• 机器学习与视觉感知
21年品牌 40万+商家 超1.5亿件商品

机器学习与视觉感知

23.88 4.9折 49 九五品

仅1件

北京通州
认证卖家担保交易快速发货售后保障

作者张宝昌,杨万扣,林娜娜 著

出版社清华大学出版社

ISBN9787302561859

出版时间2020-09

版次1

装帧平装

开本16开

纸张胶版纸

页数123页

字数99999千字

定价49元

上书时间2024-07-13

灵感飞驰

已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:九五品
商品描述
基本信息
书名:机器学习与视觉感知
定价:49.00元
作者:张宝昌,杨万扣,林娜娜 著
出版社:清华大学出版社
出版日期:2020-09-01
ISBN:9787302561859
字数:196000
页码:123
版次:2
装帧:平装
开本:16开
商品重量:
编辑推荐

内容提要

目录
章  机器学习的发展史引言  1.1  机器学习    1.1.1  基本简介    1.1.2  机器学习的定义和研究意义    1.1.3  机器学习的发展史    1.1.4  机器学习的主要策略    1.1.5  机器学习系统的基本结构    1.1.6  机器学习的分类    1.1.7  目前研究领域  1.2  统计模式识别问题    1.2.1  机器学习问题的表示    1.2.2  经验风险化    1.2.3  复杂性与推广能力  1.3  统计学习理论的核心内容    1.3.1  学习过程一致性的条件    1.3.2  推广性的界    1.3.3  结构风险化小结17第2章  PAC模型引言  2.1  基本的PAC模型    2.1.1  PAC简介    2.1.2  基本概念    2.1.3  问题框架  2.2  PAC模型样本复杂度分析    2.2.1  有限空间样本复杂度    2.2.2  无限空间样本复杂度小结22第3章  决策树学习引言  3.1  决策树学习概述    3.1.1  决策树    3.1.2  性质    3.1.3  应用    3.1.4  学习  3.2  决策树设计    3.2.1  决策树的特点    3.2.2  决策树的生成小结33第4章  贝叶斯学习引言  4.1  贝叶斯学习    4.1.1  贝叶斯公式    4.1.2  误差决策    4.1.3  正态密度    4.1.4  似然估计  4.2  朴素贝叶斯原理及应用    4.2.1  贝叶斯假设原理    4.2.2  Naive Bayes分类    4.2.3  基于Naive Bayes的文本分类器  4.3  HMM(隐性马氏模型)及应用    4.3.1  马尔科夫性    4.3.2  马尔科夫链    4.3.3  转移概率矩阵    4.3.4  HMM(隐性马尔科夫模型)及应用小结44第5章  支持向量机引言  5.1  支持向量机  5.2  支持向量机的核函数选择  5.3  支持向量机的实例  5.4  多类支持向量机小结54第6章  AdaBoost引言  6.1  AdaBoost与目标检测    6.1.1  AdaBoost算法    6.1.2  初始化  6.2  具有强鲁棒性的实时目标检测    6.2.1  矩形特征选取    6.2.2  积分图    6.2.3  训练结果    6.2.4  级联  6.3  运用统计学的目标检测  6.4  随机森林    6.4.1  原理阐述    6.4.2  算法详解    6.4.3  算法分析小结65第7章  压缩感知引言  7.1  压缩感知理论框架  7.2  压缩感知的基本理论及核心问题    7.2.1  压缩感知的数学模型    7.2.2  信号的稀疏表示    7.2.3  信号的观测矩阵    7.2.4  信号的重构算法  7.3  压缩感知的应用与仿真    7.3.1  应用    7.3.2  人脸识别小结72第8章  子空间引言  8.1  基于主成分分析的特征提取  8.2  数学模型  8.3  主成分的数学上的计算    8.3.1  两个线性代数的结论    8.3.2  基于协方差矩阵的特征值分解    8.3.3  主成分分析的步骤  8.4  主成分分析的性质  8.5  基于主成分分析的人脸识别方法小结80第9章  深度学习与神经网络引言  9.1  神经网络及其主要算法    9.1.1  前馈神经网络    9.1.2  感知器    9.1.3  三层前馈网络    9.1.4  反向传播算法  9.2  深度学习    9.2.1  深度学习概述    9.2.2  自编码算法AutoEncoder    9.2.3  自组织编码深度网络    9.2.4  卷积神经网络模型小结920章  调制卷积神经网络(MCN)  10.1  概述  10.2  损失函数  10.3  前向卷积  10.4  卷积神经网络模型的梯度反传  10.5  MCN网络的实验验证    10.5.1  实验数据集10.5.2实验与实现细节1031章  强化学习引言  11.1  强化学习概述  11.2  强化学习过程    11.2.1  马尔科夫性    11.2.2  奖励    11.2.3  估价函数    11.2.4  动态规划    11.2.5  蒙特卡洛方法    11.2.6  时序差分学习    11.2.7  QLearning    11.2.8  QLearning算法的改进  11.3  程序实现参考文献
作者介绍

序言

   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP