图书信息
图书目录
机器学习
本书是新一代人工智能实践系列教材之一，共分为9章，第1章为引论，第2–7章介绍有监督学习算法，包括感知机、Logistic回归、支持向量机、神经网络、决策树以及贝叶斯模型。第8章介绍无监督学习算法，第9章讨论数据的表示和特征降维。
本书可作为人工智能专业、智能科学与技术专业以及计算机类相关专业的本科生及研究生学习机器学习技术的教材，同时也可作为对人工智能、机器学习技术感兴趣的科技人员、计算机爱好者及各类自学人员的参考书。
作者：
胡清华 杨柳
定价：
39.00 元
出版时间：
2024-04-01
ISBN：
978-7-04-058857-6
物料号：
58857-00
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：
人工智能
重点项目：
暂无
版面字数：
340千字
开本：
16开
装帧形式：
平装
页数：
暂无
最新印次时间：
2025年01月
- 目录
- 前辅文
- 第1章 引论
- 1.1 机器学习的定义
- 1.2 机器学习算法的分类
- 1.3 机器学习的发展历史
- 1.3.1 神经网络与深度学习
- 1.3.2 决策树算法系列
- 1.3.3 无监督学习
- 1.3.1 神经网络与深度学习
- 1.4 评价指标
- 1.4.1 分类算法的评价指标
- 1.4.2 聚类算法的评价指标
- 1.4.1 分类算法的评价指标
- 1.5 机器学习技术的应用
- 1.5.1 分类技术的应用
- 1.5.2 回归技术的应用
- 1.5.3 聚类算法的应用
- 1.5.1 分类技术的应用
- 参考文献
- 1.1 机器学习的定义
- 第2章 感知机
- 2.1 感知机的发展历史
- 2.2 感知机模型
- 2.3 感知机学习
- 2.3.1 感知机学习算法
- 2.3.2 感知机算法收敛性
- 2.3.1 感知机学习算法
- 2.4 二分类感知机到多分类感知机的推广
- 2.5 本章概要
- 2.6 扩展阅读
- 2.7 习题
- 2.8 实践: 利用scikit-learn实现一个感知机
- 参考文献
- 2.1 感知机的发展历史
- 第3章 Logistic回归
- 3.1 Logistic回归的发展历史
- 3.2 Logistic回归模型
- 3.3 模型参数估计
- 3.4 多项Logistic回归
- 3.5 本章概要
- 3.6 扩展阅读
- 3.7 习题
- 3.8 实践: 利用scikit-learn建立一个Logistic回归模型
- 参考文献
- 3.1 Logistic回归的发展历史
- 第4章 支持向量机
- 4.1 支持向量机的发展历史
- 4.2 硬间隔支持向量机
- 4.2.1 间隔最大化
- 4.2.2 参数学习
- 4.2.1 间隔最大化
- 4.3 软间隔线性支持向量机
- 4.3.1 软间隔最大化
- 4.3.2 参数学习
- 4.3.1 软间隔最大化
- 4.4 非线性支持向量机
- 4.4.1 核函数
- 4.4.2 常用核函数
- 4.4.3 非线性支持向量机
- 4.4.1 核函数
- 4.5 多核学习
- 4.5.1 多核学习
- 4.5.2 多核学习原始问题
- 4.5.3 多核学习对偶问题
- 4.5.1 多核学习
- 4.6 快速的SVM 方法
- 4.7 本章概要
- 4.8 扩展阅读
- 4.9 习题
- 4.10 实践: 利用scikit-learn建立一个SVM模型
- 参考文献
- 4.1 支持向量机的发展历史
- 第5章 神经网络
- 5.1 神经网络的发展历史
- 5.2 多层神经元
- 5.3 前馈神经网络
- 5.3.1 前馈神经网络的结构
- 5.3.2 网络参数学习
- 5.3.1 前馈神经网络的结构
- 5.4 反向传播算法
- 5.5 卷积神经网络
- 5.5.1 卷积
- 5.5.2 卷积神经网络
- 5.5.3 卷积神经网络的反向传播算法
- 5.5.4 几种典型的卷积神经网络
- 5.5.1 卷积
