顶部
  1. 首页
  2. 图书产品
  3. 人工智能的矩阵代数方法：应用篇
收藏

人工智能的矩阵代数方法：应用篇

样章
作者：
张贤达 著， 张远声 校订
定价：
179.00元
ISBN：
978-7-04-055850-0
版面字数：
850.000千字
开本：
16开
全书页数：
暂无
装帧形式：
精装
重点项目：
暂无
出版时间：
2021-11-30
读者对象：
高等教育
一级分类：
计算机/教育技术类
二级分类：
计算机类专业核心课程
三级分类：
离散数学
暂无
  • 第6 章机器学习
    • 6.1 机器学习树
    • 6.2 机器学习中的优化
      • 6.2.1 单目标组合优化
      • 6.2.2 梯度聚合法
      • 6.2.3 坐标下降法
      • 6.2.4 单目标优化的基准函数
    • 6.3 优化最小化算法
      • 6.3.1 优化最小化算法框架
      • 6.3.2 优化最小化算法举例
    • 6.4 提升与概率近似正确学习
      • 6.4.1 弱学习算法提升
      • 6.4.2 概率近似正确学习
    • 6.5 机器学习的基本理论
      • 6.5.1 学习机
      • 6.5.2 机器学习方法
      • 6.5.3 机器学习算法的期望性能
    • 6.6 分类与回归
      • 6.6.1 模式识别与分类
      • 6.6.2 回归
    • 6.7 特征选择
      • 6.7.1 有监督特征选择
      • 6.7.2 无监督特征选择
      • 6.7.3 非线性联合无监督特征选择
    • 6.8 主成分分析
      • 6.8.1 主成分分析基础
      • 6.8.2 次成分分析
      • 6.8.3 主子空间分析
      • 6.8.4 鲁棒主成分分析
      • 6.8.5 稀疏主成分分析
    • 6.9 监督学习回归
      • 6.9.1 主成分回归
      • 6.9.2 偏最小二乘回归
      • 6.9.3 惩罚回归
      • 6.9.4 稀疏重构中的梯度投影
    • 6.10 监督学习分类
      • 6.10.1 二进制线性分类器
      • 6.10.2 多类线性分类器
    • 6.11 监督张量学习
      • 6.11.1 张量代数基础
      • 6.11.2 监督张量学习问题
      • 6.11.3 张量Fisher 判别分析
      • 6.11.4 张量回归学习
      • 6.11.5 张量K 均值聚类
    • 6.12 无监督聚类
      • 6.12.1 相似性测度
      • 6.12.2 分层聚类
      • 6.12.3 无监督聚类的Fisher 判别分析
      • 6.12.4 K 均值聚类
    • 6.13 谱聚类
      • 6.13.1 谱聚类算法
      • 6.13.2 约束谱聚类
      • 6.13.3 快速谱聚类
    • 6.14 半监督学习算法
      • 6.14.1 半监督归纳/直推学习
      • 6.14.2 自训练
      • 6.14.3 协同训练
    • 6.15 典型相关分析
      • 6.15.1 典型相关分析算法
      • 6.15.2 核典型相关分析
      • 6.15.3 惩罚典型相关分析
    • 6.16 图机器学习
      • 6.16.1 图
      • 6.16.2 图拉普拉斯矩阵
      • 6.16.3 图谱
      • 6.16.4 图信号处理
      • 6.16.5 半监督图学习: 调和函数法
      • 6.16.6 半监督图学习: 最小割集法
      • 6.16.7 无监督图学习: 稀疏编码法
    • 6.17 主动学习
      • 6.17.1 主动学习的背景
      • 6.17.2 统计主动学习
      • 6.17.3 主动学习算法
      • 6.17.4 基于主动学习的二元线性分类器
      • 6.17.5 使用极限学习机的主动学习
    • 6.18 强化学习
      • 6.18.1 基本概念与理论
      • 6.18.2 马尔可夫决策过程
    • 6.19 Q 学习
      • 6.19.1 基本Q 学习
      • 6.19.2 双Q 学习与加权双Q 学习
      • 6.19.3 在线连接Q 学习算法
      • 6.19.4 Q 体验式学习
    • 6.20 迁移学习
      • 6.20.1 符号与定义
      • 6.20.2 迁移学习的分类
      • 6.20.3 迁移学习的提升
