機器學習原理.算法與應用 張曉 9787121503832 【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：202507*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：機器學習原理.算法與應用
ISBN：9787121503832
出版社：電子工業
著編譯者：張曉
頁數：336
所在地：中國大陸 *此為代購商品
書號：1745227
可大量預訂，請先連絡。

內容簡介
本書將幫助讀者理解機器學習的基本原理、核心算法及實際應用。全書共12章，內容涵蓋基礎理論、算法、模型評估、編程實踐等多個方面，大體上可以分為以下3個部分。第1部分（包括第1、2章 ）：介紹了機器學習的背景與基礎知識；第2部分（包括第3～8章 ）：詳細討論了幾種常用的傳統機器學習算法，包括回歸算法、決策樹算法、支持向量機算法、貝葉斯算法、集成學習算法、聚類算法，還介紹了這些算法的應用；第3部分（包括第9～12章 ）：深入探討了神經網絡與強化學習的相關概念及應用，包含神經網絡、深度學習、卷積神經網絡、循環神經網絡與強化學習。本書適合作為高等院校計算機、人工智能等專業本科、研究生教材。

作者簡介
張曉，博士，副教授。2001年4月―至今，任西北工業大學計算機學院教師；2012年7月―2013年7月，在美國奧本大學進修訪問；2018年3月―2019年3月，在美國伊利諾理工大學進修訪問。

