机器学习与智能感知
全新正版未拆封
¥
25.1
5.0折
¥
49.8
全新
仅1件
作者张宝昌
出版社清华大学出版社
出版时间2023-09
版次1
装帧平装
上书时间2024-05-04
商品详情
- 品相描述:全新
图书标准信息
-
作者
张宝昌
-
出版社
清华大学出版社
-
出版时间
2023-09
-
版次
1
-
ISBN
9787302641704
-
定价
49.80元
-
装帧
平装
-
开本
16开
-
页数
172页
-
字数
264千字
- 【内容简介】
-
本书旨在通过对机器学习主要原理和方法的介绍,并且结合作者多年来在智能感知方面的研究成果,对其他书籍未涉及的一些前沿研究进行补充阐述。通过对基础理论循序渐进、深入浅出的讲解,读者能够更快速地掌握机器学习的基本方法,在此基础上每章内容由易到难,读者可以根据自己的掌握程度以及兴趣,选择特定的方向进行更深入的学习。
本书可作为有一定数学基础的人工智能专业的本科生和研究生教材,也可作为有志于钻研人工智能相关领域(包括机器学习和智能感知等方向)的读者的参考书。
- 【目录】
-
章机器学的发展史1
引言1
1.1机器学1
1.1.1机器学的定义和研究意义1
1.1.2机器学的发展史3
1.1.3机器学系统的基本结构4
1.1.4机器学的分类5
1.1.5目前研究领域9
1.2统计模式识别问题9
1.2.1机器学问题的表示10
1.2.2经验风险小化11
1.2.3复杂与推广能力12
1.3统计机器学理论的核心内容13
1.3.1学过程一致的条件13
1.3.2推广的界13
1.3.3结构风险小化15
1.4解耦因果学16
1.4.1因果学17
1.4.2相关工作18
1.4.3解耦因果学方法与应用18
1.5结21
课后题21
第2章决策树学22
引言22
2.1决策树学概述22
2.1.1决策树23
2.1.2质24
2.1.3应用24
2.1.4学24
2.2决策树设计25
2.2.1决策树的特点25
2.2.2决策树的生成25
2.3结30
课后题30
第3章pac模型31
引言31
3.1基本的pac模型31
3.1.1pac简介31
3.1.2基本概念31
3.1.3问题框架32
3.2pac模型样本复杂度分析33
3.2.1有限空间样本复杂度33
3.2.2无限空间样本复杂度34
3.3vc维计算35
3.4结36
课后题36
第4章贝叶斯学37
引言37
4.1贝叶斯学37
4.1.1贝叶斯公式37
4.1.2小误差决策38
4.1.3正态密度38
4.1.4大似然估计39
4.2朴素贝叶斯及应用40
4.2.1贝叶斯佳设40
4.2.2基于朴素贝叶斯的文本分类器40
4.3hmm(隐马尔可夫模型)及应用43
4.3.1马尔可夫43
4.3.2马尔可夫链44
4.3.3转移概率矩阵44
4.3.4hmm(隐马尔可夫模型)及应用44
4.4结48
课后题49
第5章支持向量机50
引言50
5.1支持向量机概述50
5.1.1margin大化50
5.1.2支持向量机优化51
5.2支持向量机的实例55
5.3支持向量机的实现算法55
5.4多类支持向量机57
5.5结58
课后题58
第6章adaboost59
引言59
6.1adaboost与目标检测59
6.1.1adaboost算法59
6.1.2adaboost训练61
6.1.3adaboost实例62
6.2具有强鲁棒的实时目标检测63
6.2.1haarlike矩形特征选取63
6.2.2积分图63
6.2.3训练结果64
6.2.4级联64
6.3森林65
6.3.1阐述66
6.3.2算法详解66
6.3.3算法分析67
6.4结67
课后题68
点击展开
点击收起
— 没有更多了 —
以下为对购买帮助不大的评价