機器學習胡曉 9787111764939 【台灣高等教育出版社】

Name: 機器學習 胡曉 9787111764939 【台灣高等教育出版社】
Brand: abooksthep
Price: 439.0 TWD
Availability: InStock

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

NT$439

商品編號:

供貨狀況: 尚有庫存

加入最愛

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
ISBN：9787111764939
出版社：機械工業
著編譯者：胡曉
頁數：246
所在地：中國大陸 *此為代購商品
書號：1688715
可大量預訂，請先連絡。

內容簡介

本書系統闡述了機器學習的基本理論、演算法和實現。全書共11章：第1章著重介紹了機器學習的基本知識；第2章介紹了樣本數據預處理和提取的傳統演算法（如PCA和LDA），並增加了流形學習和稀疏表徵等理論；第3∼8章系統介紹了傳統機器學習演算法，如監督學習（貝葉斯、近鄰、線性模型、非線性模型和集成學習）和非監督學習（聚類）；第9、10章分別介紹了概率圖模型和人工神經網路的基本理論；第11章著重講述了強化學習的基本理論和演算法。本書針對理論難點，插入了可視化圖，引導讀者對理論的理解；每章配有習題，以便指導讀者深入地進行學習。每章還配有基於Python的實驗，便於工程類讀者快速將理論轉化為實踐應用，也方便學術型讀者編程實現。本書既可作為高等院校本科和研究生人工智慧、控制工程、信息處理和智能製造等相關專業的課程教材，也可作為信息系統開發和大數據分析人員的技術參考書。

前言
第1章基本知識
1 1 什麼是機器學習
1 1 1 屬性
1 1 2 標註
1 2 機器學習的分類
1 2 1 監督與無監督學習
1 2 2 分類與回歸
1 3 模型評估
1 3 1 分類模型評估
1 3 2 回歸模型評估
1 4 優化
1 4 1 損失函數
1 4 2 目標函數
1 4 3 最小二乘法
1 4 4 梯度下降法
1 4 5 梯度修正
1 4 6 學習率調整
1 5 小結與拓展
實驗一：模型評價函數編程實驗
習題
參考文獻
第2章表徵學習
2 1 表徵學習的目的
2 2 數據預處理
2 3 主成分分析
2 3 1 目標函數
2 3 2 基於主成分分析表徵學習模型
2 3 3 人臉PCA表徵學習
2 4 線性鑒別分析
2 4 1 類內散布矩陣和類間散布矩陣
2 4 2 類可判別性測度
2 4 3 LDA原理
2 4 4 人臉的LDA表徵學習
2 5 多維縮放
2 6 流形學習
2 6 1 流形
2 6 2 等度量映射
2 6 3 局部線性嵌入
2 7 隨機近鄰嵌入
2 7 1 基本隨機近鄰嵌入
2 7 2 t分佈隨機近鄰嵌入
2 8 稀疏表徵
2 8 1 壓縮感知
2 8 2 重構演算法
2 8 3 字典學習
2 8 4 壓縮感知在人臉識別中的應用
2 9 小結與拓展
實驗二：表徵學習實驗
習題
參考文獻
第3章貝葉斯分類器
3 1 貝葉斯基本概念
3 2 貝葉斯決策準則
3 3 高斯混合模型
3 4 未知概率密度函數估計
3 4 1 極大似然估計
3 4 2 極大后驗概率估計
3 4 3 期望極大演算法
3 5 樸素貝葉斯
3 6 拉普拉斯平滑
3 7 小結與拓展
實驗三：貝葉斯分類器實驗
習題
第4章近鄰分類器
4 1 近鄰規則
4 2 加權近鄰分類器
4 3 近鄰分類器加速策略
4 3 1 移除消極樣本
4 3 2 構建搜索樹
4 3 3 部分維度距離計算
4 4 小結與拓展
實驗四：近鄰分類器實驗
習題
參考文獻
第5章線性模型
5 1 二類線性模型
5 2 Lasso回歸
5 2 1 Lasso回歸求解
5 2 2 坐標軸下降法
5 3 邏輯回歸
5 4 支持向量機
5 4 1 線性可分支持向量機
5 4 2 近似線性可分支持向量機
5 5 多類線性模型
5 5 1 基本策略
5 5 2 Softmax回歸
5 6 類不平衡問題
5 6 1 閾值移動
5 6 2 數據再平衡
5 7 小結與拓展
實驗五：線性模型實驗
習題
參考文獻
第6章非線性模型
6 1 二次判別分析
6 2 核方法
6 2 1 希爾伯特空間
6 2 2 核函數
6 2 3 常用核函數
6 2 4 核函數的應用
6 3 小結與拓展
實驗六：非線性模型實驗
習題
參考文獻
第7章集成學習
7 1 集成學習理論依據
7 2 集成學習機制
7 3 決策樹
7 3 1 什麼是決策樹
7 3 2 ID3和C4 5
7 3 3 分類回歸樹
7 3 4 剪枝
7 4 隨機森林
7 5 自適應助推
7 5 1 學習過程
7 5 2 基本原理
7 6 小結與拓展
實驗七：集成學習實驗
習題
參考文獻
第8章聚類
8 1 聚類基本理論
8 1 1 聚類的性質
8 1 2 相似性測度
8 1 3 類簇中心
8 1 4 聚類演算法評價指標
8 2 K均值聚類
8 3 層次聚類
8 3 1 凝聚築巢
8 3 2 平衡迭代削減層次聚類
8 4 密度聚類
8 4 1 DBSCAN
8 4 2 高斯混合聚類
8 5 小結與拓展
實驗八：聚類實驗
習題
參考文獻
第9章概率圖模型
9 1 聯合概率
9 2 概率有向圖模型
9 2 1 基本概念
9 2 2 有向分離
9 2 3 貝葉斯網路
9 2 4 隱馬爾可夫模型
9 3 概率無向圖模型
9 3 1 條件獨立性
9 3 2 團和勢函數
9 3 3 條件隨機場
9 3 4 馬爾可夫隨機場在圖像處理中的應用
9 3 5 條件隨機場在自然語言處理中的應用
9 4 因子圖與和積演算法
9 4 1 因子圖
9 4 2 置信傳播
9 5 小結與拓展
實驗九：概率圖模型實驗
習題
參考文獻
第10章人工神經網路
10 1 神經元及其基本模型
10 2 激活函數
10 2 1 飽和激活函數
10 2 2 校正線性單元
10 2 3 swish激活函數
10 2 4 其他激活函數
10 3 感知機
10 3 1 參數學習
10 3 2 感知機的異或難題
10 4 前饋神經網路
10 4 1 前饋神經網路模型
10 4 2 三層前向神經網路實現異或門
10 4 3 反向傳播演算法
10 5 卷積神經網路
10 5 1 互相關和卷積
10 5 2 卷積神經網路架構
10 5 3 卷積神經網路殘差反向傳播
10 6 簡單卷積神經網路
10 6 1 LeNet-5
10 6 2 AlexNet
10 6 3 VGGNet
10 6 4 Inception
10 6 5 ResNet
10 7 小結與拓展
實驗十：人工神經網路實驗
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。