图书详情
¥69.0

机器学习原理及应用

作者：安俊秀 靳宇倡 陈宏松 陶全桧 马振明 等

编辑：张晓芬

浏览：381

推荐：0

收藏：0

详情

内容介绍

本书全面介绍了机器学习的基础知识和主要技术以及其应用，全书共 10 章，首先对机器学习进行概述，并介绍机器学习的相关算法，如回归算法、分类算法、结构化学习、无监督学习；接着对机器学习聚类算法、深度学习、强化学习等算法原理及实现过程进行了简要介绍，以便于实际应用分析；最后介绍自然语言处理、推荐系统原理，并通过两个案例让读者认识和理解机器学习，实现理论与实践的有机结合。

相关信息

图书名称：机器学习原理及应用
ISBN：978-7-115-61684-5
作者：安俊秀 靳宇倡 陈宏松 陶全桧 马振明 等
编辑：张晓芬
从书名：无
开本：16开
页数：256
印刷色数：单色
出版状态：已出版
出版日期：2024-06-01
作者简介：安俊秀 访问学者，硕士生导师。软件自动生成与智能服务四川省重点实验室学术带头人(知识本体和大数据方向)。并行计算与大数据研究所负责人，长期从事数据科学与大数据相关的研究与教学工作，已发表研究领域相关论文40余篇，主编大数据与人工智能方面专著或教材10余部，均由国家级出版社出版。大数据时代人际交往研究，ISBN 978-7-5096-8037-7，经济管理出版社，2021.8，2000 Python大数据处理与分析，ISBN 978-7-115-55685-1，人民邮电出版社，2021.7，5000 Python 3从入门到精通，ISBN 978-7-115-54093-5，人民邮电出版社，2021.4，6000 Hadoop大数据处理技术基础与实践（第2版｜微课版），ISBN 978-7-115-54568-8人民邮电出版社，2020.09，20000 大数据导论ISBN 978-7-115-53704-1，2020.9，人民邮电出版社，10000

特别说明

机器学习原理及实战

本书卖点

1.本书作者是多年从事一线教学工作的教师，具有较为丰富的教学经验。
2.本书注重原理与实践紧密结合，内容通俗易懂，实战性高，可读性强。
3.系统性强，结构合理，将机器学习的各个知识点串联起来，让读者对机器学习有一个全面的系统化的认识和理解。
4.理论完备，案例丰富且贴合实际应用场景，助力读者进入机器学习领域。
5.每个章节后均配有课后习题，既便于教学，又便于自学。