      • 6.20.4 多任务学习
      • 6.20.5 特征迁移
    • 6.21 域适应
      • 6.21.1 特征增强法
      • 6.21.2 跨域变换法
      • 6.21.3 迁移成分分析法
    • 本章小结
    • 参考文献
  • 第7 章神经网络
    • 7.1 神经网络树
    • 7.2 从现代神经网络到深度学习
    • 7.3 神经网络的优化
      • 7.3.1 在线优化问题
      • 7.3.2 自适应梯度算法
      • 7.3.3 自适应矩估计
    • 7.4 激活函数
      • 7.4.1 逻辑斯谛回归与S 型函数
      • 7.4.2 Softmax 回归与softmax 函数
      • 7.4.3 其他激活函数
    • 7.5 反馈神经网络
      • 7.5.1 常规反馈神经网络
      • 7.5.2 时间反向传播(BPTT)
      • 7.5.3 Jordan 网络和Elman 网络
      • 7.5.4 双向反馈神经网络
      • 7.5.5 长短期记忆(LSTM)
      • 7.5.6 长短期记忆的改进
    • 7.6 Boltzmann 机
      • 7.6.1 Hopfield 网络与Boltzmann 机
      • 7.6.2 受限Boltzmann 机
      • 7.6.3 对比散度学习
      • 7.6.4 多重受限Boltzmann 机
    • 7.7 贝叶斯神经网络
      • 7.7.1 朴素贝叶斯分类
      • 7.7.2 贝叶斯分类理论
      • 7.7.3 稀疏贝叶斯学习
    • 7.8 卷积神经网络
      • 7.8.1 Hankel 矩阵与卷积
      • 7.8.2 池化层
      • 7.8.3 卷积神经网络的激活函数
      • 7.8.4 损失函数
    • 7.9 丢弃学习
      • 7.9.1 浅层与深层学习的丢弃学习
      • 7.9.2 丢弃学习球形K 均值聚类
      • 7.9.3 丢弃学习连接
    • 7.10 自动编码器
      • 7.10.1 基本自动编码器
      • 7.10.2 堆栈稀疏自动编码器
      • 7.10.3 堆栈去噪自动编码器
      • 7.10.4 卷积自动编码器
      • 7.10.5 堆栈卷积去噪自动编码器
      • 7.10.6 非负稀疏自动编码器
    • 7.11 极限学习机
      • 7.11.1 具有随机隐藏节点的单隐层前馈网络
      • 7.11.2 回归与二元分类的极限学习机算法
      • 7.11.3 多类分类的极限学习机算法
    • 7.12 图嵌入
      • 7.12.1 接近度与图嵌入
      • 7.12.2 多维标度
      • 7.12.3 流形学习: 等距映射
      • 7.12.4 流形学习: 局部线性嵌入
      • 7.12.5 流形学习: 拉普拉斯特征映射
    • 7.13 网络嵌入
      • 7.13.1 结构与属性保持的网络嵌入
      • 7.13.2 社区保持的网络嵌入
      • 7.13.3 高阶接近度保持的网络嵌入
    • 7.14 图域神经网络
      • 7.14.1 图神经网络
      • 7.14.2 DeepWalk 与GraphSAGE
      • 7.14.3 图卷积网络
    • 7.15 批量规格化网络
      • 7.15.1 批量规格化
      • 7.15.2 批量规格化的变形与扩展
    • 7.16 生成对抗网络
      • 7.16.1 生成对抗网络框架
      • 7.16.2 双向生成对抗网络
      • 7.16.3 变分自动编码器
    • 本章小结
    • 参考文献
  • 第8 章支持向量机
    • 8.1 支持向量机基本理论
      • 8.1.1 统计学习理论
      • 8.1.2 线性支持向量机
    • 8.2 核回归方法
      • 8.2.1 再生核与Mercer 核
      • 8.2.2 表示定理与核回归
      • 8.2.3 半监督与图回归
      • 8.2.4 核偏最小二乘回归
      • 8.2.5 拉普拉斯支持向量机
    • 8.3 支持向量机回归
      • 8.3.1 支持向量机回归器
      • 8.3.2 ϵ 支持向量回归
      • 8.3.3 ν 支持向量机回归
    • 8.4 支持向量机二元分类
      • 8.4.1 支持向量机二元分类器
      • 8.4.2 ν 支持向量二元分类器
