機器學習演算法建模分析 邱寧佳 9787118131642 【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：國防工業
物品所在地：中國大陸
原出版社：國防工業
NT$572
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：202408*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：機器學習演算法建模分析 ISBN：9787118131642 出版社：國防工業 著編譯者：邱寧佳 頁數：124 所在地：中國大陸 *此為代購商品 書號：1674973 可大量預訂，請先連絡。 內容簡介 本書從機器學習的基本概念出發，系統地介紹了各種機器學習演算法的原理與應用，幫助讀者深入理解並靈活運用這些演算法。書中強調了演算法在實際問題中的應用與案例分析，通過完整的解決步驟和結果展示，使讀者能夠充分掌握演算法建模的技術。本書涵蓋了監督學習、無監督學習、半監督學習等主要機器學習演算法，並結合多種常見應用場景，通過實際實例幫助讀者了解演算法的實現效果，提升在實際工作中的應用能力，並積累寶貴的實戰經驗。此外，作者分享了在機器學習領域的獨特見解，為讀者提供了更深層次的理解。 本書不僅適用於從事數據挖掘、文本分類、情感分析、特徵選擇和聚類研究等領域的研究人員、工程師和數據分析師，也可以作為學生的參考資料，為他們提供理論與實踐結合的學習資源。目錄 第一章 機器學習演算法概述1 1 垃圾郵件分類演算法 1 2 情感分類方法 1 3 雜訊數據消除演算法 1 4 樸素貝葉斯演算法 1 5 空間密度聚類演算法 1 6 數據集群存儲策略 1 7 K近鄰分類演算法 1 8 特徵選擇演算法 1 9 半監督混合聚類演算法 1 10 本書主要研究內容 第二章 基於主動學習和否定選擇的垃圾郵件分類演算法研究 2 1 主動否定學習演算法基本思想 2 1 1 準備工作 2 1 2 建立用戶興趣集 2 1 3 主動否定學習演算法 2 2 實驗結果及分析 2 2 1 數據集 2 2 2 評價標準 2 2 3 準確率和召回率分析 2 2 4 AUC分析 2 2 5 分類耗時分析 2 2 6 用戶標註負擔分析 2 3 本章小結 第三章 基於遷移學習的微博短文本情感分類演算法研究 3 1 基本理論 3 2 新的微博短文本情感分類方法 3 2 1 基本思想 3 2 2 關鍵特徵選擇演算法 3 2 3 基於遷移學習的分類演算法 3 3 實驗驗證及分析 3 3 1 實驗數據集 3 3 2 基準方法 3 3 3 實驗結果及分析 3 4 本章小結 第四章 海量文本分類并行化雜訊數據消除演算法研究 4 1 基本理論 4 1 1 主成分分析方法 4 1 2 詞頻逆文檔頻率方法 4 1 3 雜訊數據 4 2 主成分分析的消除雜訊演算法 4 3 實驗及分析 4 3 1 實驗設置 4 3 2 度量標準 4 3 3 數據集 4 3 4 結果分析 4 4 本章小結 第五章 基於粒子群優化演算法的樸素貝葉斯改進演算法研究 5 1 文本預處理 5 1 1 互信息演算法的改進 5 1 2 改進的類別散度互信息特徵評價函數 5 2 樸素貝葉斯優化演算法 5 2 1 粒子群優化演算法 5 2 2 粒子群優化的樸素貝葉斯演算法 5 3 實驗及結果分析 5 3 1 互信息參數和粒子群參數的選取 5 3 2 評價指標 5 3 3 粒子群優化的樸素貝葉斯演算法驗證 5 4 本章小結 第六章 基於并行計算模式的空間密度聚類改進演算法研究 6 1 空間密度聚類演算法改進 6 1 1 空間密度聚類演算法 6 1 2 遺傳演算法改進方案 6 1 3 基於遺傳演算法的空間密度聚類演算法設計與改進 6 2 基於并行計算的遺傳空間密度聚類演算法 6 2 1 映射過程 6 2 2 規約過程 6 3 實驗結果分析總結 6 4 本章小結 第七章 一致性哈希的數據集群存儲優化策略研究 7 1 一致性哈希數據存儲演算法 7 1 1 基本原理 7 1 2 一致性哈希演算法描述 7 2 優化策略 7 2 1 數據存儲空間優化調整 7 2 2 數據調整策略 7 2 3 性能分秒 7 3 實驗與結果分析 7 4 本章小結 第八章 基於并行計算模式編程模型的改進K近鄰分類演算法研究 8 1 相關知識 8 1 1 K近鄰分類演算法的基本原理 8 1 2 并行計算模式框架 8 1 3 屬性約簡方法 8 2 改進K近鄰演算法 8 2 1 基於屬性約簡的K近鄰分類演算法 8 2 2 改進后的K近鄰演算法的并行計算模式并行化 8 3 實驗分析 8 3 1 實驗環境及數據 8 3 2 實驗過程及分析 8 4 本章小結 第九章 一種結合改進詞頻的卡方統計演算法和融合特徵選擇的隨機森林演算法的特徵選擇演算法研究 9 1 傳統詞頻的卡方統計特徵選擇演算法 9 2 改進詞頻的卡方統計特徵選擇演算法 9 2 1 特徵詞詞頻與類別相關性分析 9 2 2 結合文檔頻率與詞頻的卡方統計演算法 9 3 融合特徵選擇的隨機森林演算法 9 4 分類模型構建 9 4 1 數據預處理 9 4 2 文本向量化 9 4 3 分類器訓練測試 9 5 實驗與結果分析 9 5 1 實驗數據 9 5 2 數據預處理 9 5 3 分類性能評估 9 6 本章小結 第十章 參數自適應學習的半監督混合聚類演算法 10 1 人工蜂群的聚類 10 2 半監督人工蜂群聚類演算法 10 2 1 演算法框架 10 2 2 改進的目標函數 10 2 3 聚類演算法優化 10 2 4 參數自適應學習的半監督混合聚類演算法 10 3 實驗結果與分析 10 3 1 實驗準備工作 10 3 2 演算法驗證 10 3 3 參數自適應優化實驗結果 10 3 4 參數自適應學習的半監督}昆合聚類演算法驗證 10 4 本章小結 第十一章 總結與展望 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。 |
