掃一掃
關注中圖網
官方微博
>
機器學習及工業大數據解析應用
本類五星書更多>
-
>
貨幣大歷史:金融霸權與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創意玩具書(精裝4冊)
機器學習及工業大數據解析應用 版權信息
- ISBN：9787030804389
- 條形碼：9787030804389 ; 978-7-03-080438-9
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：
機器學習及工業大數據解析應用 內容簡介
本書作為機器學習及工業大數據解析領域的入門教材，在內容設置上盡可能涵蓋該研究領域基礎知識的各個方面。全書共28章，分為六篇。其中**篇為概論篇；第二篇為有監督學習篇；第三篇為無監督學習篇；第四篇為半監督學習篇；第五篇為深度學習篇；第六篇為大數據解析篇。每章都附有繼續閱讀和參考文獻，以便有興趣的讀者進一步鉆研探索。
機器學習及工業大數據解析應用 目錄
目錄前言**篇 概論篇第1章 緒論 31.1 機器學習簡介 31.2 機器學習與人工智能 31.3 機器學習的主要研究領域 41.4 機器學習的發展歷史與發展趨勢 51.4.1 機器學習的發展歷史 51.4.2 機器學習的發展趨勢 71.5 機器學習系統的基本結構 81.5.1 數據 81.5.2 模型 91.5.3 損失函數 111.5.4 訓練 131.6 模型評估與模型選擇 141.6.1 訓練誤差與測試誤差 141.6.2 過擬合與模型選擇 141.7 正則化與交叉驗證 151.7.1 正則化 151.7.2 交叉驗證 161.8 泛化能力 171.8.1 泛化誤差 171.8.2 泛化誤差上界 181.9 機器學習的基本術語 181.9.1 假設空間 181.9.2 變形空間 191.9.3 歸納偏置 201.10 機器學習的分類 20iv 機器學習及工業大數據解析應用1.10.1 有監督學習 211.10.2 無監督學習 221.10.3 半監督學習 231.10.4 深度學習 251.11 工業大數據解析統計學基礎 251.11.1 期望、方差、協方差 251.11.2 一元高斯分布 261.11.3 多元高斯分布 27繼續閱讀 27參考文獻 27第2章 概念學習和一般到特殊序 292.1 概念學習的定義 292.2 概念學習的術語 292.3 歸納學習假設 332.4 假設的一般到特殊序 342.5 尋找極大特殊假設 342.5.1 候選消除算法的表示 352.5.2 列表后消除算法 362.5.3 變形空間的簡潔表示 372.5.4 候選消除學習算法 382.6 歸納偏置 382.6.1 有偏的假設空間 392.6.2 無偏學習器 392.6.3 無偏學習的無用性 39繼續閱讀 40參考文獻 40第二篇 有監督學習篇第3章 感知機 433.1 感知機學習模型 433.2 感知機學習策略 443.2.1 數據集的線性可分性 443.2.2 學習策略 443.3 感知機學習算法 453.3.1 感知機學習算法的一般形式 453.3.2 感知機學習算法的收斂性 46繼續閱讀 47參考文獻 47第4章 k 近鄰算法及模型 494.1 k 近鄰算法 494.2 k 近鄰模型 504.2.1 模型 504.2.2 距離度量 504.2.3 k 值的選擇 514.2.4 分類決策規則 524.3 k 近鄰算法的實現 524.3.1 構造kd樹 534.3.2 搜索kd樹 54繼續閱讀 55參考文獻 55第5章 決策樹 565.1 決策樹模型與學習 565.1.1 決策樹模型 565.1.2 決策樹與if-then規則 565.1.3 決策樹與條件概率分布 575.1.4 決策樹學習 575.2 決策樹方法的產生及算法過程 585.2.1 ID3算法 585.2.2 CART算法 595.2.3 C4.5算法 615.3 決策樹常見問題 615.3.1 熵、信息增益和特征選擇問題 615.3.2 決策樹學習過擬合問題 645.3.3 交叉驗證與樹的修剪問題 655.3.4 *佳劃分的度量問題 665.3.5 處理缺失屬性值問題 675.3.6 處理連續屬性值問題 685.3.7 葉節點判定問題 685.3.8 待測樣本分類問題 68繼續閱讀 69參考文獻 69第6章 集成學習 706.1 個體與集成 706.2 Bagging算法 706.2.1 Bagging算法工作機制 716.2.2 Bagging算法簡介 716.2.3 Bagging算法的自主采樣 726.2.4 Bagging算法的結合策略 726.2.5 偏差與方差分析 736.2.6 隨機森林算法 746.3 Boosting算法 746.3.1 Boosting算法工作機制 746.3.2 Boosting算法的兩個核心問題 756.3.3 AdaBoost算法 756.3.4 提升樹算法 776.3.5 梯度提升決策樹算法 796.4 Stacking算法 796.5 集成學習的結合策略 806.5.1 平均法 806.5.2 學習法 81繼續閱讀 82參考文獻 82第7章 回歸分析 837.1 回歸分析的概念與特點 837.2 回歸模型的選擇 847.3 常用的回歸模型 857.3.1 線性回歸 857.3.2 邏輯回歸 