机器学习导论
①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 48.77 7.1折 ￥ 69 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者卢官明 著
出版社机械工业出版社
ISBN9787111685111
出版时间2021-08
装帧平装
开本16开
定价69元
货号31223191
上书时间2024-10-13
- 在售商品 暂无
- 平均发货时间 17小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
目录
前言
第1章机器学习概述1
1.1机器学习的概念与基本术语1
1.2人工智能、机器学习、深度学习三者的关系6
1.3机器学习的三个基本要素11
1.4机器学习模型的分类16
1.5数据预处理24
1.6模型选择与评估29
1.7小结43
1.8习题43
第2章回归模型45
2.1线性回归45
2.2多项式回归53
2.3线性回归的正则化——岭回归和套索回归54
2.4逻辑斯谛回归58
2.5 Softmax回归61
2.6小结63
2.7习题64
第3章 k-最近邻和k-d树算法66
3.1 k-最近邻法66
3.2 k-d树70
3.3小结75
3.4习题76
第4章 支持向量机77
4.1统计学习理论基础77
4.2支持向量机的基本原理和特点84
4.3线性SVM90
4.4基于核函数的非线性SVM95
4.5多分类SVM96
4.6支持向量机的训练100
4.7小结104
4.8习题105
第5章 贝叶斯分类器与贝叶斯网络106
5.1贝叶斯方法106
5.2贝叶斯分类器113
5.3贝叶斯网络119
5.4小结128
5.5习题129
第6章 决策树130
6.1概述130
6.2决策树学习134
6.3特征（或属性）选择135
6.4 ID3算法144
6.5 C4.5算法145
6.6CART算法146
6.7决策树的剪枝149
6.8决策树的优缺点150
6.9小结151
6.10习题151
第7章 集成学习153
7.1集成学习概述153
7.2 AdaBoost算法159
7.3梯度提升决策树（GBDT）160
7.4随机森林和极端随机树163
7.5小结166
7.6习题168
第8章 聚类169
8.1聚类概述169
8.2 k-均值算法175
8.3 BIRCH算法178
8.4基于密度的聚类算法183
8.5小结190
8.6习题191
第9章 深度学习192
9.1人工神经网络基础192
9.2卷积神经网络207
9.3循环神经网络218
9.4生成式对抗网络226
9.5小结238
9.6习题239
附录 缩略语英汉对照240
参考文献242
内容摘要
本书是一本浅显易懂的机器学习入门教材，深入浅出地介绍了机器学习的基础理论、模型与经典方法，并适当融入了深度学习的前沿知识。全书共9章，主要内容包括：机器学习概述、回归模型（线性回归、多项式回归、岭回归、套索回归、弹性网络、逻辑斯谛回归、Softmax回归）、k*近邻和kd树算法、支持向量机、贝叶斯分类器与贝叶斯网络、决策树、集成学习（AdaBoost、GBDT、随机森林和极端随机树）、聚类（k均值算法、BIRCH算法、DBSCAN算法、OPTICS算法）、深度学习（卷积神经网络、循环神经网络、生成式对抗网络）。每章都附有小结与习题，便于读者对知识的巩固和融会贯通。
本书注重选材，内容丰富，条理清晰，通俗易懂，着重突出机器学习方法的思想内涵和本质，力求反映机器学习领域的核心知识体系和发展趋势。
本书可作为高等院校智能科学与技术、数据科学与大数据技术、电子信息类等专业的高年级本科生、研究生的教材或教学参考书，也可供人工智能、数据科学、机器学习相关行业的工程技术人员学习参考。
主编推荐
本书深入浅出地介绍机器学习的基本概念、基础知识和基本原理，不涉及太多、太难的数学知识，用通俗易懂的语言阐述机器学习的理论基础，让读者透彻理解机器学习方法和原理。在实用性方面，基于机器学习的理论基础，结合实例介绍机器学习经典算法，旨在培养学生的计算思维能力，使读者从理论基础和实际应用两个层面全面掌握机器学习的核心技术，知其然且知其所以然，培养学生解决实际问题的能力。
— 没有更多了 —
以下为对购买帮助不大的评价