機器學習-數據表示學習及應用 張春陽 陳俊龍 9787302680185 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202501*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：機器學習-數據表示學習及應用
ISBN：9787302680185
出版社：清華大學
著編譯者：張春陽 陳俊龍
頁數：195
所在地：中國大陸 *此為代購商品
書號：1710924
可大量預訂，請先連絡。

內容簡介

本書從數據表示學習角度介紹機器學習及其應用。全書共7章，分別介紹數據表示學習與數學基礎、傳統降維方法、分散式表示學習和聚類算法、稀疏表示學習、神經網絡中的特徵提取、生成式表示學習和對比式表示學習。本書涉及的數據表示學習算法的具體應用領域包括計算機視覺、自然語言處理以及圖網絡分析等。 本書主要面向廣大從事人工智能、機器學習或深度學習、數據挖掘、模式識別等領域的專業人員，從事高等教育的專任教師，高等院校的在讀學生及相關領域的廣大科研人員。

作者簡介

陳俊龍，博士、教授、博士生導師。現任華南理工大學計算機科學與工程學院院長，中國自動化學會副理事長，教育部健康智能感知與數字平行人工程研究中心主任，廣東省計算智能與網絡空間信息重點實驗室主任，電氣電子工程師協會會士（IEEE Fellow）、美國科學促進會會士（AAAS Fellow）、國際模式識別學會會士（IAPR Fellow）、中國自動化學會會士（CAA Fellow）、香港工程師學會會士（HKIE Fellow），歐洲科學院（Academia Europaea）院士，歐洲科學與藝術院（European Academy of Sciences and Arts）院士。曾任IEEE兩個頂級學術期刊的主編。連續5年（2018一2022）入選科睿唯安（Clarivate Analytic）計算機科學及工程學雙學科全球「高被引科學家」。2018年榮獲IEEE系統科學控制論的最高學術獎——IEEE諾伯特·維納獎（Norbert Wiener Award）。榮獲2021年度IEEE Joseph G Wohl終身成就獎及第十一屆「吳文俊人工智能傑出貢獻獎」。

目錄

第1章 緒論
1 1 機器學習簡介
1 2 特徵工程與數據表示學習
1 3 數學與概率基礎
第2章 傳統降維方法
2 1 主成分分析
2 1 1 標準的主成分分析
2 1 2 核主成分分析
2 2 多維尺度變換
2 2 1 多維尺度變換的定義
2 2 2 多維尺度變換的求解
2 3 流形學習
2 3 1 等距特徵映射
2 3 2 局部線性嵌入
2 3 3 拉普拉斯特徵映射
2，3 4 局部切空間排列
2 3 5 生成拓撲映射
2 4 t分佈隨機鄰域嵌入
2 5 自編碼器
2 5 1 基本概念
2 5 2 輸出層的激活函數
2 5 3 損失函數
2 5 4 自編碼器與主成分分析的比較
參考文獻
第3章 分散式表示學習和聚類算法
3 1 分散式表示學習的概念
3 2 K-means算法和K近鄰算法
3 2 1 K-means算法
3 2 2 K-means的改進
3 2 3 K近鄰算法
3 2 4 KNN的改進
3 3 原型聚類算法
3 3 1 學習向量量化算法
3 3 2 高斯混合聚類算法
3 4 基於密度的聚類算法
3 4 1 DBSCAN算法
3 4 2 OPTICS算法
3 4 3 DENCLUE算法
3 5 層次聚類
3 5 1 層次聚類方法鏈接
3 5 2 經典層次聚類算法的步驟
3 5 3 層次聚類的改進算法
參考文獻
第4章 稀疏表示學習
4 1 引言
4 2 稀疏表示學習簡介
4 2 1 專業名詞解析
4 2 2 L1正則化
4 2 3 奇異值分解
4 2 4 缺失數據和矩陣填充
4 2 5 有限等距性質
4 2 6 信號與稀疏表示
4 2 7 正交基
4 2 8 用正交基通近
4 2 9 用過完備基重構
4 3 匹配追蹤算法
4 3 1 字典構建
4 3 2 通過DCT基構建字典
4 3 3 基於DCT字典圖像稀疏去噪算法學習
4 3 4 通過學習來構建字典
4 3 5 重構算法介紹
4 3 6 凸鬆弛重構算法
4 3 7 貪婪算法
4 4 迭代加權最小二乘法
4 5 壓縮感知
4 5 1 基本思想介紹
4 5 2 結構化稀疏重構模型
4 5 3 壓縮感知架構
4 5 4 基於字典的稀疏表示
4 5 5 分塊壓縮感知
4 5 6 結構化壓縮感知模型
4 5 7 商品推薦應用
4 5 8 信號傳輸應用
參考文獻
第5章 神經網絡中的特徵提取
5 1 神經網絡簡介
5 1 1 生物神經網絡
5 1 2 人工神經元
5 1 3 人工神經網絡
5 2 多層神經網絡
5 2 1 前向傳播
5 2 2 反向傳播算法
5 2 3 神經網絡之特徵提取Word2Vec
5 3 卷積神經網絡
5 3 1 卷積層
5 3 2 池化層
5 3 3 全連接層
5 3 4 卷積神經網絡的特點
5 4 循環神經網絡
5 4 1 序列數據
5，4 2 循環神經網絡
5 4 3 循環神經網絡的變體
5 4 4 雙向LSTM之特徵提取ELMo
5 5 圖神經網絡
5 5 1 圖結構定義
5 5 2 通用的圖神經網絡框架
5 5 3 圖卷積網絡
5 5 4 GraphSAGE
5 5 5 圖注意力網絡
參考文獻
第6章 生成式表示學習
6 1 貝葉斯學習
6 1 1 概率論基礎
6 1 2 貝葉斯定理
6 1 3 最大似然估計和KL散度
6 1 4 貝葉斯分類
6 1 5 概率生成式模型
6 1 6 最大似然解
6 2 近似推斷
6 2 1 馬爾可夫鏈蒙特卡洛採樣
6 2 2 證據下界
6 2 3 變分推斷
6 3 概率圖模型
6 3 1 盤式記法
6 3 2 馬爾可夫隨機場
6 3 3 有向圖模型
6 3 4 變分自編碼器
6 3 5 混合概率圖模型
6 4 生成對抗網絡
6 4 1 二項分佈的最大似然估計
6 4 2 生成器
6 4 3 生成對抗網絡的交替優化
6 4 4 GAN的訓練問題
6 5 擴散模型
6 5 1 擴散模型簡介
6 5 2 前向過程
6 5 3 逆向過程
6 5 4 模型訓練
參考文獻
第7章 對比式表示學習
7 1 無監督表示學習
7 2 對比式表示學習概述
7 3 數據增強
7 3 1 計算機視覺中的數據增強
7 3 2 自然語言處理中的數據增強
7 3 3 圖網絡分析中的數據增強
7 4 正負樣本的選擇
7 4 1 正樣本採樣
7 4 2 負樣本採樣
7 5 相似性度量
7 5 1 傳統的度量方式
7 5 2 互信息度量
7 5 3 理論分析
7 6 對比框架
7 6 1 計算機視覺中的對比式表示學習
7 6 2 圖網絡分析中的對比式表示學習
7 6 3 自然語言處理中的對比式表示學習
7 7 挑戰和未來工作
參考文獻

詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。