中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習算法及其應用 版權信息
- ISBN：9787111654230
- 條形碼：9787111654230 ; 978-7-111-65423-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習算法及其應用 內容簡介
隨著數字音樂內容的迅速增長以及人們對音樂鑒賞需求的日益提升，音樂信息的分類檢索及個性化推薦受到廣大網民和有關從業人員越來越廣泛的關注,并成為研究及應用的新熱點。 本書系統地闡述了機器學習中的常用分類與推薦方法,介紹了網絡音樂自動分類與推薦的理論基礎，重點探討了ＳＶＭ 和ＫＮＮ 分類算法的改進? 以及協同過濾推薦算法和基于馬爾可夫模型推薦算法的改進，并對改進后的算法應用到音樂自動分類和個性化推薦領域進行了探索性研究。 本書展現了機器學習常用算法的原理、改進及應用案例? 適合機器學習、數據挖掘及大數據等領域的專業人員閱讀。
機器學習算法及其應用 目錄
前言
第１章 機器學習簡介１
１.１ 機器學習的概念１
１.２ 機器學習的發展２
１.３ 機器學習的研究現狀３
１.３.１ 傳統機器學習的研究現狀４
１.３.２ 大數據環境下機器學習的研究現狀５
１.４ 機器學習的分類５
１.４.１ 有監督學習６
１.４.２ 無監督學習７
１.４.３ 半監督學習８
１.４.４ 強化學習９
１.５ 本章小結１１
第２章 音樂、數字音樂與網絡音樂１２
２.１ 音樂的藝術形式１２
２.２ 音樂的產生及發展１４
２.３ 音樂的要素１５
２.４ 音樂的存儲與表示１７
２.４.１ 數字音樂及其特點１７
２.４.２ 數字音樂文件的特點和格式１９
２.５ 網絡音樂的發展２０
２.６ 網絡音樂的特征２２
２.７ 本章小結 ２３
第３章 網絡音樂的分類與推薦基礎 ２４
３.１ 基于內容的音樂信息檢索２４
３.１.１ 音高與旋律２５
３.１.２ 音樂節奏２６
３.１.３ 音樂和聲 ２８
３.２ 音樂的分類 ２９
３.２.１ 按表達方式分類 ３０
３.２.２ 按旋律風格分類 ３１
３.２.３ 從音樂的歷史角度分類 ３２
３.２.４ 按音樂流派分類 ３６
３.３ 網絡音樂的自動分類 ４０
３.４ 網絡音樂推薦算法綜述 ４２
３.５ 本章小結 ４４
第４章 機器學習中的分類與推薦算法 ４５
４.１ 樸素貝葉斯 ４５
４.２ 決策樹 ４７
４.３ ｋ￣近鄰 ５０
４.４ 支持向量機 ５１
４.５ 人工神經網絡 ５３
４.６ 基于內容的推薦 ５７
４.７ 協同過濾推薦 ６０
４.８ 基于馬爾可夫模型的推薦 ６２
４.９ 混合推薦６４
４.１０ 推薦算法評價 ６４
４.１１ 本章小結 ６６
第５章 基于支持向量機的音樂流派分類 ６7
５.１ 音樂的數字描述 ６８
５.２ 特征提取 ７０
５.２.１ 數據預處理 ７１
５.２.２ 聲學特征量 ７２
５.３ 特征選擇７７
５.３.１ ＲｅｌｉｅｆＦ７８
５.３.２ 順序前進法７９
５.３.３ ＲｅｌｉｅｆＦ與ＳＦＳ相結合的特征選擇算法80
５.４ ＳＶＭ分類器８１
５.４.１ 線性可分支持向量機８２
５.４.２ 線性支持向量機８３
５.４.３ 非線性支持向量機８５
５.４.４ 數值求解８７
５.４.５ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分類實現８８
５.５ 實驗結果與分析８８
５.５.１ 實驗工具８８
５.５.２ 數據集８９
５.５.３ 評價標準及驗證方法８９
５.５.４ 實驗方法８９
５.５.５ 實驗結果及分析９０
５.６ 可擴展性分析９４
５.７ 本章小結９５
第６章 基于ｋ-近鄰的音樂流派自動推薦分類９６
６.１ ｋ-近鄰算法的理論基礎９６