目录

第1章 机器学习概述 1
1.1 人工智能概述 1
1.1.1 人工智能发展历程 1
1.1.2 人工智能与机器学习 3
1.2 机器学习的两大学派 6
1.2.1 频率学派 6
1.2.2 贝叶斯学派 7
1.3 机器学习三要素 8
1.3.1 数据 8
1.3.2 模型 9
1.3.3 机器学习算法 10
1.4 机器学习算法的4种类型 10
1.4.1 监督学习算法 11
1.4.2 无监督学习算法 12
1.4.3 半监督学习算法 12
1.4.4 强化学习算法 13
1.5 机器学习的应用 14
1.5.1 计算机视觉 14
1.5.2 自然语言处理 15
1.5.3 机器人 17
习题 18
第2章 回归算法概述 19
2.1 回归算法简介 19
2.2 线性回归 20
2.2.1 算法原理 20
2.2.2 实现及参数 21
2.3 多元线性回归 25
2.3.1 算法原理 25
2.3.2 实现及参数 26
2.4 正则化回归分析 29
2.4.1 过拟合与正则化 30
2.4.2 岭回归 31
2.4.3 套索回归 32
2.4.4 弹性网络回归 33
2.5 贝叶斯模型 35
2.5.1 贝叶斯方法 35
2.5.2 贝叶斯回归 36
2.6 softmax回归 40
2.6.1 算法原理 40
2.6.2 实现及参数 41
2.7 项目实践：航班乘客流量预测 44
习题 50
第3章 分类算法概述 51
3.1 分类算法简介 51
3.2 K近邻算法 52
3.2.1 算法原理 52
3.2.2 实现及参数 53
3.3 逻辑回归 55
3.3.1 算法原理 55
3.3.2 实现及参数 57
3.4 贝叶斯网络与朴素贝叶斯分类器 59
3.4.1 贝叶斯网络 59
3.4.2 朴素贝叶斯分类器 60
3.5 决策树算法 62
3.5.1 算法原理 62
3.5.2 最优特征选择 64
3.6 集成学习 66
3.6.1 随机森林算法 66
3.6.2 Adaboost算法 67
3.7 项目实践：水果分类 69
习题 74
第4章 支持向量机 75
4.1 支持向量机概述 75
4.1.1 线性可分与超平面 76
4.1.2 最大化间隔 77
4.2 核函数 77
4.3 多分类处理 79
4.3.1 “1−a−r”方法 80
4.3.2 树型支持向量机多分类方法 80
4.3.3 决策树支持向量机多分类器 81
4.4 结构风险分析 82
4.5 项目实战：猫分类器 82
4.5.1 实验准备 83
4.5.2 模型训练 84
4.5.3 模型验证 86
习题 87
第5章 数据降维 88
5.1 数据降维简介 88
5.2 线性降维 89
5.2.1 主成分分析 89
5.2.2最大投影方差理解PCA 92
5.2.3 最小重构代价理解PCA 93
5.2.4 线性判别分析 94
5.3 非线性降维 97
5.3.1 局部线性嵌入 97
5.3.2 拉普拉斯特征映射 98
5.3.3 随机近邻嵌入 101
5.3.4 t分布随机近邻嵌入 102
5.4 自编码器 102
5.5 项目实践：自编码器 107
习题 110
第6章 聚类算法概述 111
6.1 聚类算法简介 111
6.2 基于划分的聚类算法 112
6.2.1 K-means算法 113
6.2.2 EM算法 114
6.3 基于密度的聚类算法 116
6.3.1 DBSCAN算法 116
6.3.2 DPC算法 120
6.4 基于图的聚类算法 122
6.5 项目实践：人脸图像聚类 124
习题 127
第7章 深度学习概述 128
7.1 深度学习简介 128
7.2 感知器 129
7.3 人工神经网络 131
7.4 反向传播算法 132
7.5 常用的深度学习模型 136
7.5.1 卷积神经网络 136
7.5.2 循环神经网络 140
7.5.3 生成对抗网络 145
7.6 项目实践：图片分类 147
习题 151
第8章 强化学习概述 152
8.1 强化学习简介 152
8.2 马尔可夫决策过程 154
8.2.1 马尔可夫性质 154
8.2.2 马尔可夫过程 154
8.2.3 马尔可夫决策过程 156
8.2.4 最优价值函数与最优策略 157
8.3 基于免模型的强化学习算法 160
8.3.1 蒙特卡罗算法 160
8.3.2 时序差分算法 161
8.4 强化学习前沿 163
8.4.1 逆强化学习 163
8.4.2 分层强化学习 164
8.4.3 深度强化学习 165
8.5 项目实践：车杆游戏 165
习题 167
第9章 自然语言处理 168
9.1 自然语言处理的概念 168
9.2 自然语言处理工具包和语料库 169
9.2.1 自然语言处理工具包 169
9.2.2 语料库 170
9.3 自然语言处理技术分类 170
9.3.1 NLP应用基础分类 171
9.3.2 NLP应用技术分类 173
9.4 Transformer 174
9.4.1 Transformer整体结构 174
9.4.2 Transformer的输入 176
9.4.3 自注意力机制 177
9.4.4 Encoder结构 181
9.4.5 Decoder结构 182
9.4.6 Transformer总结 185
9.5 项目实践：新闻文本分类 186
习题 188
第10章 推荐系统 189
10.1 推荐系统概述 189
10.1.1 什么是推荐系统 189
10.1.2 个性化推荐系统的应用 189
10.2 协同过滤推荐算法 191
10.2.1 基于用户的协同过滤算法 192
10.2.2 基于物品的协同过滤算法 192
10.3 因子分解机算法 193
10.3.1 FM算法背景 193
10.3.2 FM算法的优势 193
10.3.3 FM算法的衍生算法 193
10.4 迭代的决策树算法模型 194
10.4.1回归树 194
10.4.2 梯度迭代 194
10.4.3 缩减 195
10.5 评价指标 196
10.5.1 在线评价体系 196
10.5.2 离线评价体系 197
10.6 项目实践：电影推荐系统 199
10.6.1 电影推荐系统的需求分析 199
10.6.2 系统架构设计 199
10.6.3 推荐系统的实现 200
习题 203
立即购买
1 2