中圖網小程序
一鍵登錄
更方便
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
機器學習算法(MATLAB版) 版權信息
- ISBN：9787030603197
- 條形碼：9787030603197 ; 978-7-03-060319-7
- 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(MATLAB版) 內容簡介
本書是機器學習領域的入門教材，詳細闡述了機器學習的基本理論和方法。全書由15章組成，包括機器學習概論、數學基礎知識、線性模型與邏輯斯諦回歸、支持向量機、人工神經網絡、決策樹算法、貝葉斯算法、七近鄰算法、數據降維算法、聚類算法、高斯混合模型與EM算法、集成學習算法、優選熵算法、概率圖算法以及強化學習算法等。對每一種機器學習算法，均從算法原理的理論推導和MATLAB實現兩方面進行介紹。本書既注意保持理論分析的嚴謹性，又注重機器學習算法的實用性，同時強調機器學習算法的思想和原理在計算機上的實現。全書內容選材恰當，系統性強，行文通俗流暢，具有較強的可讀性。 本書的建議課時為60課時（其中含上機實驗12課時），可作為計算機科學與技術、信息與計算科學、統計學以及數學與應用數學等本科專業的教材或教學參考書，也可以作為理工科研究生機器學習課程的教材或教學參考書。
機器學習算法(MATLAB版) 目錄
章 機器學習概論
1.1 機器學習的基本定義
1.2 機器學習的基本術語
1.3 機器學習算法的分類
1.3.1 監督學習與無監督學習
1.3.2 分類問題與回歸問題
1.3.3 生成模型與判別模型
1.3.4 強化學習
1.4 機器學習模型的評價指標
1.4.1 模型的泛化能力
1.4.2 模型的評估方法
1.4.3 精度與召回率
1.4.4 ROC曲線與AUC
1.5 機器學習模型的選擇
1.5.1 正則化技術
1.5.2 偏差-方差分解
1.6 機器學習應用的基本流程
1.7 機器學習的用途及發展簡史
第2章 數學基礎知識
2.1 矩陣與微分
2.1.1 矩陣的基本運算
2.1.2 矩陣對標量的導數
2.1.3 矩陣變量函數的導數
2.1.4 向量函數的導數
2.1.5 矩陣和向量的微分
2.1.6 特征值分解和奇異值分解
2.2 *優化方法
2.2.1 無約束優化方法
2.2.2 約束優化與KKT條件
2.2.3 二次規劃
2.2.4 半定規劃
2.3 概率與統計
2.3.1 隨機變量與概率
2.3.2 條件概率與獨立性
2.3.3 期望、馬爾可夫不等式和矩生成函數
2.3.4 方差與切比雪夫不等式
2.3.5 樣本均值與樣本方差
2.3.6 極大似然估計
2.3.7 熵與KL散度
第3章 線性模型與邏輯斯諦回歸
3.1 線性模型的基本形式
3.1.1 線性回歸模型的理論基礎
3.1.2 線性回歸模型的MATLAB實現
3.2 邏輯斯諦回歸模型
3.2.1 邏輯斯諦回歸的基本原理
3.2.2 邏輯斯諦回歸的MATLAB實現
3.3 線性判別分析
3.3.1 線性判別分析的基本原理
3.3.2 線性判別分析的MATLAB實現
第4章 支持向量機
4.1 支持向量機的算法原理
4.1.1 線性可分問題
4.1.2 線性不可分問題
4.2 核映射（核函數）支持向量機
4.3 SMO算法原理及推導
4.3.1 子問題的求解
4.3.2 優化變量的選擇
4.4 支持向量回歸模型
4.5 支持向量機的MATLAB實現
第5章 人工神經網絡
5.1 前饋神經網絡簡介
5.1.1 M-P神經元
5.1.2 感知器模型
5.1.3 多層前饋網絡
5.2 誤差逆傳播算法
5.2.1 一個單隱層網絡實例
5.2.2 誤差逆傳播（BP）算法
5.3 神經網絡的數學性質與實現細節
5.3.1 神經網絡的數學性質
5.3.2 全局*小與局部極小
5.3.3 面臨的問題與實現細節
5.4 神經網絡的MATLAB實現
第6章 決策樹算法
6.1 決策樹算法的基本原理
6.1.1 樹模型決策過程
6.1.2 決策樹算法的基本框架
6.1.3 決策樹的剪枝
6.2 基本決策樹算法的改進
6.2.1 信息增益與ID3決策樹
6.2.2 增益率與C4.5決策樹
6.2.3 基尼指數與CART決策樹
6.3 連續值處理與屬性缺失
6.3.1 連續值的處理
6.3.2 屬性缺失問題
6.4 決策樹算法的MATLAB實現
第7章 貝葉斯算法
7.1 貝葉斯算法的原理
7.1.1 貝葉斯決策
7.1.2 樸素貝葉斯算法
7.1.3 正態貝葉斯算法
7.2 貝葉斯算法的改進
7.2.1 半樸素貝葉斯算法
7.2.2 TAN貝葉斯算法
7.2.3 貝葉斯網與樸素貝葉斯樹
7.2.4 加權樸素貝葉斯算法
7.3 貝葉斯算法的MATLAB實現
第8章 k近鄰算法
8.1 k近鄰算法的原理
8.1.1 k近鄰算法的流程
8.1.2 k近鄰的距離函數
8.2 k近鄰改進算法簡介
8.3 k近鄰算法的MATLAB實現
第9章 數據降維算法
9.1 主成分分析法
9.1.1 主成分分析的基本原理
9.1.2 核主成分分析算法
9.1.3 PCA算法的MATLAB實現
9.1.4 快速PCA算法及其實現
9.2 流形學習算法
9.2.1 局部線性嵌入及其MATLAB實現
9.2.2 等距映射與MDS算法及其實現
0章 聚類算法
10.1 聚類的基本理論
10.1.1 問題定義
10.1.2 距離計算
10.1.3 性能指標
10.2 k均值算法
10.2.1 k均值算法基本原理
10.2.2 k均值算法的MATLAB實現
10.3 k中心點算法
10.3.1 k中心點算法基本原理
10.3.2 k中心點算法的MATLAB實現
10.4 密度聚類算法
10.4.1 DBSCAN算法的基本原理
10.4.2 DBSCAN算法的MATLAB實現
10.5 層次聚類算法
10.5.1 AGNES算法的基本原理
10.5.2 AGNES算法的MATLAB實現
1章 高斯混合模型與EM算法
11.1 高斯混合模型
11.2 EM算法的理論推導
11.3 EM算法的應用
11.4 GMM的MATLAB實現
11.4.1 高斯混合模型的生成
11.4.2 GM模型的參數擬合
11.4.3 高斯混合聚類實例
11.5 高斯混合聚類的改進方法
11.5.1 擬合初始值的設定問題
11.5.2 聚類簇數k值的選擇問題
11.5.3 高斯混合聚類的正則化
2章 集成學習算法
12.1 集成學習概述
12.1.1 集成學習的基本概念
1
展開全部
書友推薦
- >
回憶愛瑪儂
- >
李白與唐代文化
- >
莉莉和章魚
- >
中國歷史的瞬間
- >
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)
- >
我與地壇
- >
月亮與六便士
- >
我從未如此眷戀人間
本類暢銷
