• 机器学习与深度学习算法基础9787301313473
  • 机器学习与深度学习算法基础9787301313473
21年品牌 40万+商家 超1.5亿件商品

机器学习与深度学习算法基础9787301313473

正版二手图书,可开发票,请放心购买。

18.7 2.1折 89 九品

仅1件

广东广州
认证卖家担保交易快速发货售后保障

作者贾壮

出版社北京大学出版社

ISBN9787301313473

出版时间2020-09

装帧平装

开本16开

定价89元

货号1304570507312101545

上书时间2024-12-23

亿临书店

四年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:九品
商品描述
作者简介
毕业于清华大学自动化系,专业为模式识别与智能系统方向。主要从事于机器学习与深度学习在图像处理以及地球物理领域内的相关应用研究,对机器学习相关算法有较深的理解。参与过多项机器学习相关工程项目,发表SCI期刊论文及会议论文数篇。曾获得国家奖学金、数学建模一等奖、很好毕业生等奖项和荣誉称号。

目录
篇 经典机器学习模型  

章  引言:从线性回归说起2
1.1  什么是机器学习3
1.1.1  传统算法与机器学习算法4
1.1.2  线性回归9
1.2  过拟合与正则化10
1.2.1  样本量与过拟合10
1.2.2  正则化方法12
1.3  岭回归和lasso回归14
1.3.1  岭回归14
1.3.2  lasso回归17
1.3.3  l1正则化和l2正则化17
1.4  本章小结与代码实现21
1.5  本章话题:机器学习的
一般原理25
第2章  阴阳剖分:支持向量机模型30
2.1  支持向量机模型的基本思路30
2.1.1  支持向量机模型的
基本思路31
2.1.2  支持向量机算法的
基本流程34
2.2  数学形式与求解方法34
2.2.1  数学知识补充35
2.2.2  数学模型与理论推导36
2.3  核方法与维度问题38
2.3.1  核方法的含义39
2.3.2  核函数SVM39
2.4  软间隔支持向量机41
2.4.1  软间隔的含义41
2.4.2  软间隔SVM的损失
函数42
2.5  本章小结与代码实现44
2.6  本章话题:高维度,是灾难
还是契机?46
第3章  化直为曲:逻辑斯蒂回归50
3.1  逻辑斯蒂回归的基本原理50
3.1.1  分类问题与回归问题51
3.1.2  逻辑斯蒂回归算法思路53
3.2  逻辑斯蒂函数56
3.2.1  逻辑斯蒂函数的由来56
3.2.2  逻辑斯蒂函数的优势58
3.3  逻辑斯蒂回归的数学原理59
3.3.1  逻辑斯蒂回归的数学
形式59
3.3.2  准确率和召回率62
3.4  参数确定的方法65
3.4.1  似然函数简介65
3.4.2  逻辑斯蒂回归的损失
函数66
3.5  多项逻辑斯蒂回归67
3.5.1  多分类问题的逻辑斯蒂
回归67
3.5.2  softmax函数68
3.6  本章小结与代码实现69
3.7  本章话题:广义线性模型72
第4章  层层拷问:决策树模型77
4.1  模型思路与算法流程78
4.1.1  决策树的思路——
以读心术游戏为例78
4.1.2  决策树模型的基本流程81
4.1.3  决策树模型的关键问题87
4.2  特征选择原则87
4.2.1  信息增益原则87
4.2.2  信息增益比原则89
4.2.3  基尼系数原则89
4.3  剪枝策略90
4.4  常用决策树模型:ID3与
C4.5算法92
4.4.1  ID3算法92
4.4.2  C4.5算法92
4.5  多变量决策树简介93
4.6  本章小结与代码实现94
4.7  本章话题:信息论与
特征选择97
第5章  近朱者赤:k近邻模型101
5.1  模型的思路和特点101
5.1.1  模型思路101
5.1.2  懒惰学习与迫切学习103
5.2  模型的相关性质105
5.2.1  数学形式105
5.2.2  损失函数与误差108
5.2.3  k近邻模型的改进109
5.3  距离函数与参数选择111
5.3.1  距离函数111
5.3.2  参数选择的影响114
5.4  本章小结与代码实现115
5.5  本章话题:相似性度量119
第6章  执果索因:朴素贝叶斯
模型123
6.1  贝叶斯方法的基本概念123
6.1.1  贝叶斯学派与频率
学派124
6.1.2  全概率公式与贝叶斯
公式127
6.2  朴素贝叶斯的原理和方法133
6.2.1  朴素贝叶斯的“朴素”
假设133
6.2.2  拉普拉斯平滑135
6.3  朴素贝叶斯算法的步骤与
流程137
6.4  生成式模型与判别式模型138
6.5  本章小结与代码实现138
6.6  本章话题:贝叶斯思维与
先验概念141
第7章  提纲挈领:线性判别分析与
主成分分析144
7.1  线性降维的基本思路144
7.2  LDA146
7.2.1  投影的技巧146
7.2.2  类内距离和类间距离147
7.2.3  LDA的求解149
7.3  PCA151
7.3.1  基变换与特征降维151
7.3.2  方差优选化与PCA原理
推导154
7.3.3  PCA的实现步骤158
7.4  LDA与PCA:区别与
联系158
7.5  本章小结与代码实现159
7.5.1  LDA实验:鸢尾花
数据集降维分类159
7.5.2  PCA实验:手写数字
数据集降维161
7.6  本章话题:矩阵的直观解释
与应用162
第8章  曲面平铺:流形学习166
8.1  流形与流形学习166
8.2  Isomap的基本思路与
实现方法170
8.2.1  测地距离的概念170
8.2.2  计算测地距离:图论中的
Floyd算法172
8.2.3  由距离到坐标:多维尺度
变换方法173
8.3  Isomap算法步骤175
8.4  LLE的基本思路与
实现方法175
8.4.1  LLE的基本思想175
8.4.2  局部线性重构176
8.5  LLE算法步骤177
8.6  本章小结与代码实现178
8.7  本章话题:黎曼、非欧几何
与流形感知180
第9章  物以类聚:聚类算法185
9.1  无监督方法概述185
9.2  聚类的基本目标和评价
标准187
9.2.1  聚类的基本目标187
9.2.2  聚类的评价标准188
9.3  基于中心的k-means
算法191
9.3.1  k-means算法的基本
思路191
9.3.2  k-means算法步骤193
9.3.3  k-means算法的局
限性195
9.4  层次聚类算法196
9.4.1  层次聚类的基本原理196
9.4.2  层次聚类的AGNES
算法199
9.5  密度聚类算法:DBSCAN200
9.5.1  DBSCAN算法的基本
思路200
9.5.2  DBSCAN算法步骤201
9.6  本章小结与代码实现203
9.7  本章话题:Science上的一种
巧妙聚类算法205
0章  字典重构:稀疏编码209
10.1  稀疏编码的思路209
10.1.1  神经生物学的发现210
10.1.2  过完备性与稀疏性210
10.2  稀疏编码的数学形式213
10.3  字典学习中的“字典”215
10.3.1  传统算法中的
“字典”215
10.3.2  “字典”学习的意义216
10.4  本章小结与代码实现217
10.5  本章话题:压缩感知理论
简介220
1章  教学相长:直推式支持
向量机223
11.1  半监督学习简介223
11.2  T-SVM模型227
11.2.1  T-SVM的基本思路227
11.2.2  T-SVM算法步骤228
11.3  本章小结与代码实现229
11.4  本章话题:不同样本集场景
下的问题处理策略233
2章  群策群力:集成学习236
12.1  自举汇聚和提升236
12.1.1  Bagging算法和Boosting
算法的基本思路237
12.1.2  Bagging算法和Boosting
算法的区别与联系240
12.2  Bagging算法的基本
步骤241
12.3  Boosting算法的基本
步骤242
12.4  Bagging算法:以随机
森林算法为例243
12.4.1  随机森林算法243
12.4.2  随机森林算法中的
随机性244
12.5  Boosting算法:以Adaboost
算法为例244
12.5.1  Adaboost算法的实现
步骤245
12.5.2  Adaboost算法过程
分析245
12.6  本章小结与代码实现246
12.7  本章话题:Adaboost算法
中的分步策略249

