機器學習算法與應用（微課視頻版）
楊雲、段宗濤
- 出版商: 清華大學
- 出版日期: 2020-07-01
- 定價: $474
- 售價: 7.5 折 $356
- 語言: 簡體中文
- ISBN: 7302550646
- ISBN-13: 9787302550648
-
相關分類:
Machine Learning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
程序員的數學3 : 線性代數$474$450 -
.jpg)
Python + Spark 2.0 + Hadoop 機器學習與大數據分析實戰$680$530 -
貝葉斯方法：概率編程與貝葉斯推斷 (Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference)$534$507 -
$332深度學習框架 PyTorch : 入門與實踐 -
程序員的數學2 : 概率統計$474$450 -
程序員的數學$294$279 -
$581深度捲積網絡 : 原理與實踐 -
$653深度學習之美 : AI時代的數據處理與最佳實踐 -
強者用 PyTorch：實作史上最經典 AI 範例$690$587 -
$352TensorFlow 2.0 捲積神經網絡實戰 -
$352深度學習訓練營 21天實戰 TensorFlow+Keras+scikit-learn -
深度學習的數學：用數學開啟深度學習的大門 (書況略舊,不介意在下單)$500$425 -
生成深度學習｜訓練機器繪畫、作曲、寫作與玩遊戲 (Generative Deep Learning)$580$458 -
深入淺出 GAN 生成對抗網絡 : 原理剖析與 TensorFlow 實踐$505$475 -
決心打底！Python 深度學習基礎養成$690$587 -
$305計算智能 -
$379PyTorch 深度學習實戰 -
$564Visual Studio Code 權威指南 -
練好深度學習的基本功｜用 Python 進行基礎數學理論的實作$560$370 -
GAN 對抗式生成網路 (GANs in Action: Deep learning with Generative Adversarial Networks)$750$593 -
Python 機器學習 (上), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$620$484 -
Python 資料可視化之美：極專業圖表製作高手書 (全彩印刷)$780$616 -
Python 機器學習超進化：AI影像辨識跨界應用實戰 (附100分鐘影像處理入門影音教學/範例程式)$450$297 -
Python 機器學習 (下), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$520$406 -
30分鐘就讀懂：機器學習從數學開始$590$466
相關主題
商品描述
目錄大綱
配套資源下載
目錄
第1章機器學習簡介
1.1什麽是機器學習
1.2有監督學習
1.3無監督學習
1.4強化學習
1.5深度學習
1.6機器學習算法的應用趨勢
1.6.1機器學習算法在物聯網的應用
1.6.2機器學習算法在其他領域的應用
1.7安裝MATLAB或Octave
1.8Python語言和C/C++語言簡介
1.8.1Python語言簡介
1.8.2C/C++語言簡介
1.9習題
第2章線性回歸
2.1線性回歸模型
2.2代價函數
2.3梯度下降法
2.4線性回歸中的梯度下降
2.5特徵歸一化
2.6最小二乘正規方程
2.7線性回歸實例分析
2.7.1實例一： 一元線性回歸模型與代價函數理解
2.7.2實例二： 多元線性回歸模型與代價函數理解
2.8習題
第3章邏輯回歸
3.1邏輯回歸模型
3.2邏輯回歸的代價函數
3.3優化函數
3.4邏輯回歸解決分類問題
3.4.1實例一： 牛頓法實現邏輯回歸模型
3.4.2實例二： 邏輯回歸解決二分類問題
3.5正則化
3.6正則化後的線性回歸和邏輯回歸模型實例分析
