機器學習 胡清華楊柳 9787040588576 【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：高等教育
物品所在地：中國大陸
原出版社：高等教育
NT$248
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：202404*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 ISBN：9787040588576 出版社：高等教育 著編譯者：胡清華楊柳 頁數：265 所在地：中國大陸 *此為代購商品 書號：1647416 可大量預訂，請先連絡。 內容簡介 本書是新一代人工智慧實踐系列教材之一，共分為9章，第1章為引論，第2-7章介紹有監督學習演算法，包括感知機、Logistics回歸、支持向量機、神經網路決策樹以及貝葉斯模型。第8章介紹無監督學習演算法，第9章討論數據的表示和特徵降維。 本書可作為人工智慧專業、智能科學與技術專業以及計算機類相關專業的本科生及研究生學習機器學習技術的教材，同時也可作為對人工智慧、機器學習技術感興趣的科技人員、計算機愛好者及各類自學人員的參考書。作者簡介 胡清華，天津大學教授，博士生導師，現任天津大學人工智慧學院院長，天津市機器學習重點實驗室主任。先後主持國家自然科學基金青年、面上、優青、重點和傑青項目，以及科技部重點研發計劃項目，主要從事不確定性建模、機器學習和模式識別演算法與應用方面的研究，已在IEEE Transactionson Pattern Analysis and Machine Intelligence， IEEE Transactions on Knowledge and Data Engineering等期刊和NeurIPS、CVPR、AAAI、IJCAI等會議發表論文200餘篇，申請發明專利30餘項，論文被引用12000餘次，所提出的演算法在智能無人系統、空間天氣預報以及複雜裝備健康管理等領域實現應用。目錄 第1章 引論1 1 機器學習的定義 1 2 機器學習演算法的分類 1 3 機器學習的發展歷史 1 3 1 神經網路與深度學習 1 3 2 決策樹演算法系列 1 3 3 無監督學習 1 4 評價指標 1 4 1 分類演算法的評價指標 1 4 2 聚類演算法的評價指標 1 5 機器學習技術的應用 1 5 1 分類技術的應用 1 5 2 回歸技術的應用 1 5 3 聚類演算法的應用 參考文獻 第2章 感知機 2 1 感知機的發展歷史 2 2 感知機模型 2 3 感知機學習 2 3 1 妻知機學習演算法 2 3 2 感知機演算法收斂性 2 4 二分類感知機到多分類感知機的推廣 2 5 本章概要 2 6 擴展閱讀 2 7 習題 2 8 實踐：利用scikit—learn實現一個感知機 參考文獻 第3章 L0gistic回歸 3 1 Logistic回歸的發展歷史 3 2 Logistic回歸模型 3 3 模型參數估計 3 4 多項Logistic回歸 3 5 本章概要 3 6 擴展閱讀 3 7 習題 3 8 實踐：利用scikit-learn建立一個Logistic回歸模型 參考文獻 第4章 支持向量機 4 1 支持向量機的發展歷史 4 2 硬間隔支持向量機 4 2 1 間隔最大化 4 2 2 參數學習 4 3 軟間隔線性支持向量機 4 3 1 軟間隔最大化 4 3 2 參數學習 4 4 非線性支持向量機 4 4 1 核函數 4 4 2 常用核函數 4 4 3 非線性支持向量機 4 5 多核學習 4 5 1 多核學習 4 5 2 多核學習原始問題 4 5 3 多核學習對偶問題 4 6 快速的SVM方法 4 7 本章概要 4 8 擴展閱讀 4 9 習題 4 10 實踐：利用scikit-learn建立一個SVM模型 參考文獻 第5章 神經網路 5 1 神經網路的發展歷史 5 2 多層神經元 5 3 前饋神經網路 5 3 1 前饋神經網路的結構 5 3 2 網路參數學習 5 4 反向傳播演算法 5 5 卷積神經網路 5 5 1 卷積 5 5 2 卷積神經網路 5 5 3 卷積神經網路的反向傳播演算法 5 5 4 幾種典型的卷積神經網路 5 6 遞歸神經網路與長短期記憶網路 5 6 1 遞歸神經網路 5 6 2 長短期記憶網路 5 7 本章概要 5 8 擴展閱讀 5 9 習題 5 1 0實踐：利用scikit-learn建立一個神經網路模型 參考文獻 第6章 決策樹 6 1 決策樹的發展歷史 6 2 決策樹模型 6 2 1 決策樹結構 6 2 2 決策樹與if-then規則 6 2 3 特徵選擇問題 6 2 4 決策樹學習 6 3 ID3演算法 6 3 1 信息增益 6 3 2 ID3的生成演算法 6 4 C4 5 演算法 6 4 1 信息增益比 6 4 2 C4 5 的生成演算法 6 5 CART演算法 6 6 決策樹的剪枝 6 6 1 剪枝演算法 6 6 2 CART剪枝 6 7 本章概要 6 8 擴展閱讀 6 9 習題 6 10 實踐：利用scikit-learn建立一個決策樹模型 參考文獻 第7章 貝葉斯模型 7 1 貝葉斯模型的發展歷史 7 2 貝葉斯法則 7 3 樸素貝葉斯分類器 7 3 1 樸素貝葉斯模型 『7 3 2 參數估計方法 7 4 貝葉斯信念網路 7 4 1 基本概念與定義 7 4 2 求解方法 7 5 貝葉斯神經網路 7 6 本章概要 7 7 擴展閱讀 7 8 習題 7 9 實踐：利用scikit-learn建立一個貝葉斯概率模型 參考文獻 第8章 聚類 8 1 聚類方法的發展歷史 8 2 k均值聚類 8 2 1 k均值模型 8 2 2 k均值策略 8 2 3 k均值演算法 8 2 4 演算法特性 8 3 譜聚類 8 3 1 譜聚類模型 8 3 2 譜聚類圖構造 8 3 3 譜聚類策略 8 3 4 譜聚類演算法 8 3 5 譜聚類演算法特性 8 4 層次聚類 8 4 1 疑聚層次聚類 8 4 2 分裂層次聚類 8 5 子空間聚類 8 5 1 高維數據分析方法 8 5 2 子空間聚類 8 5 3 軸平行子空間聚類 8 6 擴展閱讀 8 7 習題 8 8 實踐：利用scikit—learn建立一個聚類模型 參考文獻 第9章 特徵降維 9 1 特徵降維的發展歷史 9 2 特徵選擇 9 2 1 子集搜索與評價 9 2 2 過濾式選擇 9 2 3 包裹式選擇 9 2 4 嵌入式選擇與L1正則化 9 2 5 稀疏表示與字典學習 9 3 特徵變換 9 3 1 低維嵌入 9 3 2 主成分分析 9 3 3 核化線性降維 9 3 4 流形學習 9 3 5 典型關聯分析演算法 9 3 6 t-SNE演算法 9 4 擴展閱讀 9 5 習題 9 6 實踐：利用scikit-learn建立一個PCA模型 參考文獻 附錄A A 1 全場景AI框架MindSpore A 1 1 MindSpore的設計理念 A 1 2 MindSpore的層次結構 A 2 前饋神經網路 A 3 基於MobileNetV2網路實現Fine-tune 附錄B 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。 |
