新書推薦:

《
生命瞬间 人生风采——晚晴居影集
》
售價:HK$
500

《
中国画技法与教学研究
》
售價:HK$
337

《
工厂生产计划精细化、精益化、精进化管理手册
》
售價:HK$
352

《
ABB工业机器人离线编程与仿真
》
售價:HK$
607

《
水之契约
》
售價:HK$
367

《
巴格达新版 和平之城 血腥之城 汗青堂丛书055
》
售價:HK$
551

《
伦理学与生活(第11版)
》
售價:HK$
551

《
道教大辞典·道教百科全书(通识版本+飞机盒): 附赠32张海报:神仙谱系大全x1、道教宗派与法术全鉴
》
售價:HK$
1520
|
內容簡介: |
本书将帮助读者理解机器学习的基本原理、核心算法及实际应用。全书共12章,内容涵盖基础理论、算法、模型评估、编程实践等多个方面,大体上可以分为以下3个部分。第1部分(包括第1、2章):介绍了机器学习的背景与基础知识;第2部分(包括第3~8章):详细讨论了几种常用的传统机器学习算法,包括回归算法、决策树算法、支持向量机算法、贝叶斯算法、集成学习算法、聚类算法,还介绍了这些算法的应用;第3部分(包括第9~12章):深入探讨了神经网络与强化学习的相关概念及应用,包含神经网络、深度学习、卷积神经网络、循环神经网络与强化学习。 本书适合作为高等院校计算机、人工智能等专业本科、研究生教材。
|
關於作者: |
张晓,博士,副教授。2001年4月—至今,任西北工业大学计算机学院教师;2012年7月—2013年7月,在美国奥本大学进修访问;2018年3月—2019年3月,在美国伊利诺理工大学进修访问。
|
目錄:
|
目 录 第1章 机器学习概论1 1.1 什么是机器学习1 1.2 机器学习的发展历史3 1.2.1 人工智能及其三大流派3 1.2.2 机器学习发展史及重要事件4 1.3 机器学习的研究与应用7 1.4 机器学习的分类9 1.4.1 基于学习方式分类9 1.4.2 基于问题分类13 1.4.3 机器学习的模型及算法16 1.5 常见的机器学习算法18 1.5.1 线性回归18 1.5.2 决策树19 1.5.3 人工神经网络19 1.5.4 深度学习20 1.6 习题21 第2章 机器学习基础22 2.1 机器学习中的基本概念22 2.1.1 数据集22 2.1.2 过拟合与欠拟合23 2.1.3 交叉验证方法25 2.2 回归问题27 2.2.1 机器学习中的回归方法27 2.2.2 回归模型的性能评估28 2.3 分类问题29 2.3.1 机器学习中的分类方法29 2.3.2 分类模型的性能评估30 2.4 梯度下降法与最小二乘法37 2.4.1 梯度下降法及其应用37 2.4.2 最小二乘法及其应用39 2.4.3 实例分析41 2.5 正则化44 2.5.1 线性回归45 2.5.2 支持向量机46 2.5.3 逻辑回归47 2.5.4 决策树47 2.5.5 实例分析48 2.6 sklearn中常用的数据集51 2.6.1 toy datasets51 2.6.2 generated datasets53 2.6.3 real world datasets54 2.7 习题55 第3章 回归算法56 3.1 回归算法概述56 3.2 线性回归模型58 3.2.1 简单线性回归模型59 3.2.2 多元线性回归模型60 3.2.3 正则化线性模型61 3.2.4 ElasticNet回归模型64 3.2.5 逐步回归模型64 3.3 可线性化的非线性回归模型66 3.3.1 倒数回归模型66 3.3.2 半对数回归模型67 3.3.3 指数函数回归模型67 3.3.4 幂函数回归模型67 3.3.5 多项式回归模型67 3.3.6 广义线性回归模型68 3.3.7 逻辑回归模型70 3.4 非线性回归模型71 3.4.1 支持向量回归模型72 3.4.2 保序回归模型74 3.4.3 决策树回归模型74 3.4.4 随机森林回归模型75 3.4.5 K最近邻回归模型76 3.5 多输出回归模型77 3.6 回归算法框架78 3.6.1 线性回归模型78 3.6.2 正则化的线性模型79 3.6.3 多项式回归模型81 3.6.4 逻辑回归模型81 3.6.5 多输出回归模型83 3.7 选择回归模型83 3.8 实例分析84 3.9 习题88 第4章 决策树算法89 4.1 决策树算法概述89 4.2 决策树生成91 4.3 信息熵、条件熵和互信息93 4.3.1 信息增益和信息增益比97 4.3.2 基尼系数97 4.3.3 决策树生成98 4.4 决策树剪枝99 4.4.1 预剪枝过程100 4.4.2 后剪枝过程102 4.5 决策树框架102 4.6 决策树应用104 4.7 习题106 第5章 支持向量机算法108 5.1 支持向量机概述108 5.2 支持向量机解决分类问题110 5.2.1 线性支持向量机的原理110 5.2.2 非线性支持向量机的原理113 5.2.3 多分类问题114 5.3 支持向量机解决回归问题116 5.4 支持向量机编程框架118 