机器学习
新一代信息技术（人工智能）系列丛书，新兴领域“十四五”高等教育教材。
￥ 42 5.3折 ￥ 79 九五品
仅1件
吉林白城
认证卖家担保交易快速发货售后保障
作者张旭东
出版社清华大学出版社
ISBN9787302675259
出版时间2024
版次1
印刷时间2024
印次1
装帧平装
开本大16开
纸张纯质纸
定价79元
货号3806
上书时间2025-01-08
- 在售商品 暂无
- 平均发货时间 1小时
- 好评率 暂无
商品详情
- 品相描述：九五品
- 原塑封包装。9.999品。
- 商品描述
-
作者简介
张旭东 清华大学电子工程系长聘教授，博士生导师，主要研究方向为信号处理和机器学习。承担国家、部委和国际合作项目数十项，发表学术论文180余篇，包括IEEE/IET/ACM等重要刊物和NIPS、AAAI、ICASSP、SIGIR等重要会议，出版教材和专著6部。获得Elsevier的最高引用奖（The Most Cited Paper Award）和IET国际雷达年会最优论文奖，两次获得清华大学教学成果一等奖，三次获得清华大学优秀教材奖。
目录
目录
第1章机器学习概述
微课视频146分钟
1.1什么是机器学习
1.2机器学习的分类
1.2.1基本分类
1.2.2监督学习及其功能分类
1.3构建机器学习系统
1.3.1机器学习的基本元素
1.3.2机器学习的基本概念
1.4通过简单示例理解机器学习
1.4.1一个简单的回归示例
1.4.2一个简单的分类示例
1.5深度学习
本章小结
本章习题
第2章统计与优化基础
微课视频129分钟
2.1概率基础
2.1.1离散随机变量
2.1.2连续随机变量
2.1.3随机变量的基本特征
2.1.4随机特征的蒙特卡洛逼近
2.2概率实例
2.2.1离散随机变量示例
2.2.2高斯分布
2.2.3指数族
2.2.4高斯混合过程
2.2.5马尔可夫过程
2.3最大似然估计
2.4贝叶斯估计——最大后验估计
2.5随机变量的熵特征
2.5.1熵的定义和基本性质
2.5.2KL散度、互信息和负熵
2.6非参数方法
2.7优化技术
2.7.1基本优化算法
2.7.2拉格朗日方法
本章小结
本章习题
第3章贝叶斯决策
微课视频39分钟
3.1机器学习中的决策
3.2分类的决策
3.2.1加权错误率准则
3.2.2拒绝判决
3.3回归的决策
3.4高斯情况下的分类决策
3.4.1相同协方差矩阵情况的二分类
3.4.2不同协方差矩阵情况的二分类
3.4.3多分类情况
3.5KNN方法
*3.6概率图模型
3.6.1贝叶斯网络
3.6.2无向图模型
3.6.3图模型的学习与推断
本章小结
本章习题
第4章基本回归和分类算法
微课视频158分钟
4.1线性回归
4.1.1基本线性回归
4.1.2线性回归的递推学习
4.1.3正则化线性回归
4.1.4多输出线性回归
*4.2稀疏线性回归Lasso
4.2.1Lasso的循环坐标下降算法
4.2.2Lasso的LAR算法
4.3线性基函数回归
4.4基本分类问题
4.5线性判别函数模型
4.5.1Fisher线性判别分析
*4.5.2感知机
4.6逻辑回归
4.6.1二分类问题的逻辑回归
4.6.2多分类问题的逻辑回归
4.7朴素贝叶斯方法
本章小结
本章习题
第5章机器学习流程、评价和性能界
微课视频90分钟
5．1机器学习流程
5．1．1机器学习基本流程
5．1．2数据清洗和数据预处理
5．1．3模型的训练、验证与测试
5．1．4特征工程
5．1．5样本不平衡
5．2机器学习模型的性能评估
5．3机器学习模型的误差分解
5．4机器学习模型的泛化性能
5．4．1假设空间有限时的泛化误差界
*5．4．2假设空间无限时的泛化误差界
本章小结
本章习题
第6章支持向量机与核函数方法
微课视频91分钟
6.1线性支持向量机
6.1.1不等式约束的优化
6.1.2线性可分情况的SVM
6.1.3不可分情况的SVM
6.1.4合页损失函数
6.1.5SVM用于多分类问题
6.2非线性支持向量机
6.2.1SVM分类算法小结
