机器学习算法及其应用
新华书店全新正版，极速发货，假一罚十，可开电子发票，请放心购买。
￥ 31.63 5.5折 ￥ 58 全新
库存3件
天津西青
认证卖家担保交易快速发货售后保障
作者吴梅梅
出版社机械工业出版社
ISBN9787111654230
出版时间2020-05
装帧平装
开本16开
定价58元
货号1202098056
上书时间2024-10-15
- 在售商品 暂无
- 平均发货时间 15小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
目录
前言
第１章机器学习简介１
１.１机器学习的概念１
１.２机器学习的发展２
１.３机器学习的研究现状３
１.３.１传统机器学习的研究现状４
１.３.２大数据环境下机器学习的研究现状５
１.４机器学习的分类５
１.４.１有监督学习６
１.４.２无监督学习７
１.４.３半监督学习８
１.４.４强化学习９
１.５本章小结１１
第２章音乐、数字音乐与网络音乐１２
２.１音乐的艺术形式１２
２.２音乐的产生及发展１４
２.３音乐的要素１５
２.４音乐的存储与表示１７
２.４.１数字音乐及其特点１７
２.４.２数字音乐文件的特点和格式１９
２.５网络音乐的发展２０
２.６网络音乐的特征２２
２.７本章小结２３
第３章网络音乐的分类与推荐基础２４
３.１基于内容的音乐信息检索２４
３.１.１音高与旋律２５
３.１.２音乐节奏２６
３.１.３音乐和声２８
３.２音乐的分类２９
３.２.１按表达方式分类３０
３.２.２按旋律风格分类３１
３.２.３从音乐的历史角度分类３２
３.２.４按音乐流派分类３６
３.３网络音乐的自动分类４０
３.４网络音乐推荐算法综述４２
３.５本章小结４４
第４章机器学习中的分类与推荐算法４５
４.１朴素贝叶斯４５
４.２决策树４７
４.３ｋ￣近邻５０
４.４支持向量机５１
４.５人工神经网络５３
４.６基于内容的推荐５７
４.７协同过滤推荐６０
４.８基于马尔可夫模型的推荐６２
４.９混合推荐６４
４.１０推荐算法评价６４
４.１１本章小结６６
第５章基于支持向量机的音乐流派分类６7
５.１音乐的数字描述６８
５.２特征提取７０
５.２.１数据预处理７１
５.２.２声学特征量７２
５.３特征选择７７
５.３.１ＲｅｌｉｅｆＦ７８
５.３.２顺序前进法７９
５.３.３ＲｅｌｉｅｆＦ与ＳＦＳ相结合的特征选择算法80
５.４ＳＶＭ分类器８１
５.４.１线性可分支持向量机８２
５.４.２线性支持向量机８３
５.４.３非线性支持向量机８５
５.４.４数值求解８７
５.４.５ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类实现８８
５.５实验结果与分析８８
５.５.１实验工具８８
５.５.２数据集８９
５.５.３评价标准及验证方法８９
５.５.４实验方法８９
５.５.５实验结果及分析９０
５.６可扩展性分析９４
５.７本章小结９５
第６章基于ｋ-近邻的音乐流派自动推荐分类９６
６.１ｋ-近邻算法的理论基础９６
６.１.１ｋ-近邻算法９６
６.１.２ｋ-近邻算法模型９７
６.２算法的实现步骤及复杂度分析９９
６.３ＤＷ-ＫＮＮ算法９９
６.３.１ＫＮＮ算法的改进１００
６.３.２二次加权ＫＮＮ(ＤＷ-ＫＮＮ)分类算法１０２
６.４实验结果与分析１０３
６.４.１实验方法１０３
６.４.２实验结果及分析１０４
６.５可扩展性分析１０７
６.６ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ与ＤＷ-ＫＮＮ的对比１０8
６.７本章小结１０８
第７章基于社交网络与协同过滤的音乐推荐１１０
７.１协同过滤推荐算法１１０
７.１.１基于用户的协同过滤推荐算法１１１
７.１.２基于项目的协同过滤推荐算法１１１
７.１.３基于用户与基于项目的协同过滤推荐算法比较１１２
７.１.４协同过滤中存在的问题１１３
７.２ＳｉｍＲａｎｋ算法１１３
７.２.１ＳｉｍＲａｎｋ算法思想１１４
７.２.２ＳｉｍＲａｎｋ算法流程１１５
７.３社交网络的形成机制与表示方法１１６
７.４构建用户的信任集合进行推荐１１６
７.５实验结果及分析１１８
７.５.１数据获取和数据集１１８
７.５.２评价指标１１９
７.５.３实验结果分析１２０
７.６本章小结１２１
第８章基于用户即时兴趣的音乐推荐９６
８.１相关研究１２２
８.２马尔可夫模型理论基础１２３
８.３基于用户即时行为的改进一阶马尔可夫音乐推荐模型１２４
８.３.１问题描述１２４
８.３.２指数衰减１２５
８．３．３指数衰减的马尔可夫模型１２５
８.３.４协同过滤的一阶马尔可夫推荐１２６
８.４实验结果与分析１２９
８.５可扩展性分析１３１
８.６本章小结１３１
附录１３２
附录ＡＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类参考代码１３２
附录ＢＤＷ-ＫＮＮ算法参考代码１３４
附录Ｃ各分类算法的比较参考代码１４０
参考文献１４５
内容摘要
随着数字音乐内容的迅速增长以及人们对音乐鉴赏需求的日益提升，音乐信息的分类检索及个性化推荐受到广大网民和有关从业人员越来越广泛的关注，并成为研究及应用的新热点。本书系统地阐述了机器学习中的常用分类与推荐方法，介绍了网络音乐自动分类与推荐的理论基础，重点探讨了SVM和KNN分类算法的改进，以及协同过滤推荐算法和基于马尔可夫模型推荐算法的改进，并对改进后的算法应用到音乐自动分类和个性化推荐领域进行了探索性研究。
本书展现了机器学习常用算法的原理、改进及应用案例，适合机器学习、数据挖掘及大数据等领域的专业人员阅读。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价