机器学习
正版保障 假一赔十 可开发票
￥ 46.37 6.7折 ￥ 69 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者胡晓 著
出版社机械工业出版社
ISBN9787111764939
出版时间2023-02
装帧平装
开本16开
定价69元
货号17727534
上书时间2024-12-22
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
胡晓，广州大学教授，从事电子信息、电气工程、自动化等相关专业的本科教学，曾主持广东省教育厅教研改革项目1项，发表教研论文3篇。曾三次获“最受学生欢迎老师”和三次“教学优秀一等奖”，于2009年获得“南粤优秀教师”。从事类脑机器视觉类脑机器学习、机器视觉和智能控制等相关领域研究，主持国家和广东省自然科学基金项目各1项，广东省科技计划项目1项和广州市资助科研项目2项。在PatternRecognition等期刊SCI检索和人工智能国际会议(AAAI-20)发表学术论文9篇。获省科技进步奖三等奖1项。 目前为TransactionsonImageProcessing等国际期刊审稿。
目录
前言 第1章基本知识 11什么是机器学习 111属性 112标注 12机器学习的分类 121监督与无监督学习 122分类与回归 13模型评估 131分类模型评估 132回归模型评估 14优化 141损失函数 142目标函数 143最小二乘法 144梯度下降法 145梯度修正 146学习率调整 15小结与拓展 实验一：模型评价函数编程实验 习题 参考文献 第2章表征学习 21表征学习的目的 22数据预处理 23主成分分析 231目标函数 232基于主成分分析表征学习模型 233人脸PCA表征学习 24线性鉴别分析 241类内散布矩阵和类间散布矩阵 242类可判别性测度 243LDA原理 244人脸的LDA表征学习 25多维缩放 26流形学习 261流形 262等度量映射 263局部线性嵌入 27随机近邻嵌入 271基本随机近邻嵌入 272t分布随机近邻嵌入 28稀疏表征 281压缩感知 282重构算法 283字典学习 284压缩感知在人脸识别中的应用 29小结与拓展 实验二：表征学习实验 习题 参考文献 第3章贝叶斯分类器 31贝叶斯基本概念 32贝叶斯决策准则 33高斯混合模型 34未知概率密度函数估计 341极大似然估计 342极大后验概率估计 343期望极大算法 35朴素贝叶斯 36拉普拉斯平滑 37小结与拓展 实验三：贝叶斯分类器实验 习题 第4章近邻分类器 41近邻规则 42加权近邻分类器 43近邻分类器加速策略 431移除消极样本 432构建搜索树 433部分维度距离计算 44小结与拓展 实验四：近邻分类器实验 习题 参考文献 第5章线性模型 51二类线性模型 52Lasso回归 521Lasso回归求解 522坐标轴下降法 53逻辑回归 54支持向量机 541线性可分支持向量机 542近似线性可分支持向量机 55多类线性模型 551基本策略 552Softmax回归 56类不平衡问题 561阈值移动 562数据再平衡 57小结与拓展 实验五：线性模型实验 习题 参考文献 第6章非线性模型 61二次判别分析 62核方法 621希尔伯特空间 622核函数 623常用核函数 624核函数的应用 63小结与拓展 实验六：非线性模型实验 习题 参考文献 第7章集成学习 71集成学习理论依据 72集成学习机制 73决策树 731什么是决策树 732ID3和C45 733分类回归树 734剪枝 74随机森林 75自适应助推 751学习过程 752基本原理 76小结与拓展 实验七：集成学习实验 习题 参考文献 第8章聚类 81聚类基本理论 811聚类的性质 812相似性测度 813类簇中心 814聚类算法评价指标 82K均值聚类 83层次聚类 831凝聚筑巢 832平衡迭代削减层次聚类 84密度聚类 841DBSCAN 842高斯混合聚类 85小结与拓展 实验八：聚类实验 习题 参考文献 第9章概率图模型 91联合概率 92概率有向图模型 921基本概念 922有向分离 923贝叶斯网络 924隐马尔可夫模型 93概率无向图模型 931条件独立性 932团和势函数 933条件随机场 934马尔可夫随机场在图像处理中的应用 935条件随机场在自然语言处理中的应用 94因子图与和积算法 941因子图 942置信传播 95小结与拓展 实验九：概率图模型实验 习题 参考文献 第10章人工神经网络 101神经元及其基本模型 102激活函数 1021饱和激活函数 1022校正线性单元 1023swish激活函数 1024其他激活函数 103感知机 1031参数学习 1032感知机的异或难题 104前馈神经网络 1041前馈神经网络模型 1042三层前向神经网络实现异或门 1043反向传播算法 105卷积神经网络 1051互相关和卷积 1052卷积神经网络架构 1053卷积神经网络残差反向传播 106简单卷积神经网络 1061LeNet-5 1062AlexNet 1063VGGNet 1064Inception 1065ResNet 107小结与拓展 实验十：人工神经网络实验 习题 参考文献 第11章强化学习 111强化学习概述 1111基本概念 1112策略评估和策略控制 1113强化学习分类 112表格强化学习 1121蒙特卡洛 1122动态规划 1123时序差分学习 113深度强化学习 1131深度Q网络(DQN) 1132Dueling 网络 114小结与拓展 实验十一：强化学习实验 习题 参考文献
内容摘要
本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法（如PCA和LDA），并增加了流形学习和稀疏表征等理论；第3~8章系统介绍了传统机器学习算法，如监督学习（贝叶斯、近邻、线性模型、非线性模型和集成学习）和非监督学习（聚类）；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。
本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便指导读者深入地进行学习。每章还配有基于Python的实验，便于工程类读者快速将理论转化为实践应用，也方便学术型读者编程实现。
本书既可作为高等院校本科和研究生人工智能、控制工程、信息处理和智能制造等相关专业的课程教材，也可作为信息系统开发和大数据分析人员的技术参考书。
主编推荐
系统阐述机器学习的基本理论、算法和实现。 每章配有基于Python的实验，方便读者编程实现。 书后附有丰富的彩色插图，引导读者对理论的理解。 配套提供电子课件、微课视频、习题答案、教学大纲、源代码、试卷。
精彩内容
本书系统阐述了机器学习的基本理论、算法和实现。全书共11章：第1章着重介绍了机器学习的基本知识；第2章介绍了样本数据预处理和提取的传统算法（如PCA和LDA），并增加了流形学习和稀疏表征等理论；第3~8章系统介绍了传统机器学习算法，如监督学习（贝叶斯、近邻、线性模型、非线性模型和集成学习）和非监督学习（聚类）；第9、10章分别介绍了概率图模型和人工神经网络的基本理论；第11章着重讲述了强化学习的基本理论和算法。 本书针对理论难点，插入了可视化图，引导读者对理论的理解；每章配有习题，以便指导读者深入地进行学习。每章还配有基于Python的实验，便于工程类读者快速将理论转化为实践应用，也方便学术型读者编程实现。 本书既可作为高等院校本科和研究生人工智能、控制工程、信息处理和智能制造等相关专业的课程教材，也可作为信息系统开发和大数据分析人员的技术参考书。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价