 光学字符识别 235
4.5.2 图像目标检测 239
4.5.3 自动文本摘要 245
4.6 习题 249
第5章 深度强化学习 251
5.1 深度强化学习概述 251
5.1.1 基本学习思想 251
5.1.2 基本计算方式 254
5.1.3 蒙特卡洛树搜索 255
5.2 基于价值的深度强化学习 261
5.2.1 深度Q网络 261
5.2.2 深度双Q网络 266
5.2.3 DQN改进模型 270
5.3 基于策略的深度强化学习 273
5.3.1 策略梯度算法 273
5.3.2 Actor-Critic算法 278
5.3.3 DDPG学习算法 284
5.4 深度强化学习的应用 288
5.4.1 智能巡航小车 288
5.4.2 自动对弈游戏 292
5.5 习题 303
参考文献 305
精彩内容
本书系统地介绍了机器学习的入门性基础理论与应用技术。首先，较详细地介绍掌握机器学习理论和方法推荐的基础知识，包括机器学习的基本概念与发展历程、模型构造与优化的基本方法；然后，系统地讨论监督学习、无监督学习、强化学习、集成学习等机器学习基本理论与方法；很后，在探讨神经网络与深度学习基本理论的基础上，较系统地介绍深度卷积网络、深度循环网络、生成式对抗网络等典型深度学习模型的基本理论与训练范式，讨论深度强化学习的基本理论与方法。本书将分布在人工智能各个分支的机器学习知识点进行凝练和优化，形成一套入门性机器学习知识体系，并在各章穿插丰富的应用实例，使得读者在系统地掌握机器学习理论知识的同时，能进一步获得机器学习在多个方面的应用技术。
本书站在本科生和低年级研究生的思维角度编写，尽可能用朴实的语言深入浅出地准确表达知识内容，着重突出机器学习方法的思想内涵和本质，使得广大读者能够通过自己的努力不太困难地掌握全书主要内容。
本书内容丰富、思路清晰、实例讲解详细、图例直观形象，毎章均配有一定数量的习题供读者练习，适合作为智能科学与技术、数据科学与大数据技术、计算机科学与技术以及相关专业本科生和低年级研究生的机器学习入门教材，也可供工程技术人员和自学读者学习参考。
— 没有更多了 —
以下为对购买帮助不大的评价