MATLAB機器學習 鄧奮發 9787302687559 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*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：202505*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：MATLAB機器學習
ISBN：9787302687559
出版社：清華大學
著編譯者：鄧奮發
頁數：279
所在地：中國大陸 *此為代購商品
書號：1735300
可大量預訂，請先連絡。

內容簡介

本書以實際應用為背景，採用理論+公式+經典應用相結合的形式，深入淺出地介紹MATLAB機器學習，重點介紹各種機器學習的經典應用。全書共12章，主要介紹了機器學習、MATLAB軟體、數學基礎知識、線性回歸分析、邏輯回歸分析、K-均值聚類算法分析、決策樹分析、主成分分析、支持向量機分析、樸素貝葉斯算法分析、隨機森林算法分析、神經網絡分析等內容。通過學習本書，讀者能夠了解機器學習在各領域中的應用，以及利用MATLAB實現機器學習的方便、快捷、專業性強等特點。 本書可以作為高等院校人工智能相關專業的教材，也可以作為廣大科研人員、學者、工程技術人員的參考用書。

目錄

第1章 機器學習
1 1 機器學習的分類
1 1 1 用監督學習預測未來
1 1 2 用無監督學習發現隱藏結構
1 1 3 用強化學習解決交互問題
1 1 4 分類和回歸術語
1 2 選擇正確的算法
1 3 常用的機器學習算法
1 4 機器學習的應用領域
第2章 MATLAB軟體
2 1 MATLAB數據類型
2 1 1 矩陣
2 1 2 元胞數組
2 1 3 結構體
2 1 4 數據存儲
2 1 5 tall數組
2 1 6 稀疏矩陣
2 1 7 表與分類數組
2 1 8 大型MAT文件
2 2 MATLAB作圖
2 2 1 二維線圖
2 2 2 通用二維圖形
2 2 3 三維點或線圖
2 2 4 通用三維圖形
第3章 數學基礎知識
3 1 矩陣的微分
3 1 1 標量與矩陣求導通用的法則
3 1 2 矩陣和向量求導的通用法則
3 1 3 MATLAB的實現
3 2 向量和矩陣積分
3 2 1 向量梯度
3 2 2 微分公式
3 2 3 優化方法
3 2 4 拉格朗日乘子法
3 2 5 向量矩陣積分實現
3 3 特徵值分解和奇異值分解
3 3 1 特徵值分解
3 3 2 奇異值分解
3 4 最優化方法
3 4 1 無約束優化方法
3 4 2 約束優化與KKT條件
3 4 3 二次規劃
第4章 線性回歸分析
4 1 線性回歸模型
4 1 1 線性模型
4 1 2 損失函數
4 1 3 隨機梯度下降法
4 1 4 線性回歸簡單實現
4 2 多元線性回歸
4 3 廣義線性模型
4 3 1 廣義線性模型介紹
4 3 2 廣義線性模型實現
4 4 多重共線性
4 4 1 什麼是多重共線性
4 4 2 多重共性後果
4 4 3 多重共線性檢驗
4 4 4 多重共線性回歸實現
4 5 其他線性回歸
4 5 1 嶺回歸
4 5 2 Lasso回歸
4 5 3 彈性網絡
4 5 4 逐步回歸
第5章 邏輯回歸分析
5 1 邏輯回歸概述
5 2 模型表達式
5 3 損失函數
5 3 1 單個樣本評估正確的概率
5 3 2 所有樣本評估正確的概率
5 3 3 損失函數
5 4 模型求解
5 5 邏輯回歸的應用
第6章 K-均值聚類算法分析
6 1 K-均值聚類算法概述
6 1 1 K-均值聚類算法的思想
6 1 2 K-均值聚類算法的三要素
6 1 3 K-均值聚類算法的步驟
6 1 4 K-均值聚類算法的優缺點
6 1 5 K-均值聚類算法調優
6 2 K-均值聚類算法實現
6 2 1 K-均值聚類算法函數
6 2 2 K-均值聚類基於顏色的分割
6 3 K-均值聚類改進算法
6 3 1 K-means++算法
6 3 2 ISODATA算法
第7章 決策樹分析
7 1 決策樹的簡介
7 2 決策樹的原理
7 2 1 信息熵
7 2 2 信息增益
7 2 3 信息增益率
7 2 4 基尼係數
7 3 3種算法的對比
7 4 剪樹處理
7 4 1 預剪枝
7 4 2 后剪枝
7 5 決策樹的特點
7 6 分類樹的函數
7 6 1 創建分類樹
7 6 2 改進分類樹
7 6 3 解釋分類樹
7 6 4 交叉驗證分類樹
7 6 5 測量性能
7 7 決策樹的應用
第8章 主成分分析
8 1 降維方法
8 2 進行PCA的原因
8 3 PCA數學原理
8 3 1 內積與投影
8 3 2 基
8 3 3 基變換的矩陣表示
8 4 PCA涉及的主要問題
8 5 PCA的優化目標
8 6 PCA的求解步驟
8 7 PCA的優缺點與應用場景
8 7 1 PCA方法的優點
8 7 2 PCA方法的缺點
8 7 3 PCA的應用場景
8 8 PCA相關函數
8 9 偏最小二乘回歸和主成分回歸
第9章 支持向量機分析
9 1 線性分類
9 1 1 邏輯回歸
9 1 2 邏輯回歸表述SVM
9 1 3 線性分類簡單實例
9 2 硬間隔
9 2 1 求解間隔
9 2 2 拉格朗日乘數法
9 2 3 對偶問題
9 2 4 軟間隔
9 2 5 核（Kernel）函數
9 2 6 模型評估和超參數調優
9 3 支持向量機的相關函數
9 3 1 支持向量機回歸函數
9 3 2 支持向量機分類函數
9 4 用於二類分類的支持向量機
9 4 1 用高斯核訓練SVM分類器
9 4 2 使用自定義核函數訓練SVM分類器
9 4 3 繪製SVM分類模型的后驗概率區域
9 4 4 使用線性支持向量機分析圖像
第10章 樸素貝葉斯算法分析
10 1 貝葉斯公式
10 2 樸素貝葉斯算法的原理
10 3 樸素貝葉斯常用模型
10 3 1 伯努利樸素貝葉斯模型
10 3 2 多項式樸素貝葉斯
10 3 3 高斯樸素貝葉斯
10 4 拉普拉斯平滑
10 5 樸素貝葉斯算法的優缺點
10 6 樸素貝葉斯算法的創建函數
10 7 樸素貝葉斯算法的實現
10 7 1 邏輯回歸模型的貝葉斯分析
10 7 2 判別分析、樸素貝葉斯分類器和決策樹進行分類
第11章 隨機森林算法分析
11 1 集成學習
11 2 集成學習的常見算法
11 2 1 Bagging算法
11 2 2 Boosting算法
11 2 3 Stack
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。