６.１.１ ｋ-近鄰算法９６
６.１.２ ｋ-近鄰算法模型９７
６.２ 算法的實現步驟及復雜度分析９９
６.３ ＤＷ-ＫＮＮ算法９９
６.３.１ ＫＮＮ算法的改進１００
６.３.２ 二次加權ＫＮＮ (ＤＷ-ＫＮＮ)分類算法１０２
６.４ 實驗結果與分析１０３
６.４.１ 實驗方法１０３
６.４.２ 實驗結果及分析１０４
６.５ 可擴展性分析１０７
６.６ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ與ＤＷ-ＫＮＮ的對比１０8
６.７ 本章小結１０８
第７章 基于社交網絡與協同過濾的音樂推薦１１０
７.１ 協同過濾推薦算法１１０
７.１.１ 基于用戶的協同過濾推薦算法１１１
７.１.２ 基于項目的協同過濾推薦算法１１１
７.１.３ 基于用戶與基于項目的協同過濾推薦算法比較１１２
７.１.４ 協同過濾中存在的問題１１３
７.２ ＳｉｍＲａｎｋ算法１１３
７.２.１ ＳｉｍＲａｎｋ算法思想１１４
７.２.２ ＳｉｍＲａｎｋ算法流程１１５
７.３ 社交網絡的形成機制與表示方法１１６
７.４ 構建用戶的信任集合進行推薦１１６
７.５ 實驗結果及分析１１８
７.５.１ 數據獲取和數據集１１８
７.５.２ 評價指標１１９
７.５.３ 實驗結果分析１２０
７.６ 本章小結１２１
第８章 基于用戶即時興趣的音樂推薦９６
８.１ 相關研究１２２
８.２ 馬爾可夫模型理論基礎１２３
８.３ 基于用戶即時行為的改進一階馬爾可夫音樂推薦模型１２４
８.３.１ 問題描述１２４
８.３.２ 指數衰減１２５
８．３．３ 指數衰減的馬爾可夫模型１２５
８.３.４ 協同過濾的一階馬爾可夫推薦１２６
８.４ 實驗結果與分析１２９
８.５ 可擴展性分析１３１
８.６ 本章小結１３１
附錄１３２
附錄Ａ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分類參考代碼１３２
附錄Ｂ ＤＷ-ＫＮＮ算法參考代碼１３４
附錄Ｃ 各分類算法的比較參考代碼１４０
參考文獻 １４５
第１章 機器學習簡介１
１.１ 機器學習的概念１
１.２ 機器學習的發展２
１.３ 機器學習的研究現狀３
１.３.１ 傳統機器學習的研究現狀４
１.３.２ 大數據環境下機器學習的研究現狀５
１.４ 機器學習的分類５
１.４.１ 有監督學習６
１.４.２ 無監督學習７
１.４.３ 半監督學習８
１.４.４ 強化學習９
１.５ 本章小結１１
第２章 音樂、數字音樂與網絡音樂１２
２.１ 音樂的藝術形式１２
２.２ 音樂的產生及發展１４
２.３ 音樂的要素１５
２.４ 音樂的存儲與表示１７
２.４.１ 數字音樂及其特點１７
２.４.２ 數字音樂文件的特點和格式１９
２.５ 網絡音樂的發展２０
２.６ 網絡音樂的特征２２
２.７ 本章小結 ２３
第３章 網絡音樂的分類與推薦基礎 ２４
３.１ 基于內容的音樂信息檢索２４
３.１.１ 音高與旋律２５
３.１.２ 音樂節奏２６
３.１.３ 音樂和聲 ２８
３.２ 音樂的分類 ２９
３.２.１ 按表達方式分類 ３０
３.２.２ 按旋律風格分類 ３１
３.２.３ 從音樂的歷史角度分類 ３２
３.２.４ 按音樂流派分類 ３６
３.３ 網絡音樂的自動分類 ４０
３.４ 網絡音樂推薦算法綜述 ４２
３.５ 本章小結 ４４
第４章 機器學習中的分類與推薦算法 ４５
４.１ 樸素貝葉斯 ４５
４.２ 決策樹 ４７
４.３ ｋ￣近鄰 ５０
４.４ 支持向量機 ５１
４.５ 人工神經網絡 ５３
４.６ 基于內容的推薦 ５７
４.７ 協同過濾推薦 ６０
４.８ 基于馬爾可夫模型的推薦 ６２
４.９ 混合推薦６４
４.１０ 推薦算法評價 ６４
４.１１ 本章小結 ６６
第５章 基于支持向量機的音樂流派分類 ６7