      • 8.4.3 最小二乘支持向量机二元分类器
      • 8.4.4 近似支持向量机二元分类器
      • 8.4.5 支持向量机递推特征消除
    • 8.5 支持向量机多类分类
      • 8.5.1 多类分类的分解方法
      • 8.5.2 最小二乘支持向量机多类分类器
      • 8.5.3 近似支持向量机多类分类器
    • 8.6 回归与分类的高斯过程
      • 8.6.1 联合概率、边缘概率与条件概率
      • 8.6.2 高斯过程
      • 8.6.3 高斯过程回归
      • 8.6.4 高斯过程分类
    • 8.7 相关向量机
      • 8.7.1 稀疏贝叶斯回归
      • 8.7.2 稀疏贝叶斯分类
      • 8.7.3 快速边缘似然最大化
    • 本章小结
    • 参考文献
  • 第9 章演化计算
    • 9.1 演化计算树
    • 9.2 多目标优化
      • 9.2.1 多目标组合优化
      • 9.2.2 多目标优化问题
    • 9.3 帕累托优化理论
      • 9.3.1 帕累托概念
      • 9.3.2 适应度选择法
      • 9.3.3 非支配排序法
      • 9.3.4 拥挤距离分配法
      • 9.3.5 分层聚类法
      • 9.3.6 多目标优化的基准函数
    • 9.4 含噪多目标优化
      • 9.4.1 含噪多目标优化的帕累托概念
      • 9.4.2 逼近集合的性能测度
    • 9.5 多目标模拟退火
      • 9.5.1 模拟退火原理
      • 9.5.2 多目标模拟退火算法
      • 9.5.3 存档多目标模拟退火
    • 9.6 遗传算法
      • 9.6.1 基本遗传算法运算
      • 9.6.2 具有基因重排的遗传算法
    • 9.7 非支配多目标遗传算法
      • 9.7.1 适应度函数
      • 9.7.2 适应度选择
      • 9.7.3 非支配排序遗传算法
      • 9.7.4 精英非支配排序遗传算法
    • 9.8 进化算法
      • 9.8.1 (1 + 1) 进化算法
      • 9.8.2 进化算法的理论分析
    • 9.9 多目标进化算法
      • 9.9.1 求解多目标优化问题的经典方法
      • 9.9.2 基于分解的多目标进化算法
      • 9.9.3 增强帕累托进化算法
      • 9.9.4 成就标量化函数
    • 9.10 演化规划
      • 9.10.1 经典演化规划
      • 9.10.2 快速演化规划
      • 9.10.3 混合演化规划
    • 9.11 差分演化
      • 9.11.1 经典差分演化
      • 9.11.2 差分演化的变形
    • 9.12 蚁群优化
      • 9.12.1 真实蚂蚁与人工蚂蚁
      • 9.12.2 典型蚁群优化问题
      • 9.12.3 蚂蚁系统与蚁群系统
    • 9.13 多目标人工蜂群算法
      • 9.13.1 人工蜂群算法
      • 9.13.2 人工蜂群算法的变形
    • 9.14 粒子群优化
      • 9.14.1 基本概念
      • 9.14.2 典型粒子群
      • 9.14.3 遗传学习粒子群优化
      • 9.14.4 特征选择的粒子群优化
    • 9.15 基于对立的演化计算
      • 9.15.1 对立学习
      • 9.15.2 基于对立的差分演化
      • 9.15.3 对立学习的两种变形
    • 本章小结
    • 参考文献
  • 索引
  • 后记

相关图书

人工智能的矩阵代数方法：应用篇

张贤达 著， 张远声 校订

￥179.00 收藏

离散数学及其应用

傅彦 顾小丰 王庆先 刘启和

￥33.00 收藏

离散数学及其应用

傅彦 顾小丰 王庆先 刘启和

￥38.00 收藏

离散数学及其应用

屈婉玲 耿素云 张立昂

￥33.00 收藏

离散数学及其应用——Python建模与实现

马殿富等

￥59.00 收藏

离散数学及其应用（第2版）

傅彦 等

￥43.00 收藏

离散数学及其应用（第2版）

屈婉玲 耿素云 张立昂

￥37.00 收藏

离散数学及其应用（第3版）

傅彦 等

￥57.00 收藏

离散数学结构——理论与应用(翻译版)

邱仲潘

￥72.00 收藏

离散数学结构——理论与应用（影印版）

D.S. Malik, M.K. Sen

￥47.00 收藏

相关数字化产品

离散数学期末考试专项辅导

郭云莲

￥58.00 收藏