機器學習 (慕課版) 龐俊彪 黃慶明 田奇 9787115621863 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$444
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *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：202405*若逾兩年請先於私訊洽詢存貨情況，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 (慕課版) ISBN：9787115621863 出版社：人民郵電 著編譯者：龐俊彪 黃慶明 田奇 頁數：266 所在地：中國大陸 *此為代購商品 書號：1642227 可大量預訂，請先連絡。 內容簡介 本書是一本面向普通高等院校本科學生、以知識能力培養為目標的機器學習課程教材。為了讓儘可能多的讀者通過學習本書掌握機器學習的原理和方法，編者將羅列模型公式的傳統講授方式轉換為「問題（動機）-猜想-實驗-驗證」的教學模式。本書共11章，第1∼2章介紹機器學習基礎知識；第3∼9章介紹經典且常用的機器學習方法；第10∼11章介紹神經網路及深度神經網路相關內容。本書給出相關習題，有的習題作用是幫助讀者鞏固知識，有的習題作用是引導讀者擴展相關知識。讀者在學習過程中可以配合使用這些習題，以提升運用知識的能力。 本書適合作為人工智慧及相關專業的教材，也適合作為具有類似背景、對機器學習感興趣的人員的參考書。根據本書的內容結構和各自教學學時的實際情況，對於本科生可考慮一學期講授前9∼10章，研究生課程則建議使用全書。此外，本書配有教學課件、教學大綱、教學視頻，供相關專業人員使用。目錄 第1章 機器學習引論1 1 什麼是人工智慧 1 1 1 人工智慧發展歷程 1 1 2 機器學習的定義 1 2 機器學習的工作原理 1 2 1 機器學習的分類 1 2 2 機器學習專門研究演算法 1 3 如何學習機器學習 1 3 1 數學基礎 1 3 2 編程能力與實踐 1 4 本章小結 1 5 本章習題 第2章 概率密度估計 2 1 頻率學派與貝葉斯學派 2 1 1 頻率學派 2 1 2 貝葉斯學派 2 2 最大似然估計和最大后驗估計 2 2 1 日最大似然估計 2 2 2 最大后驗估計 2 3 特殊先驗分佈下的最大后驗估計 2 3 1 高斯分佈先驗 2 3 2 拉普拉斯分佈先驗 2 4 本章小結 2 5 本章習題 第3章 感知機 3 1 感知機模型 3 1 1 感知機參數的含義 3 1 2 感知機的損失函數 3 2 感知機的學習演算法 3 2 1 感知機學習演算法的原始問題 3 2 2 機器學習演算法的般編程模式 3 3 感知機的改進 3 3 1 數據的歸一化 3 3 2 感知機學習演算法的對偶問題 3 4 分類性能評價 3 5 本章小結 3 6 本章習題 第4章 Logistic回歸 4 1 Logistic回歸的參數估計 4 1 1 Sigmoid函數的物理含義 4 1 2 Logistic回歸模型 4 1 3 Logistic回歸參數的最大似然估計 4 1 4 Logistic回歸的最大后驗估計 4 2 多類分類和數據不均衡問題 4 2 1 歸一化指數函數 4 2 2 數據不均衡分類問題 4 3 分類性能評價 4 3 1 精度-召回率曲線和平均精度 4 3 2 接受者操作特徵曲線和曲線下面積 4 4 本章小結 4 5 本章習題 第5章 5 1線性可分支持向量機 5 1 1 從感知機到支持向量機 5 1 2 樣本到分類超平面的距離 5 1 3 基於最大間隔的目標函數 5 1 4 支持向量與間隔最大化 5 1 5 線性支持向量機的對偶演算法 5 1 6 稀疏的支持向量 5 2 線性不可分支持向量機 5 2 1 軟間隔與錯分樣本 5 2 2 線性不可分支持向量機的對偶演算法 5 3 非線性支持向量機 5 3 1 線性可分支持向量機的非線性化 5 3 2 核技巧與計算複雜度 5 4 支持向量機的優化求解 5 4 1 非線性支持向量機與序列最小化優化演算法 5 4 2 線性支持向量機與始估計次梯度演算法 5 5 支持向量回歸 5 6 本章小結 5 7 本章習題 第6章 決策樹 6 1 決策過程與決策樹 6 2 建立決策樹的基本原則 6 2 1 「純度」與特徵選擇 6 2 2 信息增益 6 3 決策樹生成演算法 6 3 1 ID3演算法 6 3 2 C4 5演算法 6 4 決策樹的剪枝 6 4 1 預剪枝 6 4 2 后剪枝之悲觀剪枝 6 4 3 后剪枝之代價複雜度剪枝 6 5 分類回歸樹 6 6 本章小結 6 7 本章習題 第7章 集成學習 7 1 集成學習的原理 7 2 學習器的優劣與泛化誤差 7 2 1 泛化誤差的偏差-方差分解 7 2 2 偏差和方差的關係 7 2 3 偏差和方差的表現 7 2 4 偏差-方差與過擬合和欠擬合 7 3 bagging演算法 7 3 1 bagging的偏差 7 3 2 bagging的方差 7 3 3 bagging演算法的原理和過程 7 3 4 隨機森林演算法 7 4 boosting演算法 7 4 1 boosting演算法的方差和偏差 7 4 2 boosting演算法的一般 7 4 3 自適應提升演算法 7 4 4 函數空間中的梯度下降方法 7 4 5 梯度提升樹演算法 7 5 本章小結 7 6 本章習題 第8章 聚類分析 8 1 什麼是無監督學習 8 2 K均值聚類演算法 8 2 1 K均值聚類模型 8 2 2 K均值聚類模型優化 8 2 3 K均值聚類模型的數據預處理 8 2 4 K均值聚類演算法初始化 8 2 5 K值大小的確定方法 8 3 基於高斯混合模型的聚類 8 3 1 高斯混合模型 8 3 2 利用梯度下降優化高斯混合模型 8 4 期望最大化演算法 8 4 1 高斯混合模型的期望最大化演算法 8 4 2 期望最大化演算法的一般形式 8 5 極小化極大演算法 8 5 1 極小化極大演算法的原理 8 5 2 高斯混合模型的極小化極大演算法 8 6 雜訊下基於密度的空間聚類演算法 8 7 本章小結 8 8 本章習題 第9章 降維分析 9 1 主成分分析 9 1 1 主成分分析目標函數的簡化 9 1 2 主成分分析目標函數的優化 9 1 3 主成分分析數據的預處理 9 2 語義表示模型 9 2 1 一詞一義與詞頻-逆詞頻表示 9 2 2 隱語義模型 9 2 3 概率隱語義模型 9 3 非負矩陣分解 9 3 1 非負矩陣分解的乘法更新法則 9 3 2 非負矩陣分解的梯度投影 9 4 本章小結 9 5 本章習題 第10章 神經網路基礎 10 1 神經元模型 10 2 多層前饋神經網路 10 2 1 多層前饋神經網路的結構 10 2 2 多層神經網路的前向傳播 10 3 神經網路的反向傳播演算法 10 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