目錄

目 錄
第1章 機器學習概論 1
1 1 什麼是機器學習 1
1 2 機器學習的發展歷史 3
1 2 1 人工智能及其三大流派 3
1 2 2 機器學習發展史及重要事件 4
1 3 機器學習的研究與應用 7
1 4 機器學習的分類 9
1 4 1 基於學習方式分類 9
1 4 2 基於問題分類 13
1 4 3 機器學習的模型及算法 16
1 5 常見的機器學習算法 18
1 5 1 線性回歸 18
1 5 2 決策樹 19
1 5 3 人工神經網絡 19
1 5 4 深度學習 20
1 6 習題 21
第2章 機器學習基礎 22
2 1 機器學習中的基本概念 22
2 1 1 數據集 22
2 1 2 過擬合與欠擬合 23
2 1 3 交叉驗證方法 25
2 2 回歸問題 27
2 2 1 機器學習中的回歸方法 27
2 2 2 回歸模型的性能評估 28
2 3 分類問題 29
2 3 1 機器學習中的分類方法 29
2 3 2 分類模型的性能評估 30
2 4 梯度下降法與最小二乘法 37
2 4 1 梯度下降法及其應用 37
2 4 2 最小二乘法及其應用 39
2 4 3 實例分析 41
2 5 正則化 44
2 5 1 線性回歸 45
2 5 2 支持向量機 46
2 5 3 邏輯回歸 47
2 5 4 決策樹 47
2 5 5 實例分析 48
2 6 sklearn中常用的數據集 51
2 6 1 toy datasets 51
2 6 2 generated datasets 53
2 6 3 real world datasets 54
2 7 習題 55
第3章 回歸算法 56
3 1 回歸算法概述 56
3 2 線性回歸模型 58
3 2 1 簡單線性回歸模型 59
3 2 2 多元線性回歸模型 60
3 2 3 正則化線性模型 61
3 2 4 ElasticNet回歸模型 64
3 2 5 逐步回歸模型 64
3 3 可線性化的非線性回歸模型 66
3 3 1 倒數回歸模型 66
3 3 2 半對數回歸模型 67
3 3 3 指數函數回歸模型 67
3 3 4 冪函數回歸模型 67
3 3 5 多項式回歸模型 67
3 3 6 廣義線性回歸模型 68
3 3 7 邏輯回歸模型 70
3 4 非線性回歸模型 71
3 4 1 支持向量回歸模型 72
3 4 2 保序回歸模型 74
3 4 3 決策樹回歸模型 74
3 4 4 隨機森林回歸模型 75
3 4 5 K最近鄰回歸模型 76
3 5 多輸出回歸模型 77
3 6 回歸算法框架 78
3 6 1 線性回歸模型 78
3 6 2 正則化的線性模型 79
3 6 3 多項式回歸模型 81
3 6 4 邏輯回歸模型 81
3 6 5 多輸出回歸模型 83
3 7 選擇回歸模型 83
3 8 實例分析 84
3 9 習題 88
第4章 決策樹算法 89
4 1 決策樹算法概述 89
4 2 決策樹生成 91
4 3 信息熵、條件熵和互信息 93
4 3 1 信息增益和信息增益比 97
4 3 2 基尼係數 97
4 3 3 決策樹生成 98
4 4 決策樹剪枝 99
4 4 1 預剪枝過程 100
4 4 2 後剪枝過程 102
4 5 決策樹框架 102
4 6 決策樹應用 104
4 7 習題 106
第5章 支持向量機算法 108
5 1 支持向量機概述 108
5 2 支持向量機解決分類問題 110
5 2 1 線性支持向量機的原理 110
5 2 2 非線性支持向量機的原理 113
5 2 3 多分類問題 114
5 3 支持向量機解決回歸問題 116
5 4 支持向量機編程框架 118
5 4 1 支持向量機分類器 119
5 4 2 支持向量機回歸器 122
5 5 支持向量機應用 123
5 6 習題 124
第6章 貝葉斯算法 126
6 1 貝葉斯算法概述 126
6 2 樸素貝葉斯算法 127
6 2 1 樸素貝葉斯算法概述 127
6 2 2 多項式樸素貝葉斯算法 129
6 2 3 伯努利樸素貝葉斯算法 130
6 2 4 高斯樸素貝葉斯算法 131
6 2 5 樸素貝葉斯算法實例 132
6 3 貝葉斯算法編程框架 134
6 3 1 高斯樸素貝葉斯算法編程框架 135
6 3 2 多項式樸素貝葉斯算法編程框架 135
6 3 3 伯努利樸素貝葉斯算法編程框架 136
6 4 貝葉斯算法的應用 137
6 5 習題 138
第7章 集成學習算法 140
7 1 集成學習概述 140
7 1 1 基分類器集成 140
7 1 2 集成方法 142
7 2 Bagging算法 143
7 3 Boosting算法 145
7 3 1 AdaBoost算法 146
7 3 2 GBDT算法 149
7 3 3 XGBoost算法 151
7 4 Stacking算法 152
7 5 集成學習的編程實踐 153
7 5 1 Bagging 153
7 5 2 隨機森林 154
7 5 3 AdaBoost 155
7 5 4 GBDT 156
7 5 5 XGBoost 157
7 5 6 Stacking 158
7 6 集成學習實例 158
7 6 1 特徵選擇 158
7 6 2 數據分類 159
7 7 習題 162
第8章 聚類算法 164
8 1 聚類算法概述 164
8 1 1 聚類算法分類 165
8 1 2 聚類的性能評價 165
8 2 基於劃分的聚類算法 168
8 2 1 K-Means算法 168
8 2 2 MiniBatchKMeans算法 171
8 2 3 K-Means++算法 172
8 3 基於模型的聚類算法 173
8 4 基於密度的聚類算法 175
8 5 基於層次的聚類算法 179
8 6 基於圖的聚類算法 184
8 7 編程框架 187
8 7 1 KMeans類 187
8 7 2 高斯混合聚類 189
8 7 3 DBSCAN類 190
8 7 4 Birch類 192
8 7 5 AP類 193
8 7 6 sklearn中的函數 195
8 7 7 性能評價指標 195
8 8 實例分析 195
8 9 習題 197
第9章 神經網絡和深度學習 199
9 1 神經網絡概述 199
9 1 1 神經元模型 200
9 1 2 神經網絡結構 201
9 1 3 激活函數 204
9 1 4 損失函數 207
9 2 神經網絡訓練 209
9 2 1 反向傳播算法 209
9 2 2 隨機梯度下降算法 211
9 3 深度學習 213
9 3 1 深度學習概述 213
9 3 2 常見的深度學習模型 213
9 3 3 深度學習環境準備 214
9 4 實例分析 215
9 5 習題 216
第10章 卷積神經網絡 217
10 1 卷積神經網絡概述 217
10 2 卷積神經網絡的基礎知識 218
10 2 1 卷積核 218
10 2 2 卷積運算 219
10 2 3 步幅和填充 220
10 2 4 特徵圖 221
10 3 卷積神經網絡結構 221
10 3 1 卷積層 222
10 3 2 激活層 223
10 3 3 池化層 223
10 3 4 全連接層 225
10 3 5 輸出層 226
10 4 典型的卷積神經網絡結構 227
10 4 1 LeNet 227
10 4 2 AlexNet 227
10 4 3 VGGNet 228
10 4 4 ResNet 228
10 5 實例分析 229
10 6 習題 231
第11章 循環神經網絡 232
11 1 循環神經網絡概述 232
11 2 傳統循環神經網絡 235
11 3 雙向循環神經網絡 236
11 4 長短期記憶網絡 238
11 5 門控循環單元 240
11 6 Keras實現RNN 243
11 6 1 SimpleRNN層 243
11 6 2 LSTM層 246
11 6 3 GRU層 247
11 7 循環神經網絡訓練 248
11 7 1 BPTT算法 249
11 7 2 初始化方法 250
11 7 3 訓練技巧 251
11 8 循環神經網絡應用 252
11 8 1 股票預測實戰 253
11 8 2 情感分析實戰 261
11 9 習題 272
第12章 強化學習 273
12 1 強化學習概述 273
12 1 1 定義與特點 274
12 1 2 主要組成元素 275
12 2 馬爾可夫決策過程 278
12 2 1 貝爾曼方程 278
12 2 2 策略迭代 280
12 2 3 價值迭代 282
12 3 蒙特卡洛方法 284
12 4 時序差分方法 286
12 4 1 SARSA算法 287
12 4 2 Q-Learning算法 289
12 5 深度Q網絡 291
12 5 1 目標網絡 291
12 5 2 經驗回放 292
12 6 強化學習應用 294
12 6 1 Gym介紹 295
12 6 2 懸崖尋路實戰 298
12 6 3 蛇棋實戰 303
12 7 習題 312
附錄A 編程環境說明 313
參考文獻 323

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。