- 5.6 递归神经网络与长短期记忆网络
- 5.6.1 递归神经网络
- 5.6.2 长短期记忆网络
- 5.6.1 递归神经网络
- 5.7 本章概要
- 5.8 扩展阅读
- 5.9 习题
- 5.10 实践: 利用scikit-learn建立一个神经网络模型
- 参考文献
- 5.1 神经网络的发展历史
- 第6章 决策树
- 6.1 决策树的发展历史
- 6.2 决策树模型
- 6.2.1 决策树结构
- 6.2.2 决策树与if-then规则
- 6.2.3 特征选择问题
- 6.2.4 决策树学习
- 6.2.1 决策树结构
- 6.3 ID3算法
- 6.3.1 信息增益
- 6.3.2 ID3的生成算法
- 6.3.1 信息增益
- 6.4 C4.5算法
- 6.4.1 信息增益比
- 6.4.2 C4.5的生成算法
- 6.4.1 信息增益比
- 6.5 CART算法
- 6.6 决策树的剪枝
- 6.6.1 剪枝算法
- 6.6.2 CART剪枝
- 6.6.1 剪枝算法
- 6.7 本章概要
- 6.8 扩展阅读
- 6.9 习题
- 6.10 实践: 利用scikit-learn建立一个决策树模型
- 参考文献
- 6.1 决策树的发展历史
- 第7章 贝叶斯模型
- 7.1 贝叶斯模型的发展历史
- 7.2 贝叶斯法则
- 7.3 朴素贝叶斯分类器
- 7.3.1 朴素贝叶斯模型
- 7.3.2 参数估计方法
- 7.3.1 朴素贝叶斯模型
- 7.4 贝叶斯信念网络
- 7.4.1 基本概念与定义
- 7.4.2 求解方法
- 7.4.1 基本概念与定义
- 7.5 贝叶斯神经网络
- 7.6 本章概要
- 7.7 扩展阅读
- 7.8 习题
- 7.9 实践: 利用scikit-learn建立一个贝叶斯概率模型
- 参考文献
- 7.1 贝叶斯模型的发展历史
- 第8章 聚类
- 8.1 聚类方法的发展历史
- 8.2 k均值聚类
- 8.2.1 k均值模型
- 8.2.2 k均值策略
- 8.2.3 k均值算法
- 8.2.4 算法特性
- 8.2.1 k均值模型
- 8.3 谱聚类
- 8.3.1 谱聚类模型
- 8.3.2 谱聚类图构造
- 8.3.3 谱聚类策略
- 8.3.4 谱聚类算法
- 8.3.5 谱聚类算法特性
- 8.3.1 谱聚类模型
- 8.4 层次聚类
- 8.4.1 凝聚层次聚类
- 8.4.2 分裂层次聚类
- 8.4.1 凝聚层次聚类
- 8.5 子空间聚类
- 8.5.1 高维数据分析方法
- 8.5.2 子空间聚类
- 8.5.3 轴平行子空间聚类
- 8.5.1 高维数据分析方法
- 8.6 扩展阅读
- 8.7 习题
- 8.8 实践: 利用scikit-learn建立一个聚类模型
- 参考文献
- 8.1 聚类方法的发展历史
- 第9章 特征降维
- 9.1 特征降维的发展历史
- 9.2 特征选择
- 9.2.1 子集搜索与评价
- 9.2.2 过滤式选择
- 9.2.3 包裹式选择
- 9.2.4 嵌入式选择与L1正则化
- 9.2.5 稀疏表示与字典学习
- 9.2.1 子集搜索与评价
- 9.3 特征变换
- 9.3.1 低维嵌入
- 9.3.2 主成分分析
- 9.3.3 核化线性降维
- 9.3.4 流形学习
- 9.3.5 典型关联分析算法
- 9.3.6 t-SNE算法
- 9.3.1 低维嵌入
- 9.4 扩展阅读
- 9.5 习题
- 9.6 实践: 利用scikit-learn建立一个PCA模型
- 参考文献
- 9.1 特征降维的发展历史
- 附录A
- A.1 全场景AI框架MindSpore
- A.1.1 MindSpore的设计理念
- A.1.2 MindSpore的层次结构
- A.1.1 MindSpore的设计理念
- A.2 前馈神经网络
- A.3 基于MobileNetV2网络实现Fine-tune
- A.1 全场景AI框架MindSpore
- 附录B
- 前辅文
相关图书
1