掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
機器學習實用教程(微課版) 版權信息
- ISBN：9787302556701
- 條形碼：9787302556701 ; 978-7-302-55670-1
- 裝幀：70g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
機器學習實用教程(微課版) 本書特色
本書內容豐富，覆蓋面廣，囊括了監督機器學習和無監督機器學習的主要內容。對模型所涉及的理論進行了深入淺出的介紹。 提供了大量的習題。本書的習題不僅可以幫助讀者理解相關的基本概念，而且還能幫助讀者進一步熟悉機器學習模型的實現和使用過程。 通過視頻來介紹每一章的主要內容和習題，主便讀者自學。 注意培養讀者良好的機器學習建模方法和對應用問題的抽象能力、編程能力。 與計算機視覺，自然語言處理，深度學習等課程之間有良好的銜接支撐。 深入介紹監督機器學習和無監督機器學習中的經典模型、原理和模型評價方法。 通過流行的機器學習框架sklearn介紹機器學習模型的實現及應用。 深入介紹監督機器學習和無監督機器學習中的經典模型、原理和模型評價方法。 通過流行的機器學習框架sklearn介紹機器學習模型的實現及應用。
機器學習實用教程(微課版) 內容簡介
本書在全面介紹機器學習中的模型、算法以及相關編程技術等基本知識的基礎上，著重介紹了監督機器學習中的線性回歸、感知機、logistic回歸、貝葉斯分類、集成學習、k很近鄰以及無監督學習中的主成分分析和聚類算法。在介紹這些算法時，都會通過例子分析如何使用這些算法解決實際應用問題。同時本書還介紹了機器學習中監督學習和無監督學習的模型評價指標。全書可分為3部分來學習：部分（章）為機器學習的基礎篇，著重介紹機器學習的發展歷史，各個主流的分支，機器學習在人工智能中的作用以及學習機器學習所需要的數學知識；第二部分（第2~8章）為監督學習篇，著重介紹基本的監督學習方法的建模原理，求解模型的方法，如何基于sklearn框架調用這些算法解決實際應用問題；第三部分（第9~10章）為無監督學習篇，主要介紹主成分分析的基本原理和應用，k-means算法的基本原理及應用，譜聚類算法的基本原理和應用。本書除提供大量應用實例及每章后均附有習題外，還配有微視頻，主要對書中的一些重點和難點進行講解，同時也對一些習題答案進行介紹。本書適合作為高等院校智能科學與技術、計算機、軟件工程專業本科生、研究生的入門教材，同時也可供對初、器學習比較熟悉的應用開發人員、廣大科技工作者和研究人員參考。
機器學習實用教程(微課版) 目錄
目錄
第1章機器學習概述1
1.1機器學習的定義1
1.2機器學習的發展歷史3
1.3機器學習的主要分支5
1.3.1監督學習5
1.3.2無監督學習7
1.3.3半監督學習8
1.3.4強化學習9
1.3.5深度學習10
1.4機器學習的應用12
1.4.1大數據分析12
1.4.2計算機視覺12
1.4.3自然語言處理13
1.4.4推薦系統13
1.5機器學習與其他學科的關系13
1.5.1與概率統計、矩陣計算、*優化的關系14
1.5.2與人工智能、大數據、數據科學之間的關系14
1.6總結15
1.7習題15
參考文獻16
第2章線性回歸17
2.1一元線性回歸18
2.2多元線性回歸21
2.2.1模型及求解21
2.2.2多元線性回歸應用舉例22
2.2.3解釋線性回歸模型24
2.3線性回歸的正則化25
2.3.1Lasso26
2.3.2Lasso的應用舉例28
2.4彈性網29機器學習實用教程(微課版)目錄2.5總結31
2.6習題31
參考文獻31
第3章感知機33
3.1分類的定義及應用33
3.2評價分類模型的指標34
3.3感知機原理37
3.3.1感知機的結構38
3.3.2感知機模型的數學表示38
3.3.3感知機算法41
3.4多層感知機44
3.4.1認知機44
3.4.2神經認知機45
3.5實例應用46
3.5.1感知機對線性可分數據集進行分類47
