掃一掃
關注中圖網
官方微博
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 版權信息
- ISBN：9787111768265
- 條形碼：9787111768265 ; 978-7-111-76826-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習 本書特色
本書遵循教指委相關指導文件和高等院校學生學習規律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。
機器學習 內容簡介
本書系統地講解了機器學習的理論與方法，內容主要包括EM算法和高斯混合模型、主題模型、采樣與非參數貝葉斯方法、聚類分析、支持向量機、概率無向圖模型、概率有向圖模型、矩陣與張量分解、多層感知機與卷積神經網絡、序列神經網絡，以及強化學習。本書旨在使讀者了解機器學習的發展過程，理解和掌握機器學習的基本原理、方法與主要應用。本書內容豐富，著重于講解機器學習理論的推導與證明，并通過實例進行方法分析與比較；本書強調機器學習的系統性、完整性、方法的時效性，可讀性強；同時，作為新形態教材，本書配備了大量的數字化資源，可以實現線上線下學習的無縫銜接。 本書既可以作為國內各高等學校、科研院所本科生、研究生的教材，也可供國內外從事機器學習研究和工程應用的人員使用。
機器學習 目錄
前言第1章 緒論 11.1 機器學習的定義 11.2 機器學習的發展歷史 21.3 機器學習的分類 51.3.1 基于學習系統的反饋分類 51.3.2 基于所獲取知識的表示形式分類 61.3.3 基于應用領域分類 71.3.4 綜合分類 71.4 性能度量 91.4.1 數據集 91.4.2 誤差 101.4.3 過擬合與欠擬合 101.4.4 評估方法 10前言第1章 緒論 11.1 機器學習的定義 11.2 機器學習的發展歷史 21.3 機器學習的分類 51.3.1 基于學習系統的反饋分類 51.3.2 基于所獲取知識的表示形式分類 61.3.3 基于應用領域分類 71.3.4 綜合分類 71.4 性能度量 91.4.1 數據集 91.4.2 誤差 101.4.3 過擬合與欠擬合 101.4.4 評估方法 101.4.5 性能度量 11本章小結 16習題 17參考文獻 17第2章 EM算法和高斯混合模型 192.1 EM算法 192.1.1 極大似然估計 192.1.2 EM算法的引入 202.1.3 EM算法的推導 212.1.4 EM算法的步驟 232.1.5 EM算法的收斂性 242.2 高斯混合模型 252.2.1 單高斯模型 252.2.2 高斯混合模型 262.2.3 GMM參數估計 27本章小結 29習題 29參考文獻 29第3章 主題模型 313.1 傳統的主題模型 313.1.1 VSM 313.1.2 LSI模型 323.2 概率主題模型 333.2.1 LDA主題模型 333.2.2 HDP-LDA主題模型 403.3 具有Zipf定律性質的主題模型 443.3.1 PY過程 453.3.2 PHTM主題模型 463.4 PHTM推理算法 48本章小結 51習題 51參考文獻 52第4章 采樣與非參數貝葉斯方法 544.1 單個隨機變量采樣 544.1.1 通過逆累積分布函數采樣 554.1.2 拒絕采樣（Rejection Sampling） 564.1.3 重要性采樣（Importance Sampling） 574.2 序列隨機變量采樣與馬爾可夫鏈蒙特卡羅 584.2.1 MH算法 594.2.2 吉布斯采樣 604.2.3 切片采樣（Slice Sampling） 604.3 非參數貝葉斯與狄利克雷過程 614.3.1 非參數貝葉斯 614.3.2 狄利克雷過程 624.4 狄利克雷過程的構造方式 634.4.1 波利亞壇子過程 634.4.2 折棍子過程 644.4.3 中國餐館過程 66本章小結 68習題 68參考文獻 69第5章 聚類分析 705.1 數據相似性度量 705.2 經典聚類算法 755.2.1 劃分方法 755.2.2 層次聚類 755.2.3 基于密度的聚類 765.2.4 基于網格的方法 775.2.5 基于模型的方法 785.3 k-means、k中心點方法及其改進方法 795.3.1 k-means 795.3.2 k中心點 805.3.3 核k-means 815.3.4 EM聚類 845.3.5 基于隨機搜索應用于大型應用的聚類算法CLARANS 875.4 譜聚類 885.4.1 相似圖 895.4.2 拉普拉斯矩陣 895.4.3 譜聚類算法 915.5 基于約束的聚類 925.5.1 含有障礙物的對象聚類 935.5.2 用戶約束的聚類分析 935.5.3 半監督聚類分析 945.6 在線聚類 945.7 聚類與降維 95本章小結 97習題 97參考文獻 98第6章 支持向量機 1006.1 統計學習理論 1006.1.1 經驗風險*小化 1006.1.2 VC維 1016.1.3 結構風險*小化 1026.2 支持向量機的基本原理 1036.3 支持向量機分類器 1046.3.1 線性支持向量機分類器 1046.3.2 非線性可分的支持向量機分類器 1076.3.3 一類分類 1096.3.4 多類分類 1106.4 核函數 1136.4.1 核函數的定義 1146.4.2 核函數的構造 1146.4.3 幾種常用的核函數 1166.5 支持向量回歸機 1176.6 支持向量機的應用實例 1206.6.1 圖像分類 1206.6.2 其他應用 124本章小結 124習題 125參考文獻 125第7章 概率無向圖模型 1277.1 概率無向圖模型 1277.2 對數線性模型 1297.2.1 邏輯斯蒂回歸模型 1297.2.2 *大熵模型 1327.2.3 馬爾可夫隨機場 1377.3 條件隨機場 1377.3.1 模型 1377.3.2 條件隨機場的關鍵問題 139本章小結 143習題 143參考文獻 143第8章 概率有向圖模型 1458.1 概率有向圖模型 1458.2 貝葉斯網絡 1468.2.1 貝葉斯定理 1478.2.2 有向分離 1488.2.3 貝葉斯網絡構造 1508.2.4 貝葉斯網絡學習 1508.3 隱馬爾可夫模型 1628.3.1 隱馬爾可夫模型描述 1628.3.2 隱馬爾可夫模型的三個基本問題 164本章小結 171習題 172參考文獻 172第9章 矩陣與張量分解 1749.1 等值與低秩矩陣分解 1749.2 非負矩陣分解 1769.3 矩陣分解與推薦系統 1809.4 張量分解 1819.5 非負張量分解 185本章小結 187習題 187參考文獻 189第10章 多層感知機與卷積神經網絡 19010.1 感知機 19010.2?多層感知機 19310.2.1 誤差反傳算法 19310.2.2 多層感知機的優勢和局限性 19710.2.3 誤差反傳算法的改進 19810.3?卷積神經網絡 20310.3.1 卷積神經網絡的生物學基礎 20310.3.2 卷積的基本操作 20410.3.3 典型卷積神經網絡 20910.3.4 卷積神經網絡的訓練技巧 215本章小結 217習題 217參考文獻 218第11章 序列神經網絡 22011.1?循環神經網絡結構 22011.2 循環神經網絡的訓練 22211.2.1 損失函數 22211.2.2 時間反向傳播算法 22211.2.3 梯度消失與梯度爆炸 22411.3 雙向循環神經網
展開全部
書友推薦
- >
二體千字文
- >
上帝之肋:男人的真實旅程
- >
詩經-先民的歌唱
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
羅曼·羅蘭讀書隨筆-精裝
- >
月亮虎
- >
自卑與超越
- >
有舍有得是人生
本類暢銷
