機器學習經典演算法與案例實戰 (微課視頻版) 袁建軍 9787302662082 【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：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$317
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：機器學習經典演算法與案例實戰 (微課視頻版) ISBN：9787302662082 出版社：清華大學 著編譯者：袁建軍 頁數：176 所在地：中國大陸 *此為代購商品 書號：1661388 可大量預訂，請先連絡。 內容簡介 本書以案例為載體，介紹了目前機器學習的部分主流演算法及其應用，簡要概括部分主流演算法的基本原理，詳細說明應用演算法過程中需要注意的問題，通過實際案例的解析使學生更好地掌握主流演算法。 全書共四部分。第一部分（第1章）為理論基礎，著重介紹機器學習的發展及主流應用，還詳細介紹了本書中全部案例運行環境的搭建方法。第二部分（第2∼7章）為監督學習模型，著重介紹了貝葉斯分類器、線性模型、決策結、K近鄰、支持向量機和隨機森林的基本原理。第三部分（第8、9章）為無監督學習模型，詳細介紹了數據降維和K－均值聚類。第四部分（第10∼12章）為神經網路與深度學習，介紹了幾類目前流行的神經網路和深度學習網路。全書提供了大量應用案例，每章后均附有習題。 本書適合作為各類高等院校計算機、人工智慧專業的教材，也適合作為相關專業研究生的入門教材，還可供人工智慧和數據挖掘方向的開發人員、廣大科技工作者和研究人員參考。目錄 第一部分 理論基礎第1章 緒論 1 1 機器學習概述 1 2 機器學習應用基礎 1 3 機器學習應用系統 1 4 機器學習發展 1 5 機器學習中的觀點和問題 1 6 模型評價常用指標 1 7 目前主流應用 1 7 1 數據挖掘 1 7 2 計算機視覺 1 7 3 自然語言處理 1 7 4 語音識別 1 7 5 推薦系統 1 8 運行環境搭建 1 8 1 Python安裝 1 8 2 PyCharm安裝模塊文件 1 8 3 Anaconda安裝 1 9 知識擴展 1 10 習題 第二部分 監督學習模型 第2章 貝葉斯分類器 2 1 貝葉斯分類器基本思想 2 2 樸素貝葉斯分類器 2 2 1 樸素貝葉斯分類器原理 2 2 2 樸素貝葉斯分類器案例——垃圾郵件過濾 2 3 正態貝葉斯分類器 2 3 1 正態貝葉斯分類器原理 2 3 2 正態貝葉斯分類器案例——訓練資料分類 2 4 知識擴展 2 5 習題 第3章 線性模型 3 1 回歸預測 3 2 線性回歸 3 2 1 線性回歸的基本原理 3 2 2 線性回歸的案例——波士頓房價預測Ⅰ 3 3 邏輯回歸 3 3 1 邏輯回歸的基本原理 3 3 2 邏輯回歸的損失函數 3 3 3 邏輯回歸的案例——泰坦尼克號乘客預測 3 4 其他回歸模型 3 4 1 套索回歸 3 4 2 嶺回歸 3 4 3 套索回歸和嶺回歸的案例——波士頓房價預測Ⅱ 3 5 知識擴展 3 6 習題 第4章 決策樹 4 1 什麼是決策樹 4 2 構建決策樹 4 2 1 構建決策樹的基本過程 4 2 2 基尼係數 4 2 3 信息熵和信息增益 4 3 修剪決策樹 4 3 1 預剪枝 4 3 2 后剪枝 4 4 決策樹案例——員工流失分析 4 5 決策樹回歸問題 4 6 知識擴展 4 7 習題 第5章 K近鄰 5 1 K近鄰演算法的基本思想 5 2 K近鄰演算法中的距離度量 5 3 選擇合適的K值 5 4 K近鄰案例——鳶尾花分類 5 5 知識擴展 5 6 習題 第6章 支持向量機 6 1 SVM的基本原理 6 1 1 線性SVM分類器 6 1 2 硬間隔與軟間隔 6 1 3 非線性SVM分類器 6 2 核函數 6 2 1 核函數原理 6 2 2 幾種常見的核函數 6 3 SVM案例——手寫數字圖像識別 6 4 KSVM案例——人臉圖像識別 6 5 知識擴展 6 6 習題 第7章 隨機森林 7 1 集成學習原理 7 2 演算法流程 7 2 1 Bagging集成演算法 7 2 2 Boosting集成演算法 7 3 隨機森林演算法 7 3 1 隨機森林原理 7 3 2 隨機森林案例——紅酒分類 7 4 知識擴展 7 5 習題 第三部分 無監督學習模型 第8章 數據降維 8 1 降維與重構演算法思想 8 2 PCA 8 2 1 PCA演算法原理 8 2 2 PCA演算法案例——圖像降維和重建 8 3 隨機近鄰嵌入 8 3 1 隨機近鄰嵌入演算法原理 8 3 2 隨機近鄰嵌入案例——手寫數字圖像降維 8 4 知識擴展 8 5 習題 第9章 K-均值聚類 9 1 K-均值聚類基本思想 9 2 K-均值聚類演算法流程 9 3 K-均值聚類案例——圖像的分割和壓縮 9 4 知識擴展 9 5 習題 第四部分 神經網路與深度學習 第10章 神經網路 10 1 神經網路基本思想 10 2 反向傳播演算法 10 2 1 反向傳播演算法原理 10 2 2 反向傳播演算法案例——手寫數字圖像預測 10 3 知識擴展 10 4 習題 第11章 自編碼器圖像降噪 11 1 圖像雜訊的處理辦法 11 2 卷積自編碼器圖像降? 11 2 1 卷積自編碼器原理簡述 11 2 2 卷積自編碼器降噪原理 11 2 3 卷積自編碼器降噪案例 11 3 稀疏自編碼器圖像降噪 11 3 1 稀疏自編碼器原理簡介 11 3 2 稀疏自編碼器圖像降噪案例 11 4 知識擴展 11 5 習題 第12章 幾種深度學習網路 12 1 開啟深度學習之旅 12 2 卷積神經網路 12 2 1 卷積神經網路原理簡介 12 2 2 深度卷積神經網路案例——圖像目標檢測 12 3 循環神經網路 12 3 1 循環神經網路原理簡介 12 3 2 循環神經網路的幾種實現 12 3 3 循環神經網路案例——航空旅客數量預測 12 4 生成對抗網路 12 4 1 生成對抗網路原理簡述 12 4 2 生成對抗網路案例——提高圖像解析度 12 5 概率圖模型 12 5 1 概率圖模型簡述 12 5 2 高斯混合模型概述 12 5 3 高斯混合模型案例——圖像分割 12 6 知識擴展 12 7 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。 |