3.5.2感知機對線性不可分數據集進行分類47
3.5.3用多層感知機進行圖像分類47
3.6總結49
3.7習題49
參考文獻50
第4章logistic回歸51
4.1線性回歸與logistic回歸的關系51
4.2從統計的角度建立logistic回歸模型54
4.3訓練logistic回歸模型54
4.3.1拉格朗日法55
4.3.2梯度下降法55
4.4logistic回歸模型的三種解釋58
4.4.1基于概率的解釋58
4.4.2基于*大熵原理的解釋58
4.4.3基于貝葉斯原理的解釋60
4.5logistic回歸模型應用舉例61
4.6softmax回歸模型63
4.7總結64
4.8習題64
參考文獻65
第5章貝葉斯分類66
5.1高斯判別分析68
5.2樸素貝葉斯70
5.3改進的樸素貝葉斯74
5.4總結75
5.5習題75
參考文獻76
第6章決策樹78
6.1決策樹的基本概念78
6.2構建決策樹82
6.2.1不純度函數的定義82
6.2.2常用不純度函數83
6.3典型的決策樹算法85
6.3.1CART算法86
6.3.2ID3算法86
6.4決策樹的構建策略及預測87
6.5決策樹的停止標準與剪枝技術87
6.5.1停止標準88
6.5.2剪枝技術88
6.6決策樹的優缺點90
6.7總結91
6.8習題91
參考文獻92
第7章集成學習93
7.1集成學習的基本原理93
7.2AdaBoost95
7.2.1AdaBoost算法的實現96
7.2.2AdaBoost示例98
7.2.3用*優化的觀點解釋AdaBoost99
7.3隨機森林101
7.4總結104
7.5習題104
參考文獻105
第8章k近鄰算法107
8.1引言107
8.2k近鄰算法的原理及應用108
8.2.1k近鄰算法的工作原理109
8.2.2k近鄰算法在圖像檢索中的應用111
8.2.3k近鄰算法的優缺點113
8.3近似*近鄰算法113
8.3.1KD樹算法113
8.3.2KD樹算法的實現114
8.4k近鄰算法的應用117
8.5總結120
8.6習題120
參考文獻120
第9章主成分分析122
9.1維度災難122
9.2相關特征與冗余特征124
9.3主成分分析的原理127
9.3.1用回歸的觀點解釋PCA128
9.3.2用消除相關性來解釋PCA128
9.3.3圖像數據的降維處理130
9.3.4主成分分析在數據分析中的應用131
9.4總結133
9.5習題133
參考文獻133
第10章無監督學習135
10.1無監督學習概述135
10.2聚類算法136
10.2.1聚類算法概述136
10.2.2聚類算法的評價指標137
10.3kmeans聚類算法141
10.3.1kmeans聚類算法原理141
10.3.2kmeans聚類算法的示例143
10.3.3改進的kmeans聚類算法146
10.4譜聚類算法150
10.4.1譜聚類算法的原理151
10.4.2譜聚類算法的實現155
10.4.3譜聚類算法的缺點156
10.5總結156
10.6習題157
參考文獻157
附錄A用Boston數據集解釋簡單線性回歸158
附錄B多元線性回歸應用159
附錄C嶺回歸應用160
附錄D感知機對線性可分數據集的分類161
附錄E多層感知機的實現163
附錄Flogistic回歸的實現164
展開全部
機器學習實用教程(微課版) 作者簡介
劉波 博士，重慶工商大學人工智能學院副教授。主要研究興機器學習、計算機視覺，大數據分析等。發表論文10余篇，以第一作者出版譯者8部，比如所譯的《 opencv 3計算機視覺：python語言實現》的銷量上萬冊，出版專著2部（其中一部為第一作者，一部為第二作者），教材1部，作為第一完成人獲得發明專利1項。完成重慶市教委研究項目一項，重慶工商大學研究項目2項。
書友推薦
- >
月亮虎
- >
巴金－再思錄
- >
莉莉和章魚
- >
李白與唐代文化
- >
回憶愛瑪儂
- >
【精裝繪本】畫給孩子的中國神話
- >
中國歷史的瞬間
- >
小考拉的故事-套裝共3冊
本類暢銷
