機器學習經典算法與案例實戰

袁建軍

機器學習經典算法與案例實戰 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2024-07-01
  • 定價: $299
  • 售價: 8.5 折 $254
  • 語言: 簡體中文
  • ISBN: 7302662088
  • ISBN-13: 9787302662082
  • 相關分類: Machine Learning

    • 下單後立即進貨 (約4週~6週)

  • 機器學習經典算法與案例實戰-preview-1
  • 機器學習經典算法與案例實戰-preview-2
  • 機器學習經典算法與案例實戰-preview-3
機器學習經典算法與案例實戰-preview-1

相關主題

商品描述

"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註意的問題，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。第一部分（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，每章後均附有習題。 本書適合作為各類高等院校電腦、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。 "

目錄大綱

 

目錄

 

 

 

 

 

 

隨書資源

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

第一部分理 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電腦視覺

 

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

 

4.1什麽是決策樹

 

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後剪枝

 

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捲積自編碼器圖像降噪

 

11.2.1捲積自編碼器原理簡述

 

11.2.2捲積自編碼器降噪原理

 

11.2.3捲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捲積神經網絡

 

12.2.1捲積神經網絡原理簡介

 

12.2.2深度捲積神經網絡案例——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

 

 

 

 

 

類似商品