機器學習

胡曉

機器學習
  • 出版商: 機械工業
  • 出版日期: 2024-11-01
  • 定價: $414
  • 售價: 8.5 折 $352
  • 語言: 簡體中文
  • 頁數: 390
  • ISBN: 7111764935
  • ISBN-13: 9787111764939
  • 相關分類: Machine Learning

    • 下單後立即進貨 (約4週~6週)

買這商品的人也買了...

相關主題

商品描述

本書系統闡述了機器學習的基本理論、算法和實現。全書共11章：第1章著重介紹了機器學習的基本知識；第2章介紹了樣本數據預處理和提取的傳統算法（如PCA和LDA），並增加了流形學習和稀疏表征等理論；第3~8章系統介紹了傳統機器學習算法，如監督學習（貝葉斯、近鄰、線性模型、非線性模型和集成學習）和非監督學習（聚類）；第9、10章分別介紹了概率圖模型和人工神經網絡的基本理論；第11章著重講述了強化學習的基本理論和算法。 本書針對理論難點，插入了可視化圖，引導讀者對理論的理解；每章配有習題，以便指導讀者深入地進行學習。每章還配有基於Python的實驗，便於工程類讀者快速將理論轉化為實踐應用，也方便學術型讀者編程實現。 本書既可作為高等院校本科和研究生人工智能、控制工程、信息處理和智能制造等相關專業的課程教材，也可作為信息系統開發和大數據分析人員的技術參考書。

作者簡介

胡曉，廣州大學教授，從事電子信息、電氣工程、自動化等相關專業的本科教學，曾主持廣東省教育廳教研改革項目1項，發表教研論文3篇。曾三次獲 “最受學生歡迎老師”和三次 “教學優秀一等獎”，於2009年獲得“南粵優秀教師”。從事類腦機器視覺類腦機器學習、機器視覺和智能控制等相關領域研究，主持國家和廣東省自然科學基金項目各1項，廣東省科技計劃項目1項和廣州市資助科研項目2項。在Pattern Recognition等期刊SCI檢索和人工智能國際會議(AAAI-20)發表學術論文9篇。獲省科技進步獎三等獎1項。 目前為Transactions on Image Processing等國際期刊審稿。

