机器学技术及应用 人工智能 新华正版
本书由人工智能技术专业教师和英特尔fpga中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，...
￥ 43.34 6.4折 ￥ 68 全新
库存5件
作者作者
出版社电子工业出版社
ISBN9787121449154
出版时间2023-01
版次1
装帧平装
开本16开
页数256页
字数358.4千字
定价68元
货号xhwx_1202811253
上书时间2023-12-30
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
机器学课程内容选择上，既要选择反映机器学的基础知识和经典算，又要重视近期非常活跃的深度学和神经网络的内容。
目录：
章 机器学介绍 001
1.1 机器学简介 002
1.1.1 机器学的基本概念 003
1.1.2 机器学的发展历史 005
1.2 机器学的分类及典型算 010
1.2.1 机器学的分类 010
1.2.2 监督学 011
1.2.3 非监督学 014
1.2.4 半监督学 015
1.2.5 强化学 018
本章小结 019
题 020
第2章 基于python语言的机器学环境搭建与配置 023
2.1 机器学相关软件介绍 024
2.1.1 机器学开发语言 024
2.1.2 机器学开发工具 028
2.2 机器学开发环境搭建 036
2.2.1 python的安装及使用 036
2.2.2 anaconda的安装及使用 041
2.2.3 pycharm的安装及使用 052
2.3 常见机器学库函数功能介绍 059
2.3.1 基础科学计算库（numpy） 059
2.3.2 科学计算工具集（scipy） 068
2.3.3 数据分析库（pandas） 074
2.3.4 图形绘制库（matplotlib） 079
2.3.5 机器学常用算库（scikit-learn） 080
本章小结 083
题 084
第3章 监督学 087
3.1 线回归算 088
3.1.1 常用损失函数 089
3.1.2 小二乘 091
3.1.3 梯度下降 092
3.1.4 线回归算实例 094
3.2 决策树算 098
3.2.1 分类准则 099
3.2.2 id3算 102
3.2.3 c4.5算 108
3.2.4 cart算 111
3.2.5 决策树算实例 113
3.3 k近邻算 116
3.3.1 k值的选取及特征归一化 117
3.3.2 kd树 120
3.3.3 k近邻算实例 128
3.4 支持向量机算 133
3.4.1 线可分 133
3.4.2 对偶问题 136
3.4.3 核函数 139
3.4.4 软间隔 142
3.4.5 支持向量机算实例 144
本章小结 146
题 146
第4章 非监督学 149
4.1 非监督学概述 150
4.1.1 非监督学的基本概念 150
4.1.2 非监督学的分类 151
4.1.3 非监督学的特点 152
4.1.4 非监督学的应用 153
4.2 主成分分析降维算 154
4.2.1 数据降维介绍 154
4.2.2 pca算介绍 155
4.2.3 pca算求解步骤 159
4.2.4 pca算实例 161
4.3 k-means聚类算 163
4.3.1 聚类算简介 163
4.3.2 k-means算介绍 164
4.3.3 k-means算求解步骤 165
4.3.4 k-means算实例 170
本章小结 172
题 173
第5章 人工神经网络 175
5.1 人工神经网络概述 176
5.1.1 人工神经网络的发展历程 176
5.1.2 人工神经网络基础 180
5.1.3 人工神经网络模型 188
5.1.4 人工神经网络的应用 191
5.2 房价预测实例 193
5.2.1 房价预测模型构建 193
5.2.2 房价预测网络构建 198
5.3 手写数字识别实例 199
5.3.1 手写数字识别简介 199
5.3.2 手写数字识别网络构建 201
本章小结 203
题 203
第6章 强化学 205
6.1 强化学概述 206
6.1.1 强化学的基本概念 206
6.1.2 强化学的发展历史 208
6.1.3 强化学的分类 210
6.1.4 强化学的特点及应用 211
6.2 强化学基础 212
6.2.1 马尔可夫决策过程 212
6.2.2 贪心算 213
6.3 有模型学和无模型学 214
6.3.1 有模型学 214
6.3.2 无模型学 216
6.4 强化学实例 216
6.4.1 q-learning算 216
6.4.2 sarsa算 232
本章小结 242
题 243
内容简介：
机器学是人工智能的一个方向。它是一门多领域交学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学活动，从现有大量的数据中学，利用经验不断改善系统能。机器学步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。章节主要介绍机器学的基本概念及其发展史、机器学分类、常见机器学算及其特点；第2章搭建机器学开发环境，主要包括anaconda\pycharm\python软件的安装及使用，以及常见机器学库的介绍和安装使用方；第3章介绍了监督学的4个经典算：线回归、决策树、k近邻和支持向量机算，其重点在算的应用；第4章介绍了主成分分析降维算、kmeans聚类算；第5章介绍人工神经网络基础，并通过房价预测和手写数字识别实例进行验证；第6章介绍强化学的基本概念，有模型学和无模型学，后介绍了qlearning算和sarsa算。本书由人工智能技术专业教师和英特尔fpga中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，涵盖大部分机器学算，教师和可以根据应用需求，选择对应的知识点和算。本书所有程序均已经在英特尔fpga中国创新中心ailab实训台上验证实现。本书可作为高职高专院校电子信息类相关专业教材，也可作为科技人员的参用书。
作者简介：
徐宏英，女，工学硕士，重庆电子工程职业学院骨，参研自然科学一项，参研省级重点科技攻关项...
— 没有更多了 —
以下为对购买帮助不大的评价