第二篇 深度学习模型与方法  

3章  神经网络与深度学习:从感知机模型到阿尔法狗254
13.1  感知机模型256
13.1.1  感知机模型的基本原理
与数学形式256
13.1.2  感知机模型的缺陷与
改进260
13.2  人工神经网络262
13.2.1  生物神经元与感知机
模型262
13.2.2  人工神经网络方法
简介264
13.2.3  反向传播算法265
13.2.4  神经网络的优势267
13.3  需要深度学习的原因268
13.4  神经网络模型的局限性268
13.5  常用神经网络框架简介270
13.6  本章话题:人工智能发展
大事年表271

内容摘要
目前,市场上的机器学习算法和深度学习算法相关入门书籍大都过于理论化和数学化,提高了学习门槛,使得不具有相关专业背景的读者望而却步;或是过于偏重实操,对于算法原理过于简略,使得读者无法形成对算法原理和可应用场景的基本认识。本书共分为上下两篇,共18章:其中篇为经典机器学习模型部分,主要讲解了常用的机器学习经典模型。章讲解线性回归和lasso回归,岭回归。第2章介绍SVM模型。第3章介绍逻辑斯蒂回归。第4章介绍决策树模型。第5章介绍k近邻算法。第6章介绍朴素贝叶斯模型。第7章介绍线性判别分析与主成分分析。第8章介绍流形学习。第9章介绍聚类算法。0章介绍稀疏编码。1章介绍T-SVM模型。2章介绍集成算法与提升算法。第二篇为深度学习和神经网络部分,主要介绍了时下很流形和通用的一些模型。3章介绍了感知机模型,并简述了深度学习和神经网络的相关脉络。4章介绍了深度学习网络的相关组成部分。5章介绍了CNN的基本原理。6章介绍了RNN的基本原理。7章介绍了GAN的基本原理。很后,在8章对本书进行了总结。

主编推荐
从算法原理、算法思维到公式再到代码实战,图解13种经典机器学习算法+4种深度学习模型,不仅告诉你是什么,还告诉你为什么,以及怎么用!

—  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