機器學習演算法與實踐 郭羽含 張露方 袁園 9787111764113 【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：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$508
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：202410*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：機器學習演算法與實踐 ISBN：9787111764113 出版社：機械工業 著編譯者：郭羽含 張露方 袁園 頁數：316 所在地：中國大陸 *此為代購商品 書號：1686393 可大量預訂，請先連絡。 內容簡介 本書內容涵蓋了監督學習、無監督學習和半監督學習的代表性演算法，對演算法的原理與思想、推導與證明、實現與應用中涉及的知識點進行了清晰透徹的闡述。全書由12章組成，主要內容包括機器學習概述、機器學習基本理論、K-近鄰、貝葉斯、線性模型、支持向量機、決策樹、集成學習、聚類演算法、數據降維、半監督學習、神經網路等知識。章節依照演算法類別及演算法間邏輯關係進行編排，內容結構上條理清晰、由淺入深，並完整地對演算法的編碼實現進行了講解，從編程角度展示演算法細節，使讀者可以更加深入透徹地理解演算法原理、加深對演算法的記憶，並能夠針對自身需求對演算法進行修改和擴展。為幫助讀者充分了解和掌握每一章節基礎理論知識，每章附有思維導圖及習題。 本書適合作為高等院校數據科學與大數據技術、人工智慧和計算機類專業的機器學習相關課程教材，也可供從事機器學習和數據挖掘相關研究及應用的工程技術人員和科研工作者參考。目錄 前言第1章 機器學習概述 1 1 人工智慧與機器學習 1 2 機器學習的概念 1 2 1 機器學習的定義 1 2 2 機器學習發展史 1 2 3 機器學習分類 1 3 機器學習工具 1 3 1 Python語言 1 3 2 第三方工具庫 1 3 3 編譯環境 1 3 4 庫的下載與安裝 1 4 機器學習示例 1 4 1 自動駕駛 1 4 2 機器翻譯 1 4 3 遊戲中的人工智慧 1 5 本章小結 1 6 延伸閱讀——大數據背景下的機器學習演算法 1 7 習題 第2章 機器學習基本理論 2 1 機器學習術語 2 1 1 基本概念 2 1 2 過擬合與欠擬合 2 1 3 模型評估 2 2 實驗估計方法 2 2 1 留出法 2 2 2 交叉驗證法 2 2 3 自助法 2 3 性能度量 2 3 1 錯誤率與精度 2 3 2 查准率、查全率與F 2 3 3 ROC與AUC 2 4 比較檢驗 2 4 1 假設檢驗 2 4 2 交叉驗證 2 5 參數調優 2 5 1 網格搜索 2 5 2 隨機搜索 2 5 3 貝葉斯優化演算法 2 6 本章小結 2 7 延伸閱讀——機器學習應用於我國海外投資效率預警 2 8 習題 第3章 K-近鄰 3 1 演算法原理 3 2 距離度量方法 3 3 搜索優化方法 3 3 1 k-d樹 3 3 2 球樹 3 4 演算法實現 3 5 本章小結 3 6 延伸閱讀——機器學習在國產晶元上的應用 3 7 習題 第4章 貝葉斯 4 1 貝葉斯方法概述 4 1 1 貝葉斯公式 4 1 2 貝葉斯決策理論 4 1 3 極大似然估計 4 2 樸素貝葉斯演算法 4 2 1 高斯樸素貝葉斯演算法 4 2 2 多項式樸素貝葉斯演算法 4 2 3 伯努利樸素貝葉斯演算法 4 3 半樸素貝葉斯演算法 4 4 貝葉斯網路演算法 4 4 1 貝葉斯網路結構 4 4 2 貝葉斯網路學習演算法 4 4 3 貝葉斯網路推斷 4 5 EM演算法 4 6 本章小結 4 7 延伸閱讀——機器學習在智能駕駛上的應用 4 8 習題 第5章 線性模型 5 1 線性回歸 5 1 1 簡單線性回歸 5 1 2 多變數線性回歸 5 1 3 梯度下降法 5 1 4 多項式回歸 5 2 邏輯回歸 5 2 1 二分類邏輯回歸 5 2 2 多分類邏輯回歸 5 3 模型正則化 5 4 本章小結 5 5 延伸閱讀——雲計算與機器學習 5 6 習題 第6章 支持向量機 6 1 演算法概述 6 2 線性可分支持向量機及其對偶演算法 6 3 線性支持向量機 6 4 非線性支持向量機 6 5 支持向量機回歸 6 5 1 線性支持向量機回歸 6 5 2 非線性支持向量機回歸 6 6 SMO演算法 6 7 代碼實現 6 7 1 線性支持向量機代碼實現 6 7 2 非線性支持向量機代碼實現 6 7 3 支持向量機回歸代碼實現 6 8 本章小結 6 9 延伸閱讀——機器學習演算法在電力負荷預測中的應用 6 10 習題 第7章 決策樹 7 1 決策樹概述 7 2 ID3演算法 7 2 1 信息熵和信息增益 7 2 2 演算法流程 7 2 3 代碼實現 7 3 C4 5演算法 7 3 1 信息增益率 7 3 2 連續型特徵處理 7 3 3 演算法流程 7 3 4 代碼實現 7 4 分類與回歸樹 7 4 1 基尼係數 7 4 2 回歸樹 7 4 3 代碼實現 7 5 剪枝策略 7 5 1 單一因子策略 7 5 2 最優因子策略 7 5 3 代碼實現 7 6 本章小結 7 7 延伸閱讀——5G智能醫療中的機器學習 7 8 習題 第8章 集成學習 8 1 集成學習概述 8 2 投票法 8 2 1 投票策略 8 2 2 代碼實現 8 3 裝袋法 8 3 1 隨機森林演算法 8 3 2 代碼實現 8 4 提升法 8 4 1 自適應提升演算法 8 4 2 梯度提升演算法 8 4 3 代碼實現 8 5 本章小結 8 6 延伸閱讀——國產C919飛機研發中的機器學習 8 7 習題 第9章 聚類演算法 9 1 聚類概述 9 1 1 相似度 9 1 2 性能度量 9 2 原型聚類 9 2 1 k均值 9 2 2 代碼實現 9 3 密度聚類 9 3 1 DBSCAN演算法 9 3 2 代碼實現 9 4 層次聚類 9 4 1 聚合聚類 9 4 2 代碼實現 9 5 本章小結 9 6 延伸閱讀——聚類演算法在少數民族服飾色彩分析中的應用 9 7 習題 第10章 數據降維 10 1 數據降維概述 10 2 主成分分析 10 2 1 PCA演算法原理 10 2 2 特徵值分解降維 10 2 3 奇異值分解降維 10 3 線性判別分析 10 3 1 LDA演算法原理 10 3 2 LDA對二分類問題降維 10 3 3 LDA對多分類問題降維 10 4 本章小結 10 5 延伸閱讀——數據降維技術在地震屬性分析中的應用 10 6 習題 第11章 半監督學習 11 1 未標記樣本 11 2 半監督學習方法 11 2 1 生成式方法 11 2 2 半監督SVM 11 2 3 圖半監督學習 11 2 4 基於分歧的方法 11 3 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。 |
