机器学及应用 人工智能 安俊秀 靳宇倡 陈宏松 陶全桧 马振明 等 新华正版

图书标准信息

• 作者 安俊秀靳宇倡陈宏松陶全桧马振明
• 出版社 人民邮电出版社
• 出版时间 2024-07
• 版次 1
• ISBN 9787115616845
• 定价 69.80元
• 装帧 其他
• 开本 16开
• 页数 1页
• 字数 271千字

【内容简介】

本书全面介绍了机器学习的基础知识和主要技术以及其应用，全书共 10 章，首先对机器学习进行概述，并介绍机器学习的相关算法，如回归算法、分类算法、结构化学习、无监督学习；接着对机器学习聚类算法、深度学习、强化学习等算法原理及实现过程进行了简要介绍，以便于实际应用分析；最后介绍自然语言处理、推荐系统原理，并通过两个案例让读者认识和理解机器学习，实现理论与实践的有机结合。
本书可作为高等院校机器学习相关课程的教材，也可以作为计算机相关专业的课程教材，同时也可以作为从事机器学习相关行业的工作人员的参考用书。

【作者简介】

安俊秀，访问学者，硕士生导师。软件自动生成与智能服务四川省重点实验室学术带头人(知识本体和大数据方向)。并行计算与大数据研究所负责人，长期从事数据科学与大数据相关的研究与教学工作，已发表研究领域相关论文40余篇，主编大数据与人工智能方面专著或教材10余部。

【目录】

第1章  机器学习概述1
1.1  人工智能概述1
1.1.1  人工智能发展历程1
1.1.2  人工智能与机器学习3
1.2  机器学习的两大学派5
1.2.1  频率学派6
1.2.2  贝叶斯学派6
1.3  机器学习的三要素7
1.3.1  数据7
1.3.2  模型8
1.3.3  算法9
1.4  机器学习算法的4种类型9
1.4.1  有监督学习算法10
1.4.2  无监督学习算法10
1.4.3  半监督学习算法11
1.4.4  强化学习算法12
1.5  机器学习的应用13
1.5.1  计算机视觉13
1.5.2  自然语言处理14
1.5.3  机器人15
习题16
第2章  回归算法概述17
2.1  回归算法简介17
2.2  线性回归19
2.2.1  算法原理19
2.2.2  实现及参数20
2.3  多元线性回归24
2.3.1  算法原理24
2.3.2  实现及参数25
2.4  正则化回归分析29
2.4.1  过拟合与正则化29
2.4.2  岭回归30
2.4.3  套索回归32
2.4.4  弹性网络回归33
2.5  贝叶斯模型35
2.5.1  贝叶斯方法35
2.5.2  贝叶斯回归36
2.6  Softmax回归40
2.6.1  算法原理40
2.6.2  实现及参数41
2.7  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53
3.1  分类算法简介53
3.2  K近邻查询算法54
3.2.1  算法原理54
3.2.2  实现及参数55
3.3  逻辑回归算法58
3.3.1  算法原理58
3.3.2  实现及参数60
3.4  贝叶斯网络与朴素贝叶斯分类器62
3.4.1  贝叶斯网络62
3.4.2  朴素贝叶斯分类器63
3.5  决策树算法65
3.5.1  算法原理66
3.5.2  选择很优特征68
3.6  集成学习算法69
3.6.1  随机森林算法70
3.6.2  AdaBoost算法71
3.7  项目实践：水果分类73
习题78
第4章  支持向量机概述79
4.1  支持向量机简介79
4.1.1  超平面与线性可分80
4.1.2  优选化间隔81
4.2  核函数81
4.3  多分类处理84
4.3.1  “1?a?r”方法84
4.3.2  树形支持向量机多分类方法85
4.3.3  决策树支持向量机多分类器85
4.4  结构风险分析85
4.5  项目实践：猫分类器86
4.5.1  实践准备87
4.5.2  训练模型88
4.5.3  验证模型90
习题92
第5章  数据降维概述93
5.1  数据降维简介93
5.2  线性降维94
5.2.1  PCA94
5.2.2  使用优选投影方差理解PCA97
5.2.3  使用最小重构代价理解PCA98
5.2.4  LDA100
5.3  非线性降维103
5.3.1  局部线性嵌入103
5.3.2  拉普拉斯特征映射104
5.3.3  随机近邻嵌入107
5.3.4  t分布随机近邻嵌入108
5.4  自编码器108
5.5  项目实践：自编码器114
习题117
第6章  聚类算法概述118
6.1  聚类算法简介118
6.2  基于划分的聚类算法119
6.2.1  K均值聚类算法119
6.2.2  EM算法121
6.3  基于密度的聚类算法123
6.3.1  DBSCAN算法123
6.3.2  DPC算法127
6.4  基于图的聚类算法129
6.5  项目实践：人脸图像聚类131
习题134
第7章  深度学习概述135
7.1  深度学习简介135
7.2  感知器136
7.3  人工神经网络138
7.4  反向传播算法139
7.5  常用的深度学习模型144
7.5.1  CNN144
7.5.2  RNN148
7.5.3  GAN152
7.6  项目实践：图片分类154
习题158
第8章  强化学习概述159
8.1  强化学习简介159
8.2  马尔可夫决策161
8.2.1  马尔可夫性质161
8.2.2  马尔可夫过程161
8.2.3  马尔可夫决策过程164
8.2.4  很优价值函数与很优策略165
8.3  基于免模型的强化学习算法166
8.3.1  蒙特卡罗算法166
8.3.2  时序差分算法167
8.4  强化学习前沿169
8.4.1  逆向强化学习169
8.4.2  分层强化学习170
8.4.3  深度强化学习171
8.5  项目实践：车杆游戏172
习题173
第9章  自然语言处理概述174
9.1  自然语言处理简介174
9.2  自然语言处理工具包和语料库175
9.2.1  自然语言处理工具包175
9.2.2  语料库176
9.3  自然语言处理技术分类177
9.3.1  自然语言处理基础技术分类177
9.3.2  自然语言处理应用技术分类179
9.4  Transformer180
9.4.1  Transformer整体结构181
9.4.2  自注意力机制183
9.4.3  Transformer总结187
9.5  项目实践：新闻文本分类187
习题190
第10章  推荐系统概述191
10.1  推荐系统简介191
10.1.1  什么是推荐系统191
10.1.2  个性化推荐系统的应用191
10.2  协同过滤推荐算法193
10.2.1  基于用户的协同过滤推荐算法193
10.2.2  基于物品的协同过滤推荐算法194
10.3  因子分解机算法195
10.3.1  FM算法的背景195
10.3.2  FM算法的优势195
10.3.3  FM算法的衍生算法196
10.4  梯度提升决策树算法196
10.4.1  回归树196
10.4.2  梯度迭代196
10.4.3  缩减198
10.5  评价指标198
10.5.1  在线评价体系198
10.5.2  离线评价体系199
10.6  项目实践：电影推荐系统201
10.6.1  电影推荐系统的需求分析201
10.6.2  系统架构的设计201
10.6.3  推荐系统的实现202
习题205
参考文献206