目錄大綱

前言
第1章 基本知識
1.1 什麽是機器學習
1.1.1 屬性
1.1.2 標注
1.2 機器學習的分類
1.2.1 監督與無監督學習
1.2.2 分類與回歸
1.3 模型評估
1.3.1 分類模型評估
1.3.2 回歸模型評估
1.4 優化
1.4.1 損失函數
1.4.2 目標函數
1.4.3 最小二乘法
1.4.4 梯度下降法
1.4.5 梯度修正
1.4.6 學習率調整
1.5 小結與拓展
實驗一：模型評價函數編程實驗
習題
參考文獻
第2章 表征學習
2.1 表征學習的目的
2.2 數據預處理
2.3 主成分分析
2.3.1 目標函數
2.3.2 基於主成分分析表征學習模型
2.3.3 人臉PCA表征學習
2.4 線性鑒別分析
2.4.1 類內散布矩陣和類間散布矩陣
2.4.2 類可判別性測度
2.4.3 LDA原理
2.4.4 人臉的LDA表征學習
2.5 多維縮放
2.6 流形學習
2.6.1 流形
2.6.2 等度量映射
2.6.3 局部線性嵌入
2.7 隨機近鄰嵌入
2.7.1 基本隨機近鄰嵌入
2.7.2 t分布隨機近鄰嵌入
2.8 稀疏表征
2.8.1 壓縮感知
2.8.2 重構算法
2.8.3 字典學習
2.8.4 壓縮感知在人臉識別中的應用
2.9 小結與拓展
實驗二：表征學習實驗
習題
參考文獻
第3章 貝葉斯分類器
3.1 貝葉斯基本概念
3.2 貝葉斯決策準則
3.3 高斯混合模型
3.4 未知概率密度函數估計
3.4.1 極大似然估計
3.4.2 極大後驗概率估計
3.4.3 期望極大算法
3.5 樸素貝葉斯
3.6 拉普拉斯平滑
3.7 小結與拓展
實驗三：貝葉斯分類器實驗
習題
第4章 近鄰分類器
4.1 近鄰規則
4.2 加權近鄰分類器
4.3 近鄰分類器加速策略
4.3.1 移除消極樣本
4.3.2 構建搜索樹
4.3.3 部分維度距離計算
4.4 小結與拓展
實驗四：近鄰分類器實驗
習題
參考文獻
第5章 線性模型
5.1 二類線性模型
5.2 Lasso回歸
5.2.1 Lasso回歸求解
5.2.2 坐標軸下降法
5.3 邏輯回歸
5.4 支持向量機
5.4.1 線性可分支持向量機
5.4.2 近似線性可分支持向量機
5.5 多類線性模型
5.5.1 基本策略
5.5.2 Softmax回歸
5.6 類不平衡問題
5.6.1 閾值移動
5.6.2 數據再平衡
5.7 小結與拓展
實驗五：線性模型實驗
習題
參考文獻
第6章 非線性模型
6.1 二次判別分析
6.2 核方法
6.2.1 希爾伯特空間
6.2.2 核函數
6.2.3 常用核函數
6.2.4 核函數的應用
6.3 小結與拓展
實驗六：非線性模型實驗
習題
參考文獻
第7章 集成學習
7.1 集成學習理論依據
7.2 集成學習機制
7.3 決策樹
7.3.1 什麽是決策樹
7.3.2 ID3和C4.5
7.3.3 分類回歸樹
7.3.4 剪枝
7.4 隨機森林
7.5 自適應助推
7.5.1 學習過程
7.5.2 基本原理
7.6 小結與拓展
實驗七：集成學習實驗
習題
參考文獻
第8章 聚類
8.1 聚類基本理論
8.1.1 聚類的性質
8.1.2 相似性測度
8.1.3 類簇中心
8.1.4 聚類算法評價指標
8.2 K均值聚類
8.3 層次聚類
8.3.1 凝聚築巢
8.3.2 平衡叠代削減層次聚類
8.4 密度聚類
8.4.1 DBSCAN
8.4.2 高斯混合聚類
8.5 小結與拓展
實驗八：聚類實驗
習題
參考文獻
第9章 概率圖模型
9.1 聯合概率
9.2 概率有向圖模型
9.2.1 基本概念
9.2.2 有向分離
9.2.3 貝葉斯網絡
9.2.4 隱馬爾可夫模型
9.3 概率無向圖模型
9.3.1 條件獨立性
9.3.2 團和勢函數
9.3.3 條件隨機場
9.3.4 馬爾可夫隨機場在圖像處理中的應用
9.3.5 條件隨機場在自然語言處理中的應用
9.4 因子圖與和積算法
9.4.1 因子圖
9.4.2 置信傳播
9.5 小結與拓展
實驗九：概率圖模型實驗
習題
參考文獻
第10章 人工神經網絡
10.1 神經元及其基本模型
10.2 激活函數
10.2.1 飽和激活函數
10.2.2 校正線性單元
10.2.3 swish激活函數
10.2.4 其他激活函數
10.3 感知機
10.3.1 參數學習
10.3.2 感知機的異或難題
10.4 前饋神經網絡
10.4.1 前饋神經網絡模型
10.4.2 三層前向神經網絡實現異或門
10.4.3 反向傳播算法
10.5 卷積神經網絡
10.5.1 互相關和卷積
10.5.2 卷積神經網絡架構
10.5.3 卷積神經網絡殘差反向傳播
10.6 簡單卷積神經網絡
10.6.1 LeNet-5
10.6.2 AlexNet
10.6.3 VGGNet
10.6.4 Inception
10.6.5 ResNet
10.7 小結與拓展
實驗十：人工神經網絡實驗

類似商品