作者简介
周文安，男，北京邮电大学计算机学院数据科学及服务中心副教授，博士生导师。中国人工智能学会智能服务专业委员会委员，中国通信学学会高级会员，北邮九三学社基层委员会副主任委员，北邮九三学社第二支社主任委员。
目录
第1章 机器学
1.1 什么是机器学
1.2 通过MNIST解机器学
1.2.1 MNIST概述
1.2.2 MNIST数据结构
1.2.3 利用MNIST数据集训练神经网络
1.3 机器学构成要素
1.3.1 任务
1.3.2 模型
1.3.3 特征
1.4 机器学模型
1.4.1 JI.何模型
1.4.2 概率模型
1.4.3 逻辑模型
l.5 发展历程
1.5.1 机器学芽时期
1.5.2 机器学烈时期
1.5.3 机器学静时期
1.5.4 机器学兴时期
1.5.5 机器学元发展时期
本章小结
第2章 几何模型
2.1 线性分类器
2.2 支持向量机
2.3 邻算法
2.4 K均值聚类
本章小结
延伸阅读
第3章 概念学
3.1 概念学义
3.2 概念学的表述
3.3 术语定义
3.3.1 假设空间
3.3.2 一般到特殊序
3.3.3 一致与变型空间
3.4 FINI)_S算法
3.5 候选消除算法
3.5.1 先列表后消除算法
3.5.2 变型空间的简明表示
3.5.3 候选消除算法的说明
3.5.4 候选消除算法的示例
本章小结
延伸阅读
第4章 人工神经网络
4.1 人工神经网络的介绍
4.2 神经元模型
4.3 适合神经网络学题
4.4 感知器与多层网络
4.4.1 感知器的表征能力
4.4.2 感知器学
4.4.3 Delta法则
4.5 多层网络和反向传播算法
4.5.1 可微阈值单元和前向传播
4.5.2 二次代价函数
4.5.3 反向传播算法
4.6 利用单隐藏层BPNN处理MNIsT学集
4.7 BPNN的应用、BPNN的优缺点及
本章小结
延伸阅读
第5章 模型的评估和选择
5.1 测试集与训练集
5.2 经验误差与泛化误差
5.3 过拟合和欠拟合
5.4 测试集样本数据获取方法
5.4.1 留出法
5.4.2 研折交叉验证法
5.4.3 自助法
5.5 模型性能度量
5.5.1 回归模型的性能度量
5.5.2 分类模型的性能度量
5.6 回归模型的泛化误差分解
本章小结
延伸阅读
第6章 概率模型
6.1 生成式概率模型与判别式概率模型
6.2 贝叶斯决策论
6.3 朴素贝叶斯模型
6.3.1 朴素贝叶斯分类器
6.3.2 极大似然估计
6.3.3 拉普拉斯修正
6.3.4 学类算法
6.4 逻辑斯蒂回归模型
6.4.1 逻辑斯蒂分布
6.4.2 二项逻辑斯蒂回归模型
6.4.3 模型参数估计
6.4.4 多项逻辑斯蒂回归
6.4.5 逻辑斯蒂回归举例
6.4.6 逻辑斯蒂回一步讨论
6.5 高斯混合模型
6.5.1 高斯混合模型的定义
6.5.2 EM算法
6.5.3 高斯混合模型的参数估计
6.5.4 高斯混合模型举例与计算过程详解
6.5.5 高斯混合模一步讨论
本章小结
延伸阅读
第7章 集成学
7.1 集成学
7.2 Bagging算法
7.2.1 自助采样Bagging算法
7.2.2 随机森林Bagging算法
7.3 Boosting算法
7.3.1 算法基本介绍
7.3.2 AdaBoost算法推导
7.3.3 AdaBoost算法步骤
7.3.4 AdaBoost算法应用举例
7.4 集成策略
7.5 Bagging算法与Boosting算法对比
本章小结
延伸阅读
第8章 强化学
8.1 强化学
8.1.1 什么是强化学
8.1.2 强化学分类
8.2 Q-Learning算法
8.2.1 Q—Learning的原理
8.2.2 Q—Learning算法的步骤
8.2.3 Q—Learning算法中的衰减因子
8.2.4 Q—Learning算法试验
8.3 SARSA算法
8.3.1 SARSA。算法的步骤
8.3 一SA.RSA算法试验
8.3.3 SARSA(Lambda)算法
8.3.4 SARSA(Lambda)试验
本章小结
延伸阅读
第9章 迁移学
9.1 迁移学本概念
9.1.1 迁移学
9.1.2 迁移学义
9.1.3 迁移学类
9.2 迁移学法
9.2.1 TrAdaBoost算法
9.2.2 TcA算法
9.2.3 JDA算法
9.2.4 TransEMDT算法
本章小结
延伸阅读
第10章 卷积神经网络
10.1 卷积运算
10.1.1 一维离散信号卷积
10.1.2 二维离散信号卷积
10.1.3 二维互相关
10.1.4 多层卷积和多通道卷积
10.1.5 池化
10
以下为对购买帮助不大的评价