机器学习算法导论
全新正版 假一赔十 可开发票
￥ 47.37 7.9折 ￥ 59.9 全新
库存3件
北京东城
认证卖家担保交易快速发货售后保障
作者王磊,王晓东
出版社清华大学出版社
ISBN9787302524564
出版时间2019-07
装帧平装
开本16开
定价59.9元
货号1201929595
上书时间2024-12-20
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
王磊：2006年本科毕业于清华大学，2011年获得美国佐治亚理工学院博士学位。现就职于美国Facebook公司，担任主任工程经理。主要研究方向是：人工智能算法与架构、博弈论与优化算法理论。
目录
第1章 机器学习算法概述
1.1 什么是机器学习
1.2 机器学习的形式分类
1.2.1 监督式学习
1.2.2 无监督学习
1.2.3 强化学习
1.3 机器学习算法综览
1.4 有关术语的约定
小结
第2章 监督式学习算法基础
2.1 监督式学习基本概念
2.2 经验损失最小化架构
2.3 监督式学习与经验损失最小化实例
2.4 正则化算法
小结
习题
第3章 线性回归算法
3.1 线性回归基本概念
3.2 线性回归优化算法
3.3 多项式回归
3.4 线性回归的正则化算法
3.5 线性回归的特征选择算法
3.5.1 逐步回归
3.5.2 分段回归
小结
习题
第4章 机器学习中的搜索算法
4.1 梯度下降算法与次梯度下降算法
4.2 随机梯度下降算法
4.3 牛顿迭代算法
4.4 坐标下降算法
小结
习题
第5章 Logistic回归算法
5.1 Logistic回归基本概念
5.2 Logistic回归优化算法
5.3 分类问题的度量
5.3.1 准确率
5.3.2 准确率与召回率
5.3.3 ROC曲线及AUC度量
5.4 Softmax回归
5.4.1 Softmax回归基本概念
5.4.2 Softmax回归优化算法
5.4.3 Softmax模型与指数分布族
小结
习题
第6章 支持向量机算法
6.1 支持向量机基本概念
6.1.1 支持向量机思想起源
6.1.2 支持向量机的凸优化描述
6.1.3 支持向量机的对偶
6.2 支持向量机优化算法
6.3 核方法
6.4 软间隔支持向量机
6.4.1 软间隔支持向量机基本概念
6.4.2 软间隔支持向量机优化算法
6.4.3 Hinge损失与软间隔支持向量机
小结
习题
第7章 决策树
7.1 决策树的基本概念
7.2 决策树优化算法
7.2.1 决策树回归问题的CART算法
7.2.2 决策树分类问题的CART算法
7.3 CART算法实现及应用
7.3.1 决策树CART算法基类
7.3.2 决策树回归问题的CART算法的实现及应用
7.3.3 决策树分类问题的CART算法的实现及应用
7.4 集成学习算法
7.4.1 随机森林分类算法
7.4.2 随机森林回归算法
7.5 梯度提升决策树回归算法
小结
习题
第8章 神经网络
8.1 神经网络基本概念
8.1.1 神经网络模型
8.1.2 神经网络算法描述
8.2 神经网络优化算法
8.3 神经网络算法实现
8.4 神经网络的TensorFlow实现
小结
习题
第9章 深度学习
9.1 卷积神经网络
9.1.1 滤镜
9.1.2 卷积层
9.1.3 卷积神经网络的实现
9.2 循环神经网络
9.2.1 循环神经网络基本概念
9.2.2 循环神经网络的实现
9.2.3 时间反向传播算法
9.2.4 长短时记忆基本概念
9.2.5 长短时记忆的实现
小结
习题
第10章 降维算法
10.1 主成分分析法
10.1.1 算法思想
10.1.2 算法实现
10.1.3 奇异值分解
10.2 主成分分析的核方法
10.2.1 主成分分析法的等价形式
10.2.2 核方法算法描述
10.2.3 核方法算法实现
10.3 线性判别分析法
10.3.1 算法思想
10.3.2 算法实现
10.4 流形降维算法
10.4.1 局部线性嵌入法
10.4.2 多维缩放法
10.5 自动编码器
小结
习题
第11章 聚类算法
11.1 k均值算法
11.2 合并聚类算法
11.3 DBSCAN算法
小结
习题
第12章 强化学习
12.1 强化学习基本概念
12.1.1 马尔可夫环境模型
12.1.2 策略
12.2 动态规划型算法
12.2.1 值迭代算法
12.2.2 策略迭代算法
12.3 时序差分型算法
12.4 深度Q神经网络
12.5 策略梯度型算法
12.5.1 REINFORCE算法
12.5.2 Actor-Critic算法
小结
习题
附录A 机器学习数学基础
A.1 线性代数
A.2 微积分
A.3 优化理论
A.3.1 凸函数的定义及判定
A.3.2 无约束凸优化问题
A.3.3 带约束凸优化问题
A.4 概率论简介
附录B Python语言与机器学习工具库
B.1 Python语言基础
B.2 SciPy工具库
B.2.1 NumPy简介
B.2.2 Matplotlib简介
B.2.3 Pandas简介
B.3 Sklearn简介
B.4 TensorFlow简介
附录C 本书使用的数据集
参考文献
内容摘要
机器学习是计算机智能围棋博弈系统、无人驾驶汽车和工业界人工智能助理等新兴技术的灵魂，特别是深度学习理论更是诸多高精尖人工智能技术的核心。掌握机器学习理论与实践技术是学习现代人工智能科学最重要的一步。
本书既讲述机器学习算法的理论分析，也结合具体应用介绍它们在Python中的实现及使用方法。本书的第2到第9章主要介绍监督式学习算法。其中包括：监督式学习算法基础、线性回归算法、机器学习中的搜索算法、Logistic回归算法、支持向量机算法、决策树、神经网络和深度学习。随后，在第10与11这两章，着重介绍无监督学习算法。其中包括：降维算法和聚类算法。第12章中讲述强化学习的相关知识。在本书的附录中还提供了学习本书推荐的数学基础知识和Python语言与机器学习工具库基本知识。
与其他机器学习类书籍相比，本书同时包含机器学习的算法理论和算法实践。希望通过课程的学习，读者能够从机器学习的理论基础和实际应用两个层面全面掌握其核心技术，同时计算思维能力得到显著提高，对于整个课程讲述的机器学习算法核心知识，能够知其然且知其所以然。同时着力培养读者的计算思维能力，使他们在面临实际应用的挑战时，能够以算法的观点思考问题，并灵活应用数学概念来设计出高效安全的解决方案。
主编推荐
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价