機器學習與視覺感知（第2版）
張寶昌、楊萬扣、林娜娜
- 出版商: 清華大學
- 出版日期: 2020-09-01
- 定價: $294
- 售價: 7.0 折 $206
- 語言: 簡體中文
- ISBN: 7302561850
- ISBN-13: 9787302561859
-
相關分類:
Machine Learning
立即出貨
買這商品的人也買了...
-
高等微積分【解析概論】$550$495 -
深入理解 XGBoost：高效機器學習算法與進階$594$564 -
深入淺出 GAN 生成對抗網絡 : 原理剖析與 TensorFlow 實踐$505$475 -
JavaScript 高級程序設計, 4/e (Professional JavaScript for Web Developers, 4/e)$774$735 -
$531機器學習測試入門與實踐 -
$441人工智能：深度學習核心算法 -
$189深度學習 -
$556機器學習提升法 理論與算法 -
Effective Python 中文版｜寫出良好 Python 程式的 90個具體做法, 2/e (Effective Python: 90 Specific Ways to Write Better Python, 2/e)$580$493 -
完全自學！Go 語言 (Golang) 實戰聖經 (The Go Workshop: Learn to write clean, efficient code and build high-performance applications with Go)$880$695 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
大話 AWS 雲端架構：雲端應用架構圖解輕鬆學, 2/e$620$484 -
Python 電腦視覺與深度學習實戰$509$479 -
跟著 Docker 隊長，修練 22天就精通 - 搭配 20小時作者線上教學，無縫接軌 Microservices、Cloud-native、Serverless、DevOps 開發架構$880$695 -
TypeScript 邁向專家之路：零基礎 JavaScript 打通 Angular、React 與 Vue.js 前端框架實戰 (Essential TypeScript: From Beginner to Pro)$880$695 -
AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型 (Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding)$690$587 -
TensorFlow.js 學習手冊 (Learning Tensorflow.Js: Powerful Machine Learning in JavaScript)$580$458 -
AWS 職場實戰手冊 - 企業架站、安全防護、費用監控，用最省錢的方式紮實學會！$620$527 -
開發者傳授 PyTorch 秘笈$1,200$1,020 -
科學方法賺大錢 - Python 進行商品期貨量化交易$720$569 -
交易的密碼：用算法賺取第一桶金$474$450 -
21天學通C++（第9版）$719$683 -
深度學習框架及系統部署實戰（微課視頻版）$209$199 -
$509YOLO 目標檢測 -
萬顆 GPU 的訓練 - 分散式機器學習 — 系統工程與實戰$1,280$1,011
相關主題
商品描述
目錄大綱
目錄
第1章機器學習的發展史1
引言1
1.1機器學習1
1.1.1基本簡介1
1.1.2機器學習的定義和研究意義2
1.1.3機器學習的發展史3
1.1.4機器學習的主要策略3
1.1.5機器學習系統的基本結構4
1.1.6機器學習的分類4
1.1.7目前研究領域8
1.2統計模式識別問題9
1.2.1機器學習問題的表示9
1.2.2經驗風險最小化11
1.2.3復雜性與推廣能力11
1.3統計學習理論的核心內容12
1.3.1學習過程一致性的條件13
1.3.2推廣性的界13
1.3.3結構風險最小化15
小結17第2章PAC模型18
引言18
2.1基本的PAC模型18
2.1.1PAC簡介18
2.1.2基本概念18
2.1.3問題框架19
2.2PAC模型樣本復雜度分析20
2.2.1有限空間樣本復雜度20
2.2.2無限空間樣本復雜度21
小結22第3章決策樹學習23
引言23
3.1決策樹學習概述23
3.1.1決策樹24
3.1.2性質25
3.1.3應用25
3.1.4學習26
3.2決策樹設計26
3.2.1決策樹的特點27
3.2.2決策樹的生成27
小結33第4章貝葉斯學習34
引言34
4.1貝葉斯學習34
4.1.1貝葉斯公式34
4.1.2最小誤差決策35
4.1.3正態密度35
4.1.4最大似然估計36
4.2樸素貝葉斯原理及應用37
4.2.1貝葉斯最佳假設原理37
4.2.2Naive Bayes分類37
4.2.3基於Naive Bayes的文本分類器38
4.3HMM（隱性馬氏模型）及應用41
4.3.1馬爾科夫性41
4.3.2馬爾科夫鏈41
4.3.3轉移概率矩陣41
4.3.4HMM（隱性馬爾科夫模型）及應用42
小結44第5章支持向量機45
引言45
5.1支持向量機45
5.2支持向量機的核函數選擇50
5.3支持向量機的實例51
5.4多類支持向量機54
小結54第6章AdaBoost55
引言55
6.1AdaBoost與目標檢測55
6.1.1AdaBoost算法55
6.1.2初始化57
6.2具有強魯棒性的實時目標檢測59
6.2.1矩形特徵選取59
6.2.2積分圖60
6.2.3訓練結果61
6.2.4級聯62
6.3運用統計學的目標檢測63
6.4隨機森林64
6.4.1原理闡述64
6.4.2算法詳解64
6.4.3算法分析64
小結65第7章壓縮感知66
引言66
7.1壓縮感知理論框架66
7.2壓縮感知的基本理論及核心問題67
7.2.1壓縮感知的數學模型67
7.2.2信號的稀疏表示67
7.2.3信號的觀測矩陣68
7.2.4信號的重構算法69
7.3壓縮感知的應用與模擬69
7.3.1應用69
7.3.2人臉識別70
小結72第8章子空間73
引言73
8.1基於主成分分析的特徵提取73
8.2數學模型75
8.3主成分的數學上的計算76
8.3.1兩個線性代數的結論76
8.3.2基於協方差矩陣的特徵值分解76
8.3.3主成分分析的步驟77
8.4主成分分析的性質78
8.5基於主成分分析的人臉識別方法79
小結80第9章深度學習與神經網絡81
引言81
9.1神經網絡及其主要算法81
9.1.1前饋神經網絡81
9.1.2感知器81
9.1.3三層前饋網絡83
9.1.4反向傳播算法84
9.2深度學習86
9.2.1深度學習概述86
9.2.2自編碼算法AutoEncoder87
9.2.3自組織編碼深度網絡88
9.2.4捲積神經網絡模型89
小結92第10章調制捲積神經網絡（MCN）93
10.1概述93
10.2損失函數95
10.3前向捲積96
10.4捲積神經網絡模型的梯度反傳98
10.5MCN網絡的實驗驗證100
10.5.1實驗數據集100
10.5.2實驗與實現細節103第11章強化學習112
引言112
11.1強化學習概述112
11.2強化學習過程113
11.2.1馬爾科夫性113
11.2.2獎勵113
11.2.3估價函數114
11.2.4動態規劃114
11.2.5蒙特卡洛方法115
11.2.6時序差分學習115
11.2.7QLearning117
11.2.8QLearning算法的改進118
11.3程序實現120
參考文獻124