５.１ 音樂的數字描述 ６８
５.２ 特征提取 ７０
５.２.１ 數據預處理 ７１
５.２.２ 聲學特征量 ７２
５.３ 特征選擇７７
５.３.１ ＲｅｌｉｅｆＦ７８
５.３.２ 順序前進法７９
５.３.３ ＲｅｌｉｅｆＦ與ＳＦＳ相結合的特征選擇算法80
５.４ ＳＶＭ分類器８１
５.４.１ 線性可分支持向量機８２
５.４.２ 線性支持向量機８３
５.４.３ 非線性支持向量機８５
５.４.４ 數值求解８７
５.４.５ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分類實現８８
５.５ 實驗結果與分析８８
５.５.１ 實驗工具８８
５.５.２ 數據集８９
５.５.３ 評價標準及驗證方法８９
５.５.４ 實驗方法８９
５.５.５ 實驗結果及分析９０
５.６ 可擴展性分析９４
５.７ 本章小結９５
第６章 基于ｋ-近鄰的音樂流派自動推薦分類９６
６.１ ｋ-近鄰算法的理論基礎９６
６.１.１ ｋ-近鄰算法９６
６.１.２ ｋ-近鄰算法模型９７
６.２ 算法的實現步驟及復雜度分析９９
６.３ ＤＷ-ＫＮＮ算法９９
６.３.１ ＫＮＮ算法的改進１００
６.３.２ 二次加權ＫＮＮ (ＤＷ-ＫＮＮ)分類算法１０２
６.４ 實驗結果與分析１０３
６.４.１ 實驗方法１０３
６.４.２ 實驗結果及分析１０４
６.５ 可擴展性分析１０７
６.６ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ與ＤＷ-ＫＮＮ的對比１０8
６.７ 本章小結１０８
第７章 基于社交網絡與協同過濾的音樂推薦１１０
７.１ 協同過濾推薦算法１１０
７.１.１ 基于用戶的協同過濾推薦算法１１１
７.１.２ 基于項目的協同過濾推薦算法１１１
７.１.３ 基于用戶與基于項目的協同過濾推薦算法比較１１２
７.１.４ 協同過濾中存在的問題１１３
７.２ ＳｉｍＲａｎｋ算法１１３
７.２.１ ＳｉｍＲａｎｋ算法思想１１４
７.２.２ ＳｉｍＲａｎｋ算法流程１１５
７.３ 社交網絡的形成機制與表示方法１１６
７.４ 構建用戶的信任集合進行推薦１１６
７.５ 實驗結果及分析１１８
７.５.１ 數據獲取和數據集１１８
７.５.２ 評價指標１１９
７.５.３ 實驗結果分析１２０
７.６ 本章小結１２１
第８章 基于用戶即時興趣的音樂推薦９６
８.１ 相關研究１２２
８.２ 馬爾可夫模型理論基礎１２３
８.３ 基于用戶即時行為的改進一階馬爾可夫音樂推薦模型１２４
８.３.１ 問題描述１２４
８.３.２ 指數衰減１２５
８．３．３ 指數衰減的馬爾可夫模型１２５
８.３.４ 協同過濾的一階馬爾可夫推薦１２６
８.４ 實驗結果與分析１２９
８.５ 可擴展性分析１３１
８.６ 本章小結１３１
附錄１３２
附錄Ａ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分類參考代碼１３２
附錄Ｂ ＤＷ-ＫＮＮ算法參考代碼１３４
附錄Ｃ 各分類算法的比較參考代碼１４０
參考文獻 １４５
展開全部
機器學習算法及其應用 作者簡介
吳梅梅（1980—），工學博士，中國傳媒大學數據科學與智能媒體學院副教授，碩士生導師。長期致力于大數據分析、機器學習算法及網絡新媒體技術研究。近年來主持并參與了多項和省部級研究課題，發表過多篇SCI、EI論文，并擁有多項發明專利。
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
月亮虎
- >
苦雨齋序跋文-周作人自編集
- >
二體千字文
- >
上帝之肋:男人的真實旅程
- >
我與地壇
- >
巴金－再思錄
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
