機器學習應用案例與設計

羅光聖、方志軍

機器學習應用案例與設計 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2024-09-01
  • 定價: $390
  • 售價: 8.5 折 $332
  • 語言: 簡體中文
  • ISBN: 7302672938
  • ISBN-13: 9787302672937
  • 相關分類: Machine Learning

    • 下單後立即進貨 (約4週~6週)

  • 機器學習應用案例與設計-preview-1
  • 機器學習應用案例與設計-preview-2
  • 機器學習應用案例與設計-preview-3
機器學習應用案例與設計-preview-1

相關主題

商品描述

機器學習是人工智能的重要技術基礎，涉及的內容十分廣泛。本書內容涵蓋了機器學習的基礎知識，主要包括機器學習的概論、統計學習基礎、分類、聚類、神經網絡、貝葉斯網絡、支持向量機、進化計算、文本分析等經典的機器學習理論知識，也包括用於大數據機器學習的分佈式機器學習算法、深度學習和加強學習等高等級內容。此外，還介紹了機器學習的熱門應用領域技術，並給出了華為機器學習平臺上的實驗。本書深入淺出、內容全面、案例豐富，每章後都有習題和參考文獻，便於鞏固學習，適用於高等院校本科生、研究生機器學習、數據分析、數據挖掘等課程的教材，也可作為對機器學習感興趣的研究人員和工程技術人員的參考資料。