3.6.1實例一： 最小二乘正規方程法優化正則化線性回歸模型
3.6.2實例二： 牛頓法優化正則化邏輯回歸模型
3.6.3參考解決方案
3.7習題
第4章樸素貝葉斯
4.1數學基礎
4.2樸素貝葉斯分類
4.3樸素貝葉斯分類實例分析
4.3.1實例一： 多項式樸素貝葉斯用於郵件分類
4.3.2實例二： 樸素貝葉斯解決多分類問題
4.4習題
第5章支持向量機
5.1支持向量機模型
5.2支持向量機代價函數
5.3支持向量機實例分析
5.3.1實例一： SVM 解決線性可分問題
5.3.2實例二： SVM解決郵件分類問題
5.3.3實例三： 核函數SVM解決線性不可分問題
5.4習題
第6章神經網絡
6.1神經網絡模型
6.2反向傳播算法
6.3神經網絡實例分析
6.3.1實例一： 神經網絡實現簡單分類問題
6.3.2實例二： 神經網絡解決預測問題
6.4習題
第7章K近鄰算法
7.1K近鄰算法原理
7.2K近鄰算法實例分析
7.2.1實例一： K近鄰算法解決二分類問題
7.2.2實例二： K近鄰算法解決多分類問題
7.3習題
第8章K均值算法
8.1K均值算法原理
8.2K均值算法實例分析
8.2.1實例一： K均值算法實現簡單聚類
8.2.2實例二： K均值算法解決病毒聚類問題
8.3習題
第9章高斯混合模型
9.1高斯混合模型原理
9.2最大期望算法
9.3高斯混合模型實例分析
9.3.1實例一： 高斯混合模型聚類原理分析
9.3.2實例二： 高斯混合模型實現鳶尾花數據聚類
9.4習題
第10章降維算法
10.1降維算法原理
10.2降維算法實例分析
10.2.1實例一： 線性判別分析(LDA)降維算法實現
10.2.2實例二： 主成分分析(PCA)降維算法實現
10.3線性判別分析與主成分分析對比
10.4習題
第11章隱馬爾可夫模型
11.1隱馬爾可夫模型定義
11.2隱馬爾可夫模型實例分析
11.2.1實例一： HMM實現簡單序列預測
11.2.2實例二： HMM 解決車流預測問題
11.3習題
第12章強化學習
12.1Qlearning強化學習算法原理
12.2Qlearning實例分析
12.2.1實例一： Qlearning解決走迷宮問題
12.2.2實例二： Qlearning解決小車爬坡問題
12.3習題
第13章決策樹
13.1決策樹構造原理
13.2決策樹實例分析
13.2.1實例一： 應用CART算法構造決策樹
13.2.2實例二： 決策樹算法擬合曲線
13.3習題
第14章啟發式優化算法
14.1遺傳算法原理
14.2優化算法對比實例分析
14.2.1實例一： 粒子群(PSO)算法
14.2.2實例二： 差分進化(DE)算法
14.2.3實例三： 人工蜂群(ABC)算法
14.2.4實例四： 對比粒子群、差分進化和人工蜂群算法
14.3習題
第15章深度學習
15.1捲積神經網絡
15.1.1捲積層
15.1.2池化層
15.1.3CNN模型
15.1.4實例一： CNN實現手寫數字識別
15.2循環神經網絡
15.2.1RNN網絡概述
15.2.2LSTM網絡
15.2.3實例一： RNN實現時序數據預測
15.2.4實例二： LSTM預測交通流量
15.3深度學習算法物聯網硬件加速
15.3.1FPGA硬件平臺簡介
15.3.2開發軟件環境簡介
15.3.3實例一： RNN時序數據預測物聯網平臺實現
15.4習題
第16章集成學習
16.1集成學習算法
16.1.1隨機森林算法
16.1.2Adaboost算法
16.2集成學習算法實例分析
16.2.1實例一： 集成學習Stacking實現
16.2.2實例二： 集成學習解決預測問題
16.3習題
第17章推薦系統
17.1推薦算法原理
17.2知識圖譜與推薦系統
17.2.1知識圖譜定義
17.2.2知識圖譜特徵學習
17.2.3知識圖譜用於推薦系統
17.3推薦系統實例分析
17.3.1實例一： 基於線性混合深度網絡的推薦系統實現
17.3.2實例二： 基於知識圖譜的多任務神經網絡智能推薦系統
17.4習題
附錄A專用符號和名詞解釋
附錄B機器學習資源列表
附錄C數學推導BPTT算法
參考文獻
