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
機器學習經典算法與案例實戰 微課視頻版 版權信息
- ISBN：9787302662082
- 條形碼：9787302662082 ; 978-7-302-66208-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習經典算法與案例實戰 微課視頻版 本書特色
遵循“從淺到深，理論到實踐；以案例為主，理論為輔”的編寫原則，在機器學習主流算法的理論框架基礎上，使學習者快速掌握主流算法的理論框架，通過相應案例講解，培養學習者解決實際問題的能力。每章內容配有相應的教案、課件和題庫，以及重要章節或知識點的講解視頻。
本書側重案例講解，內容新穎，深入淺出，圖文并茂，語言通俗易懂，注重理論聯系實際。在編寫形式上，引入豐富的案例，注重理論與實踐的結合，通過各章節配有的相應算法案例，使讀者更加快速、深入地理解和掌握機器學習主要算法，提高其運用機器學習主要算法解決實際問題的能力。
機器學習經典算法與案例實戰 微課視頻版 內容簡介
本書以案例為載體，介紹了目前機器學習的部分主流算法及其應用，簡要概括部分主流算法的基本原理，詳細說明應用算法過程中需要注意的問題，通過實際案例的解析使學生更好地掌握主流算法。全書共四部分。**部分（第1章）為理論基礎，著重介紹機器學習的發展及主流應用，還詳細介紹了本書中全部案例運行環境的搭建方法。第二部分（第2~7章）為監督學習模型，著重介紹了貝葉斯分類器、線性模型、決策結、K近鄰、支持向量機和隨機森林的基本原理。第三部分（第8、9章）為無監督學習模型，詳細介紹了數據降維和K均值聚類。第四部分（第10~12章）為神經網絡與深度學習，介紹了幾類目前流行的神經網絡和深度學習網絡。全書提供了大量應用案例，每章后均附有習題。本書適合作為各類高等院校計算機、人工智能專業的教材，也適合作為相關專業研究生的入門教材，還可供人工智能和數據挖掘方向的開發人員、廣大科技工作者和研究人員參考。
機器學習經典算法與案例實戰 微課視頻版 目錄
**部分理 論 基 礎
第1章緒論
1.1機器學習概述
1.2機器學習應用基礎
1.3機器學習應用系統
1.4機器學習發展
1.5機器學習中的觀點和問題
1.6模型評價常用指標
1.7目前主流應用
1.7.1數據挖掘
1.7.2計算機視覺
1.7.3自然語言處理
1.7.4語音識別
1.7.5推薦系統
1.8運行環境搭建
1.8.1Python安裝
1.8.2PyCharm安裝模塊文件
1.8.3Anaconda安裝
1.9知識擴展
1.10習題
第二部分監督學習模型
第2章貝葉斯分類器
2.1貝葉斯分類器基本思想
2.2樸素貝葉斯分類器
2.2.1樸素貝葉斯分類器原理
2.2.2樸素貝葉斯分類器案例——垃圾郵件過濾
2.3正態貝葉斯分類器
2.3.1正態貝葉斯分類器原理
2.3.2正態貝葉斯分類器案例——訓練資料分類
2.4知識擴展
2.5習題
第3章線性模型
3.1回歸預測
3.2線性回歸
3.2.1線性回歸的基本原理
3.2.2線性回歸的案例——波士頓房價預測Ⅰ
3.3邏輯回歸
3.3.1邏輯回歸的基本原理
3.3.2邏輯回歸的損失函數
3.3.3邏輯回歸的案例——泰坦尼克號乘客預測
3.4其他回歸模型
3.4.1套索回歸
3.4.2嶺回歸
3.4.3套索回歸和嶺回歸的案例——波士頓房價預測Ⅱ
3.5知識擴展
3.6習題
第4章決策樹
4.1什么是決策樹
4.2構建決策樹
4.2.1構建決策樹的基本過程
4.2.2基尼系數
4.2.3信息熵和信息增益
4.3修剪決策樹
4.3.1預剪枝
4.3.2后剪枝
4.4決策樹案例——員工流失分析
4.5決策樹回歸問題
4.6知識擴展
4.7習題
第5章K近鄰
5.1K近鄰算法的基本思想
5.2K近鄰算法中的距離度量
5.3選擇合適的K值
5.4K近鄰案例——鳶尾花分類
5.5知識擴展
5.6習題
第6章支持向量機
6.1SVM的基本原理
6.1.1線性SVM分類器
6.1.2硬間隔與軟間隔
6.1.3非線性SVM分類器
6.2核函數
6.2.1核函數原理
6.2.2幾種常見的核函數
6.3SVM案例——手寫數字圖像識別
6.4KSVM案例——人臉圖像識別
6.5知識擴展
6.6習題
第7章隨機森林
7.1集成學習原理
7.2算法流程
7.2.1Bagging集成算法
7.2.2Boosting集成算法
7.3隨機森林算法
7.3.1隨機森林原理
7.3.2隨機森林案例——紅酒分類
7.4知識擴展
7.5習題
第三部分無監督學習模型
第8章數據降維
8.1降維與重構算法思想
8.2PCA
8.2.1PCA算法原理
8.2.2PCA算法案例——圖像降維和重建
8.3隨機近鄰嵌入
8.3.1隨機近鄰嵌入算法原理
8.3.2隨機近鄰嵌入案例——手寫數字圖像降維
8.4知識擴展
8.5習題
第9章K均值聚類
9.1K均值聚類基本思想
9.2K均值聚類算法流程
9.3K均值聚類案例——圖像的分割和壓縮
9.4知識擴展
9.5習題
第四部分神經網絡與深度學習
第10章神經網絡
10.1神經網絡基本思想
10.2反向傳播算法
10.2.1反向傳播算法原理
10.2.2反向傳播算法案例——手寫數字圖像預測
10.3知識擴展
10.4習題
第11章自編碼器圖像降噪
11.1圖像噪聲的處理辦法
11.2卷積自編碼器圖像降噪
11.2.1卷積自編碼器原理簡述
11.2.2卷積自編碼器降噪原理
11.2.3卷積自編碼器降噪案例
11.3稀疏自編碼器圖像降噪
11.3.1稀疏自編碼器原理簡介
11.3.2稀疏自編碼器圖像降噪案例
11.4知識擴展
11.5習題
第12章幾種深度學習網絡
12.1開啟深度學習之旅
12.2卷積神經網絡
12.2.1卷積神經網絡原理簡介
12.2.2深度卷積神經網絡案例——圖像目標檢測
12.3循環神經網絡
12.3.1循環神經網絡原理簡介
12.3.2循環神經網絡的幾種實現
12.3.3循環神經網絡案例——航空旅客數量預測
12.4生成對抗網絡
12.4.1生成對抗網絡原理簡述
12.4.2生成對抗網絡案例——提高圖像分辨率
12.5概率圖模型
12.5.1概率圖模型簡述
12.5.2高斯混合模型概述
12.5.3高斯混合模型案例——圖像分割
12.6知識擴展
12.7習題
參考文獻
參考文獻
展開全部
書友推薦
- >
山海經
- >
小考拉的故事-套裝共3冊
- >
莉莉和章魚
- >
自卑與超越
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
【精裝繪本】畫給孩子的中國神話
- >
李白與唐代文化
- >
煙與鏡
本類暢銷