目錄大綱

目錄

第1章機器學習緒論

1.1機器學習簡介 / 

1.1.1機器學習簡史 / 

1.1.2機器學習主要流派 / 

1.2人工智能與機器學習的關系 / 

1.2.1什麽是人工智能 / 

1.2.2機器學習、人工智能的關系 / 

1.3典型機器學習應用領域 / 

1.4機器學習算法 / 

1.4.1線性回歸 / 

1.4.2邏輯回歸 / 

1.4.3決策樹 / 

1.4.4支持向量機 / 

1.4.5線性支持向量機 / 

1.4.6非線性支持向量機 / 

1.4.7隨機森林 / 

1.4.8k-均值算法 / 

1.4.9PCA算法 / 

1.4.10關聯規則學習算法 / 

1.5機器學習的一般流程 / 

習題 / 

第2章數據降維與特徵工程

2.1數據降維的基本概念 / 

2.1.1數據降維的目的 / 

2.1.2數據降維的一般原理 / 

2.1.3數據降維的本質 / 

2.1.4特徵工程的基本概念 / 

2.1.5特徵工程的目標 / 

2.1.6特徵工程的本質 / 

2.1.7特徵工程的特徵選取方法 / 

2.1.8特徵工程的基本原理 / 

2.2高維數據降維 / 

2.2.1主成分分析 / 

2.2.2奇異值分解 / 

2.2.3線性判別分析 / 

2.2.4局部線性嵌入 / 

2.2.5拉普拉斯特徵映射 / 

2.3特徵工程分析 / 

2.3.1特徵構造 / 

2.3.2特徵選擇 / 

2.3.3特徵提取 / 

2.4模型訓練 / 

2.4.1模型訓練常見術語 / 

2.4.2訓練數據收集 / 

2.5數據降維與特徵工程實踐 / 

2.5.1數據降維應用場景 / 

2.5.2數據降維常用工具 / 

2.5.3特徵工程的應用場景 / 

2.5.4特徵工程的應用工具 / 

2.5.5數據降維面臨的挑戰 / 

2.5.6特徵工程面臨的挑戰 / 

習題 / 

第3章決策樹與分類算法

3.1決策樹算法 / 

3.1.1分支處理 / 

3.1.2連續屬性離散化 / 

3.1.3過擬合問題 / 

3.1.4分類效果評價 / 

3.2集成學習 / 

3.2.1裝袋法 / 

3.2.2提升法 / 

3.2.3梯度提升決策樹 / 

3.2.4XGBoost算法 / 

3.2.5隨機森林 / 

3.3決策樹應用 / 

習題 / 

第4章聚類分析

4.1聚類分析概念 / 

4.1.1聚類方法分類 / 

4.1.2良好聚類算法的特徵 / 

4.2聚類分析的度量 / 

4.2.1外部指標 / 

4.2.2內部指標 / 

4.3基於劃分的聚類 / 

4.3.1k-均值算法 / 

4.3.2k-medoids算法 / 

4.3.3k-prototype算法 / 

4.4基於密度的聚類 / 

4.4.1DBSCAN算法 / 

4.4.2OPTICS算法 / 

4.4.3DENCLUE算法 / 

4.5基於層次的聚類 / 

4.5.1BIRCH聚類 / 

4.5.2CURE算法 / 

4.6基於網格的聚類 / 

4.6.1網格聚類的基本概念 / 

4.6.2網格聚類的主要步驟 / 

4.6.3基於網格的一些方法 / 

4.6.4網格聚類算法的優缺點 / 

4.7基於模型的聚類 / 

4.7.1概率模型聚類 / 

4.7.2模糊聚類 / 

4.7.3Kohonen神經網絡聚類 / 

習題 / 

第5章文本分析

5.1文本分析概述 / 

5.2文本特徵提取及表示 / 

5.2.1TF-IDF / 

5.2.2信息增益 / 

5.2.3互信息 / 

5.2.4卡方統計量 / 

5.2.5詞嵌入 / 

5.2.6語言模型 / 

5.2.7向量空間模型 / 

5.3TF-IDF應用案例 / 

5.3.1關鍵詞自動提取 / 

5.3.2找相似文章 / 

5.3.3自動摘要 / 

5.3.4文獻檢索 / 

5.4詞法分析 / 

5.4.1文本分詞 / 

5.4.2命名實體識別 / 

5.4.3詞義消歧 / 

5.5句法分析 / 

5.6語義分析 / 

5.7文本分析的應用 / 

5.7.1文本分類 / 

5.7.2信息抽取 / 

5.7.3問答系統 / 

5.7.4情感分析 / 

5.7.5摘要生成 / 

習題 / 

第6章神經網絡

6.1神經網絡的工作方式和分類 / 

6.1.1前饋神經網絡 / 

6.1.2反饋神經網絡 / 

6.1.3自組織神經網絡 / 

6.2神經網絡的相關概念 / 

6.2.1激活函數 / 

6.2.2損失函數 / 

6.2.3學習率 / 

6.2.4過擬合與網絡正則化 / 

6.2.5預處理 / 

6.2.6訓練方式 / 

6.2.7模型訓練中的問題 / 

6.2.8神經網絡效果評價 / 

6.3神經網絡應用 / 

習題 / 

第7章貝葉斯網絡

7.1貝葉斯理論概述 / 

7.2貝葉斯概率基礎 / 

7.2.1概率論 / 

7.2.2貝葉斯概率 / 

7.3樸素貝葉斯分類模型 / 

7.4貝葉斯網絡推理 / 

7.4.1貝葉斯網絡 / 

7.4.2貝葉斯網絡的學習 / 

7.4.3貝葉斯網絡的推斷 / 

7.5貝葉斯網絡的應用 / 

7.5.1中文分詞 / 

7.5.2故障診斷 / 

7.5.3疾病診斷 / 

習題 / 

第8章支持向量機

8.1線性可分支持向量機 / 

8.1.1間隔與超平面 / 

8.1.2支持向量機 / 

8.1.3對偶問題求解 / 

8.1.4軟間隔 / 

8.2非線性支持向量機 / 

8.2.1非線性支持向量機原理 / 

8.2.2常見核函數 / 

8.3支持向量機的應用 / 

習題 / 

第9章聯邦機器學習

9.1聯邦機器學習基礎 / 

9.1.1參數服務器 / 

9.1.2聯邦並行計算類型 / 

9.2聯邦機器學習框架 / 

9.3聯邦決策樹 / 

9.4聯邦k-均值算法 / 

習題 / 

第10章深度學習基礎

10.1捲積神經網絡 / 

10.1.1捲積神經網絡簡介 / 

10.1.2捲積神經網絡的結構 / 

10.1.3捲積神經網絡的訓練 / 

10.1.4常見捲積神經網絡 / 

10.2循環神經網絡 / 

10.2.1RNN基本原理 / 

10.2.2長短期記憶網絡 / 

10.2.3門限循環單元 / 

10.2.4循環神經網絡的其他改進 / 

10.3深度學習流行框架 / 

10.3.1Torch / 

10.3.2TensorFlow / 

10.3.3Caffe / 

10.3.4Keras / 

10.3.5MxNet / 

10.3.6Deeplearning4j / 

習題 / 

第11章高級深度學習

11.1高級循環神經網絡 / 

11.1.1詞嵌入 / 

11.1.2自註意力模型 / 

11.1.3多頭註意力機制 / 

11.1.4Transformer / 

11.1.5BERT模型 / 

11.2無監督式深度學習 / 

11.2.1深度信念網絡 / 

11.2.2自動編碼器網絡 / 

11.3生成對抗網絡 / 

11.3.1生成對抗網絡基本原理 / 

11.3.2常見的生成對抗網絡 / 

11.4遷移學習 / 

習題 / 

參考文獻

類似商品