*6.2.2SMO算法
6.3支持向量回归
*6.4核函数方法
本章小结
本章习题
第7章决策树
微课视频75分钟
7.1基本决策树算法
7.1.1决策树的基本结构
7.1.2信息增益和ID3算法
7.1.3信息增益率和C4.5算法
7.2CART算法
7.2.1分类树
7.2.2回归树
7.3决策树的一些实际问题
7.3.1连续数值变量
7.3.2正则化和剪枝技术
7.3.3缺失属性的训练样本问题
本章小结
本章习题
第8章集成学习
微课视频63分钟
8.1Bagging和随机森林
8.1.1自助采样和Bagging算法
8.1.2随机森林算法
8.2提升和AdaBoost算法
8.2.1AdaBoost算法介绍
*8.2.2AdaBoost算法分析
8.3提升树算法
8.3.1加法模型和提升树
8.3.2梯度提升树
本章小结
本章习题
第9章神经网络与深度学习之一： 基础
微课视频94分钟
9.1神经网络的基本结构
9.1.1神经元结构
9.1.2多层神经网络解决异或问题
9.1.3多层感知机
9.1.4神经网络的逼近定理
9.2神经网络的目标函数和优化
9.2.1神经网络的目标函数
9.2.2神经网络的优化
9.3误差反向传播算法
9.3.1反向传播算法的推导
9.3.2反向传播算法的向量形式
9.3.3反向传播算法的扩展
9.4神经网络学习中的一些问题
9.4.1初始化
9.4.2正则化
9.4.3几类等价正则化技术
本章小结
本章习题
第10章神经网络与深度学习之二： 结构
微课视频123分钟
10.1卷积神经网络
10.1.1卷积运算及其物理意义
10.1.2基本CNN的结构
10.1.3CNN的参数学习
*10.1.4卷积的一些扩展结构
*10.1.5CNN示例介绍
10.2循环神经网络
10.2.1基本RNN
10.2.2RNN的计算和训练
*10.2.3长短期记忆模型
*10.2.4门控循环单元
本章小结
本章习题
第11章神经网络与深度学习之三： 扩展
微课视频174分钟
11.1深度学习中的优化算法
11.1.1小批量SGD算法
11.1.2动量SGD算法
11.1.3自适应学习率算法
11.2深度学习训练的正则化技术
11.2.1Dropout技术
11.2.2批归一化
*11.2.3层归一化
*11.3对抗训练
*11.4自编码器
11.4.1自编码器的基本结构
11.4.2自编码器的一些扩展
*11.5注意力机制和Transformer
11.5.1注意力机制
11.5.2序列到序列模型
11.5.3Transformer
*11．6预训练技术和模型实例
11．6．1GPT模型
11．6．2BERT模型
本章小结
本章习题
第12章聚类和EM算法
微课视频65分钟
12.1聚类算法
12.1.1K均值聚类算法
12.1.2DBSCAN聚类算法
12.1.3其他度量和聚类算法
12.2EM算法
12.2.1EM算法的隐变量形式
12.2.2独立同分布情况
*12.2.3EM算法扩展到MAP估计
*12.2.4通过KL散度对EM算法的解释
12.3基于EM算法的高斯混合模型参数估计
12.3.1GMM参数估计
12.3.2GMM的软聚类
本章小结
本章习题
第13章降维和连续隐变量学习
微课视频20分钟
13.1主分量分析
13.1.1主分量分析原理
13.1.2广义Hebb算法
*13.2样本向量的白化和正交化
13.2.1样本向量的白化
13.2.2向量集的正交化
*13.3独立分量分析
13.3.1独立分量分析的原理和目标函数
13.3.2不动点算法FastICA
13.3.3自然梯度算法
13.3.4仿真实验举例
本章小结
本章习题
第14章强化学习之一： 经典方法
微课视频178分钟
14.1强化学习的基本问题
14.2马尔可夫决策过程
14.2.1MDP的定义
14.2.2贝尔曼方程
14.2.3最优策略
14.2.4强化学习的类型
14.2.5探索与利用
14.3动态规划
14.3.1策略迭代方法
14.3.2值函数迭代方法
14.4强化学习的蒙特卡洛方法