867.3.3 多項式回歸 887.3.4 逐步回歸 897.3.5 嶺回歸與Lasso 回歸 917.3.6 主元回歸 937.3.7 偏*小二乘回歸 947.3.8 彈性回歸 96繼續閱讀 96參考文獻 97第8章 支持向量機 988.1 間隔與支持向量 988.2 線性可分支持向量機與硬間隔*大化 998.2.1 函數間隔和幾何間隔 998.2.2 間隔*大化 1008.2.3 對偶問題求解 1008.3 線性支持向量機與軟間隔*大化 1018.3.1 軟間隔的對偶算法 1018.3.2 Hinge損失函數 1038.4 非線性支持向量機與核函數 1048.4.1 核技巧 1048.4.2 正定核 1048.4.3 核非線性支持向量機 1058.5 序列*小優化算法 1058.5.1 兩個變量二次規劃的求解方法 1058.5.2 SMO算法步驟 106繼續閱讀 107參考文獻 108第9章 隱馬爾可夫模型 1099.1 馬爾可夫模型 1099.2 隱馬爾可夫模型的要素和假設 1109.2.1 要素 1109.2.2 假設 1119.3 隱馬爾可夫模型的基本問題 1119.4 三個基本問題的求解算法 1149.4.1 前向算法 1149.4.2 后向算法 1159.4.3 Viterbi算法 116繼續閱讀 117參考文獻 117第10章 條件隨機場 11810.1 概率無向圖模型 11810.1.1 概率無向圖模型的定義 11810.1.2 概率無向圖模型的因子分解 11910.2 條件隨機場的定義與形式 12010.2.1 條件隨機場的定義 12010.2.2 條件隨機場的參數化形式 12210.2.3 條件隨機場的簡化形式 12210.2.4 條件隨機場的矩陣形式 12310.3 條件隨機場的概率計算問題 12410.3.1 前向-后向算法 12410.3.2 概率計算 12510.3.3 期望計算 12510.4 條件隨機場的學習算法 12610.4.1 改進的迭代尺度法 12610.4.2 擬牛頓法 129繼續閱讀 130參考文獻 130第三篇 無監督學習篇第11章 貝葉斯學習 13311.1 貝葉斯理論 13311.1.1 先驗概率和后驗概率 13311.1.2 貝葉斯公式 13311.1.3 極大后驗假設 13411.1.4 極大似然假設 13411.2 貝葉斯公式和概念學習 13511.2.1 Brute-Force 貝葉斯概念學習算法 13511.2.2 特定情況下的極大后驗假設 13511.2.3 極大后驗假設和一致學習器 13611.2.4 極大似然和*小誤差平方假設 13711.2.5 用于預測概率的極大似然假設 13711.2.6 *小描述長度準則 13811.2.7 貝葉斯*優分類器 13811.2.8 吉布斯算法 13911.3 樸素貝葉斯 13911.3.1 樸素貝葉斯的基本框架 13911.3.2 樸素貝葉斯分類器 14011.3.3 樸素貝葉斯模型 14111.3.4 平滑技術 14211.4 貝葉斯網絡 14311.4.1 貝葉斯網絡的定義及性質 14311.4.2 貝葉斯網絡的結構形式 14311.4.3 貝葉斯網絡的判定條件 14311.4.4 貝葉斯網絡的構建及學習 144繼續閱讀 145參考文獻 145第12章 聚類分析 14612.1 聚類與分類 14612.2 聚類分析的過程及要求 14612.3 聚類分析的度量 14712.3.1 外部指標 14812.3.2 內部指標 14912.3.3 選擇相似性度量的原則 15112.4 基于劃分的聚類 15312.4.1 K-means算法 15312.4.2 K-medoids算法 15412.4.3 K-prototype算法 15512.5 基于層次的聚類 15712.5.1 聚合聚類與分裂聚類算法 15712.5.2 平衡迭代削減聚類算法 15812.5.3 使用代表點的聚類算法 16112.6 基于密度的聚類 16212.6.1 DBSCAN算法 16212.6.2 WS-DBSCAN算法 16412.6.3 MDCA算法 16412.7 基于模型的聚類 16512.7.1 基于SOM神經網絡的聚類算法 16512.7.2 基于概率模型的聚類算法 166繼續閱讀 167參考文獻 167第13章 降維與度量學習 16813.1 降維方法概述 16813.2 線性降維方法 168x 機器學習及工業大數據解析應用13.2.1 子集選擇法 16813.2.2 主成分分析法 16913.2.3 慢特征分析法 17113.2.4 判別分析法 17413.2.5 典型相關分析法 17713.2.6 奇異值分解法 17913.2.7 因子分析法 18013.3 非線性降維方法 18113.3.1 流形學習簡介 18113.3.2 保留局部特征 18113.3.3 保留全局特征 18713.4 度量學習 19213.4.1 度量的定義 19213.4.2 KL 散度 192繼續閱讀 193參考文獻 193第14章 概率潛在語義分
展開全部
書友推薦
- >
李白與唐代文化
- >
我從未如此眷戀人間
- >
羅庸西南聯大授課錄
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
二體千字文
- >
小考拉的故事-套裝共3冊
- >
煙與鏡
本類暢銷
