机器学习（慕课版）

图书标准信息

• 作者 作者
• 出版社 人民邮电出版社
• 出版时间 2024-05
• 版次 1
• ISBN 9787115621863
• 定价 69.80元
• 装帧 其他
• 开本 16开
• 页数 276页
• 字数 421千字

【内容简介】

本书是一本零基础的Illustrator软件的实战教材，旨在介绍如何使用Illustrator软件在平面设计领域的使用方法与技巧。本书首先介绍Illustrator软件在平面领域中的主要应用范围和领域，然后逐步由浅入深的介绍如何使用软件完成图形的设计与编辑、路径的绘制与编辑、图形样式的创建与编辑、文本与图表的创建与编辑、图层与蒙版的应用、效果类应用方法、混合与封套的应用方法等。
书籍中所涉及的案例都是平面设计领域中最为常见与普及度比较广泛的案例，让读者在熟悉和掌握Illustrator软件的同时对平面设计中的规范有一个详细并深入的了解。

【作者简介】

庞俊彪 庞俊彪长期从事模式识别、机器学习等相关领域的科研研究，获得国家自然科学基金面上项目和重点项目的支持，北京市自然科学基金面上等项目的支持，其学术成果发表30余篇IEEE 会刊和CCF推荐很好论文。庞俊彪所带领的实验室的科研人员，长期从事与机器学习与多媒体技术相关领域的前沿项目研究，对于现有技术的发展可以做到准确的把控，有丰富的实践项目经验做支撑。

【目录】

目录1
第 1章 机器学习引论12
1.1 什么是人工智能12
1.1.1 人工智能发展历程13
1.2 什么是机器学习20
1.2.1 机器学习的定义21
1.2.2 机器学习的分类21
1.2.3 机器学习就是专门研究算法？22
1.3 如何学习机器学习25
1.3.1 编程能力与实践28
1.4 本章小结31
1.5 习题32
34
第 2章 概率密度估计34
2.1 频率学派与贝叶斯学派34
2.1.1 频率学派34
2.1.2 贝叶斯学派35
2.2 优选似然估计和优选后验估计36
2.2.1 优选似然估计36
2.2.2 优选后验估计40
2.3 特殊先验分布下的优选后验估计42
2.3.1 高斯先验42
2.3.2 拉普拉斯先验42
2.4 本章小结43
2.5 习题43
 46
第3章 感知机46
3.1 感知机模型46
3.2 感知机的损失函数48
3.3 感知机的学习算法49
3.3.2 机器学习算法的一般编程模式50
3.4 本章小结59
3.5 习题59
第4章 Logistic回归64
4.1 Logistic的物理含义64
4.2 logistic回归的参数估计65
4.3 评价标准72
4.4 多类分类和归一化指数函数（Softmax函数）75
4.5 本章小结77
4.6 习题78
82
第5章 支持向量机82
5.1 从感知机到支持向量机82
5.2 线性可分支持向量机83
5.2.1 点到分类面的距离83
5.2.2 优选间隔的目标函数84
5.2.3 支持向量与间隔优选化85
5.2.4 支持向量机的对偶算法87
5.2.5 用KKT条件解释支持向量的稀疏性90
5.3 线性不可分支持向量机91
5.3.1 软间隔91
5.3.2 对偶算法92
5.4 非线性可分支持向量机94
5.4.1 非线性支持向量机95
5.4.2 核技巧与计算复杂度96
5.5 SVM优化求解98
5.5.1 非线性支持向量与SMO算法98
5.5.2 线性支持向量机与Pegasos算法99
5.6 支持向量回归100
5.7 本章小结102
5.8 习题103
第6章 决策树107
6.1 决策过程与决策树107
6.2 建立决策树的基本原则109
6.2.1 “纯度”与特征选择110
6.2.2 信息增益111
6.3 决策树生成算法112
6.3.1 ID3算法112
6.3.2 C4.5算法113
6.4 决策树的剪枝118
6.5分类回归树128
6.6 本章小结132
6.7 习题132
136
第7章 集成学习136
7.1 集成学习的原理136
7.2 分类器优劣与泛化误差136
7.3 Bagging算法142
7.4 随机森林147
7.5 Boosting148
7.6 本章小结157
7.7 习题158
164
第8章 无监督学习164
8.1 什么是无监督学习164
8.2 均值聚类165
8.2.1 均值算法模型165
8.2.2 均值优化166
8.2.3 均值的数据预处理167
8.2.4 均值初始化168
8.2.5 值大小的确定方法169
8.3 基于密度的聚类171
8.3.1 高斯混合模型的产生171
8.3.2 高斯混合模型的梯度下降172
8.3.3 高斯混合模型的期望优选化算法174
8.3.4 一般情况下的期望优选化算法176
8.3.5 majorize-minimize算法177
8.3.6 高斯混合模型的MM算法求解178
8.3.7 DBSCAN算法180
8.4 层次聚类183
8.4.1 凝聚式层次聚类183
8.5 本章小结184
8.6 习题185
第 9章 降维分析187
9.1 主成分分析187
9.1.1 主成分分析目标函数的化简188
9.1.2 主成分分析目标函数的优化190
9.1.3 主成分分析的预处理191
9.2 隐语义模型192
9.2.1 一词一义与词频-逆词频表示192
9.2.2 隐语义模型193
9.2.3  概率隐语义模型196
9.2.4 非负矩阵分解198
9.2.5 非负矩阵分解的乘法更新法则198
9.2.6 非负矩阵分解的梯度投影200
9.3 本章小节201
9.4 习题202
第 10章 神经网络203
10.1 神经元模型204
10.2 多层前馈神经网络206
10.3 本章小结226
10.4 习题226
第 11章 深度神经网络227
11.1 卷积神经网络227
11.2 循环神经网络233
11.3 生成对抗网络241
11.4 小结251
11.5 习题252