14.4.1MC部分策略评估
14.4.2MC策略改进
14.4.3在轨策略和离轨策略
14.5强化学习的时序差分方法
14.5.1基本时序差分学习和Sarsa算法
14.5.2离轨策略和Q学习
14.5.3DP、MC和TD算法的简单比较
*14.5.4多步时序差分学习和资格迹算法
*14.6多臂赌博机
本章小结
本章习题
第15章强化学习之二： 深度强化学习
15.1强化学习的值函数逼近
15.1.1基本线性值函数逼近
*15.1.2线性值函数逼近的最小二乘策略迭代算法
15.1.3深度Q网络
15.2策略梯度方法
15.2.1MC策略梯度算法Reinforce
15.2.2行动器评判器方法
*15.3连续动作确定性策略梯度方法
15.3.1DPG算法
15.3.2DDPG算法
15.3.3连续动作DRL的一些进展概述
*15．4深度强化学习的应用实例
15．4．1AlphaGo
15．4．2Suphx
15．4．3DRL在无人机自主导航中的应用
本章小结
本章习题
第16章深度生成模型
微课视频203分钟
16．1深度生成模型概述
16．2生成对抗网络
16．2．1基本的生成对抗网络
*16．2．2改进生成对抗网络的目标函数
*16．2．3改进生成对抗网络的结构
16．3变分自编码器
16．3．1变分自编码器原理
16．3．2变分自编码器训练算法
16．4深度扩散模型
16．4．1前向和反向过程
16．4．2扩散模型的目标函数
16．4．3扩散模型训练算法和实现实例
*16．4．4扩散模型与评分网络的关系和其他扩展
*16．5归一流模型
本章小结
本章习题
附录A课程的实践型作业实例
A.1第1次实践作业
A.2第2次实践作业
A.3第3次实践作业
附录B函数对向量和矩阵的求导
附录C术语表
参考文献
视频目录
视 频 名 称时长/min位置
第1集导论1651.1节
第2集导论2311.3节
第3集导论3501.4节
第4集统计基础1712.1节
第5集统计基础2582.5节
第6集决策论393.1节
第7集回归学习714.1节
第8集分类学习1514.4节
第9集分类学习2364.7节
第10集流程和评估905.1节
第11集核与SVM916.1节
第12集决策树757.1节
第13集集成学习638.1节
第14集神经网络949.1节
第15集深度学习17810.1节
第16集深度学习24510.2节
第17集深度学习33711.1节
第18集深度学习46811.4节
第19集深度学习56911.5.2节
第20集无监督学习16512.1节
第21集无监督学习22013.1节
第22集强化学习19514.1节
第23集强化学习28314.3节
第24集深度生成模型15316.1节
第25集深度生成模型24816.3节
第26集深度生成模型310216.4节
内容摘要
"本书对机器学习的基础知识和基本算法进行了详细的介绍,对广泛应用的经典算法(如线性回归、逻辑回归、
朴素贝叶斯、支持向量机、决策树和集成学习等)进行了深入的分析,并讨论了无监督学习的基本方法。用6章对
深度学习和深度强化学习进行了相当全面的叙述,不仅深入地讨论了反向传播算法、多层感知机、卷积神经网络、
循环神经网络和长短期记忆网络等深度神经网络的核心知识和结构,对于一些发展中的专题(如Transformer、大
模型和深度生成模型等)也给予了一定深度的介绍。对于强化学习,不仅介绍了经典表格方法,也较详细地讨论了
深度强化学习及应用实例。本书对于基础和前沿、经典方法和热门技术尽可能平衡,使读者不仅能在机器学习领
域打下一个良好的基础,同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。
本书是一本面向大学理工科和管理类各专业的宽口径、综合性的机器学习教材,可供高年级本科生和研究生
使用,也可帮助科技人员、工程师和程序员自学机器学习的原理和算法。"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价