5.4.1 支持向量机分类器119 5.4.2 支持向量机回归器122 5.5 支持向量机应用123 5.6 习题124 第6章 贝叶斯算法126 6.1 贝叶斯算法概述126 6.2 朴素贝叶斯算法127 6.2.1 朴素贝叶斯算法概述127 6.2.2 多项式朴素贝叶斯算法129 6.2.3 伯努利朴素贝叶斯算法130 6.2.4 高斯朴素贝叶斯算法131 6.2.5 朴素贝叶斯算法实例132 6.3 贝叶斯算法编程框架134 6.3.1 高斯朴素贝叶斯算法编程框架135 6.3.2 多项式朴素贝叶斯算法编程框架135 6.3.3 伯努利朴素贝叶斯算法编程框架136 6.4 贝叶斯算法的应用137 6.5 习题138 第7章 集成学习算法140 7.1 集成学习概述140 7.1.1 基分类器集成140 7.1.2 集成方法142 7.2 Bagging算法143 7.3 Boosting算法145 7.3.1 AdaBoost算法146 7.3.2 GBDT算法149 7.3.3 XGBoost算法151 7.4 Stacking算法152 7.5 集成学习的编程实践153 7.5.1 Bagging153 7.5.2 随机森林154 7.5.3 AdaBoost155 7.5.4 GBDT156 7.5.5 XGBoost157 7.5.6 Stacking158 7.6 集成学习实例158 7.6.1 特征选择158 7.6.2 数据分类159 7.7 习题162 第8章 聚类算法164 8.1 聚类算法概述164 8.1.1 聚类算法分类165 8.1.2 聚类的性能评价165 8.2 基于划分的聚类算法168 8.2.1 K-Means算法168 8.2.2 MiniBatchKMeans算法171 8.2.3 K-Means++算法172 8.3 基于模型的聚类算法173 8.4 基于密度的聚类算法175 8.5 基于层次的聚类算法179 8.6 基于图的聚类算法184 8.7 编程框架187 8.7.1 KMeans类187 8.7.2 高斯混合聚类189 8.7.3 DBSCAN类190 8.7.4 Birch类192 8.7.5 AP类193 8.7.6 sklearn中的函数195 8.7.7 性能评价指标195 8.8 实例分析195 8.9 习题197 第9章 神经网络和深度学习199 9.1 神经网络概述199 9.1.1 神经元模型200 9.1.2 神经网络结构201 9.1.3 激活函数204 9.1.4 损失函数207 9.2 神经网络训练209 9.2.1 反向传播算法209 9.2.2 随机梯度下降算法211 9.3 深度学习213 9.3.1 深度学习概述213 9.3.2 常见的深度学习模型213 9.3.3 深度学习环境准备214 9.4 实例分析215 9.5 习题216 第10章 卷积神经网络217 10.1 卷积神经网络概述217 10.2 卷积神经网络的基础知识218 10.2.1 卷积核218 10.2.2 卷积运算219 10.2.3 步幅和填充220 10.2.4 特征图221 10.3 卷积神经网络结构221 10.3.1 卷积层222 10.3.2 激活层223 10.3.3 池化层223 10.3.4 全连接层225 10.3.5 输出层226 10.4 典型的卷积神经网络结构227 10.4.1 LeNet227 10.4.2 AlexNet227 10.4.3 VGGNet228 10.4.4 ResNet228 10.5 实例分析229 10.6 习题231 第11章 循环神经网络232 11.1 循环神经网络概述232 11.2 传统循环神经网络235 11.3 双向循环神经网络236 11.4 长短期记忆网络238 11.5 门控循环单元240 11.6 Keras实现RNN243 11.6.1 SimpleRNN层243 11.6.2 LSTM层246 11.6.3 GRU层247 11.7 循环神经网络训练248 11.7.1 BPTT算法249 11.7.2 初始化方法250 11.7.3 训练技巧251 11.8 循环神经网络应用252 11.8.1 股票预测实战253 11.8.2 情感分析实战261 11.9 习题272 第12章 强化学习273 12.1 强化学习概述273 12.1.1 定义与特点274 12.1.2 主要组成元素275 12.2 马尔可夫决策过程278 12.2.1 贝尔曼方程278 12.2.2 策略迭代280 12.2.3 价值迭代282 12.3 蒙特卡洛方法284 12.4 时序差分方法286 12.4.1 SARSA算法287 12.4.2 Q-Learning算法289 12.5 深度Q网络291 12.5.1 目标网络291 12.5.2 经验回放292 12.6 强化学习应用294 12.6.1 Gym介绍295 12.6.2 悬崖寻路实战298 12.6.3 蛇棋实战303 12.7 习题312 附录A 编程环境说明313 参考文献323
|
|