機器學習原理及應用 安俊秀 靳宇倡 陳宏松 9787115616845 【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：202407*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：機器學習原理及應用 ISBN：9787115616845 出版社：人民郵電 著編譯者：安俊秀 靳宇倡 陳宏松 頁數：206 所在地：中國大陸 *此為代購商品 書號：1653102 可大量預訂，請先連絡。 內容簡介 本書全面介紹了機器學習的基礎知識和主要技術及其應用。全書共10章，首先對機器學習進行概述，並介紹機器學習的相關演算法，如回歸演算法、分類演算法、支持向量機、數據降維、聚類演算法等；接著對深度學習、強化學習等演算法的原理及實現過程進行介紹，以便於實際應用分析；最後通過兩個案例讓讀者進一步認識和理解機器學習的相關應用，做到理論與實踐的有機結合。 本書可作為高等院校計算機相關專業的教材，也可作為機器學習相關行業的工作人員的參考用書。目錄 第1章 機器學習概述1 1 人工智慧概述 1 1 1 人工智慧發展歷程 1 1 2 人工智慧與機器學習 1 2 機器學習的兩大學派 1 2 1 頻率學派 1 2 2 貝葉斯學派 1 3 機器學習的三要素 1 3 1 數據 1 3 2 模型 1 3 3 演算法 1 4 機器學習演算法的4種類型 1 4 1 有監督學習演算法 1 4 2 無監督學習演算法 1 4 3 半監督學習演算法 1 4 4 強化學習演算法 1 5 機器學習的應用 1 5 1 計算機視覺 1 5 2 自然語言處理 1 5 3 機器人 習題 第2章 回歸演算法概述 2 1 回歸演算法簡介 2 2 線性回歸 2 2 1 演算法原理 2 2 2 實現及參數 2 3 多元線性回歸 2 3 1 演算法原理 2 3 2 實現及參數 2 4 正則化回歸分析 2 4 1 過擬合與正則化 2 4 2 嶺回歸 2 4 3 套索回歸 2 4 4 彈性網路回歸 2 5 貝葉斯模型 2 5 1 貝葉斯方法 2 5 2 貝葉斯回歸 2 6 Softmax回歸 2 6 1 演算法原理 2 6 2 實現及參數 2 7 項目實踐：航班乘客流量預測 習題 第3章 分類演算法概述 3 1 分類演算法簡介 3 2 K近鄰查詢演算法 3 2 1 演算法原理 3 2 2 實現及參數 3 3 邏輯回歸演算法 3 3 1 演算法原理 3 3 2 實現及參數 3 4 貝葉斯網路與樸素貝葉斯分類器 3 4 1 貝葉斯網路 3 4 2 樸素貝葉斯分類器 3 5 決策樹演算法 3 5 1 演算法原理 3 5 2 選擇最優特徵 3 6 集成學習演算法 3 6 1 隨機森林演算法 3 6 2 AdaBoost演算法 3 7 項目實踐：水果分類 習題 第4章 支持向量機概述 4 1 支持向量機簡介 4 1 1 超平面與線性可分 4 1 2 最大化間隔 4 2 核函數 4 3 多分類處理 4 3 1 「1-a-r」方法 4 3 2 樹形支持向量機多分類方法 4 3 3 決策樹支持向量機多分類器 4 4 結構風險分析 4 5 項目實踐：貓分類器 4 5 1 實踐準備 4 5 2 訓練模型 4 5 3 驗證模型 習題 第5章 數據降維概述 5 1 數據降維簡介 5 2 線性降維 5 2 1 PCA 5 2 2 使用最大投影方差理解PCA 5 2 3 使用最小重構代價理解PCA 5 2 4 LDA 5 3 非線性降維 5 3 1 局部線性嵌入 5 3 2 拉普拉斯特徵映射 5 3 3 隨機近鄰嵌入 5 3 4 t分佈隨機近鄰嵌入 5 4 自編碼器 5 5 項目實踐：自編碼器 習題 第6章 聚類演算法概述 6 1 聚類演算法簡介 6 2 基於劃分的聚類演算法 6 2 1 K均值聚類演算法 6 2 2 EM演算法 6 3 基於密度的聚類演算法 6 3 1 DBSCAN演算法 6 3 2 DPC演算法 6 4 基於圖的聚類演算法 6 5 項目實踐：人臉圖像聚類 習題 第7章 深度學習概述 7 1 深度學習簡介 7 2 感知器 7 3 人工神經網路 7 4 反向傳播演算法 7 5 常用的深度學習模型 7 5 1 CNN 7 5 2 RNN 7 5 3 GAN 7 6 項目實踐：圖片分類 習題 第8章 強化學習概述 8 1 強化學習簡介 8 2 馬爾可夫決策 8 2 1 馬爾可夫性質 8 2 2 馬爾可夫過程 8 2 3 馬爾可夫決策過程 8 2 4 最優價值函數與最優策略 8 3 基於免模型的強化學習演算法 8 3 1 蒙特卡羅演算法 8 3 2 時序差分演算法 8 4 強化學習前沿 8 4 1 逆向強化學習 8 4 2 分層強化學習 8 4 3 深度強化學習 8 5 項目實踐：車桿遊戲 習題 第9章 自然語言處理概述 9 1 自然語言處理簡介 9 2 自然語言處理工具包和語料庫 9 2 1 自然語言處理工具包 9 2 2 語料庫 9 3 自然語言處理技術分類 9 3 1 自然語言處理基礎技術分類 9 3 2 自然語言處理應用技術分類 9 4 Transformer 9 4 1 Transformer整體結構 9 4 2 自注意力機制 9 4 3 Transformer總結 9 5 項目實踐：新聞文本分類 習題 第10章 推薦系統概述 10 1 推薦系統簡介 10 1 1 什麼是推薦系統 10 1 2 個性化推薦系統的應用 10 2 協同過濾推薦演算法 10 2 1 基於用戶的協同過濾推薦演算法 10 2 2 基於物品的協同過濾推薦演算法 10 3 因子分解機演算法 10 3 1 FM演算法的背景 10 3 2 FM演算法的優勢 10 3 3 FM演算法的衍生演算法 10 4 梯度提升決策樹演算法 10 4 1 回歸樹 10 4 2 梯度迭代 10 4 3 縮減 10 5 評價指標 10 5 1 在線評價體系 10 5 2 離線評價體系 10 6 項目實踐：電影推薦系統 10 6 1 電影推薦系統的需求分析 10 6 2 系統架構的設計 10 6 3 推薦系統的實現 習題 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
