正版机器学习原理及应用（本科教材）
￥ 34.9 5.0折 ￥ 69.8 全新
仅1件
作者安俊秀,靳宇倡,陈宏松,陶全桧,马振明等
出版社人民邮电出版社
ISBN9787115616845
出版时间2024-07
版次1
装帧平装
开本16开
纸张胶版纸
定价69.8元
货号2170-9787115616845
上书时间2024-12-23
- 在售商品 暂无
- 平均发货时间 11小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
基本信息
书名:机器学习原理及应用（本科教材）
定价：69.8元
作者:安俊秀,靳宇倡,陈宏松,陶全桧,马振明等
出版社：人民邮电出版社
出版日期：2024-07-01
ISBN：9787115616845
字数：
页码：
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
1.本书作者是多年从事一线教学工作的教师，具有较为丰富的教学经验。2.本书注重原理与实践紧密结合，内容通俗易懂，实战性高，可读性强。3.系统性强，结构合理，将机器学习的各个知识点串联起来，让读者对机器学习有一个全面的系统化的认识和理解。4.理论完备，案例丰富且贴合实际应用场景，助力读者进入机器学习领域。5.每个章节后均配有课后习题，既便于教学，又便于自学。
内容提要
目录
章 机器学习概述 11.1 人工智能概述 11.1.1 人工智能发展历程 11.1.2 人工智能与机器学习 31.2 机器学习的两大学派 51.2.1 频率学派 61.2.2 贝叶斯学派 61.3 机器学习的三要素 71.3.1 数据 71.3.2 模型 81.3.3 算法 91.4 机器学习算法的4种类型 91.4.1 有监督学习算法 101.4.2 无监督学习算法 101.4.3 半监督学习算法 111.4.4 强化学习算法 121.5 机器学习的应用 131.5.1 计算机视觉 131.5.2 自然语言处理 141.5.3 机器人 15习题 16第2章 回归算法概述 172.1 回归算法简介 172.2 线性回归 192.2.1 算法原理 192.2.2 实现及参数 202.3 多元线性回归 242.3.1 算法原理 242.3.2 实现及参数 252.4 正则化回归分析 292.4.1 过拟合与正则化 292.4.2 岭回归 302.4.3 套索回归 322.4.4 弹性网络回归 332.5 贝叶斯模型 352.5.1 贝叶斯方法 352.5.2 贝叶斯回归 362.6 Softmax回归 402.6.1 算法原理 402.6.2 实现及参数 412.7 项目实践：航班乘客流量预测 44习题 52第3章 分类算法概述 533.1 分类算法简介 533.2 K近邻查询算法 543.2.1 算法原理 543.2.2 实现及参数 553.3 逻辑回归算法 583.3.1 算法原理 583.3.2 实现及参数 603.4 贝叶斯网络与朴素贝叶斯分类器 623.4.1 贝叶斯网络 623.4.2 朴素贝叶斯分类器 633.5 决策树算法 653.5.1 算法原理 663.5.2 选择特征 683.6 集成学习算法 693.6.1 随机森林算法 703.6.2 AdaBoost算法 713.7 项目实践：水果分类 73习题 78第4章 支持向量机概述 794.1 支持向量机简介 794.1.1 超平面与线性可分 804.1.2 化间隔 814.2 核函数 814.3 多分类处理 844.3.1 “1?a?r”方法 844.3.2 树形支持向量机多分类方法 854.3.3 决策树支持向量机多分类器 854.4 结构风险分析 854.5 项目实践：猫分类器 864.5.1 实践准备 874.5.2 训练模型 884.5.3 验证模型 90习题 92第5章 数据降维概述 935.1 数据降维简介 935.2 线性降维 945.2.1 PCA 945.2.2 使用投影方差理解PCA 975.2.3 使用重构代价理解PCA 985.2.4 LDA 1005.3 非线性降维 1035.3.1 局部线性嵌入 1035.3.2 拉普拉斯特征映射 1045.3.3 随机近邻嵌入 1075.3.4 t分布随机近邻嵌入 1085.4 自编码器 1085.5 项目实践：自编码器 114习题 117第6章 聚类算法概述 1186.1 聚类算法简介 1186.2 基于划分的聚类算法 1196.2.1 K均值聚类算法 1196.2.2 EM算法 1216.3 基于密度的聚类算法 1236.3.1 DBSCAN算法 1236.3.2 DPC算法 1276.4 基于图的聚类算法 1296.5 项目实践：人脸图像聚类 131习题 134第7章 深度学习概述 1357.1 深度学习简介 1357.2 感知器 1367.3 人工神经网络 1387.4 反向传播算法 1397.5 常用的深度学习模型 1447.5.1 CNN 1447.5.2 RNN 1487.5.3 GAN 1527.6 项目实践：图片分类 154习题 158第8章 强化学习概述 1598.1 强化学习简介 1598.2 马尔可夫决策 1618.2.1 马尔可夫性质 1618.2.2 马尔可夫过程 1618.2.3 马尔可夫决策过程 1648.2.4 价值函数与策略 1658.3 基于免模型的强化学习算法 1668.3.1 蒙特卡罗算法 1668.3.2 时序差分算法 1678.4 强化学习前沿 1698.4.1 逆向强化学习 1698.4.2 分层强化学习 1708.4.3 深度强化学习 1718.5 项目实践：车杆游戏 172习题 173第9章 自然语言处理概述 1749.1 自然语言处理简介 1749.2 自然语言处理工具包和语料库 1759.2.1 自然语言处理工具包 1759.2.2 语料库 1769.3 自然语言处理技术分类 1779.3.1 自然语言处理基础技术分类 1779.3.2 自然语言处理应用技术分类 1799.4 Transformer 1809.4.1 Transformer整体结构 1819.4.2 自注意力机制 1839.4.3 Transformer总结 1879.5 项目实践：新闻文本分类 187习题 1900章 推荐系统概述 19110.1 推荐系统简介 19110.1.1 什么是推荐系9110.1.2 个性化推荐系统的应用 19110.2 协同过滤推荐算法 19310.2.1 基于用户的协同过滤推荐算法 19310.2.2 基于物品的协同过滤推荐算法 19410.3 因子分解机算法 19510.3.1 FM算法的背景 19510.3.2 FM算法的优势 19510.3.3 FM算法的衍生算法 19610.4 梯度提升决策树算法 19610.4.1 回归树 19610.4.2 梯度迭代 19610.4.3 缩减 19810.5 评价指标 19810.5.1 在线评价体系 19810.5.2 离线评价体系 19910.6 项目实践：电影推荐系统 20110.6.1 电影推荐系统的需求分析 20110.6.2 系统架构的设计 20110.6.3 推荐系统的实现 202习题 205参考文献 206
作者介绍
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价