新書推薦：
《
形而上学与存在论之间：费希特知识学研究（守望者）（德国古典哲学研究译丛）
》
售價：NT$
504.0
《
卫宫家今天的饭9 附画集特装版（含漫画1本+画集1本+卫宫士郎购物清单2张+特制相卡1张）
》
售價：NT$
602.0
《
化妆品学原理
》
售價：NT$
254.0
《
万千教育学前·与幼儿一起解决问题：捕捉幼儿园一日生活中的教育契机
》
售價：NT$
214.0
《
爱你，是我做过最好的事
》
售價：NT$
254.0
《
史铁生：听风八百遍，才知是人间（2）
》
售價：NT$
254.0
《
量子网络的构建与应用
》
售價：NT$
500.0
《
拍电影的热知识：126部影片里的创作技巧（全彩插图版）
》
售價：NT$
500.0
|
| 內容簡介： |
本书以案例驱动的方式讲解机器学习算法的知识点，并以Python语言作为基础开发语言实现算法，包括目前机器学习主流算法的原理、算法流程图、算法的详细设计步骤、算法实例、算法应用、算法的改进与优化等环节。
全书共分 17 章，前两章介绍机器学习与 Python 语言的相关基础知识，后面各章以案例的方式分别介绍线性回归算法、逻辑回归算法、K *近邻算法、PCA 降维算法、k-means算法、支持向量机算法、AdaBoost算法、决策树算法、高斯混合模型算法、随机森林算法、朴素贝叶斯算法、隐马尔可夫模型算法、BP 神经网络算法、卷积神经网络算法、递归神经网络算法。
本书适合作为高等院校人工智能、大数据、计算机科学、软件工程等相关专业本科生和研究生有关课程的教材，也适用于各种计算机编程、人工智能学习认证体系，还可供广大人工智能领域技术人员参考。
|
| 目錄：
|
前言
第1章 机器学习基础1
1.1 引论1
1.2 何谓机器学习2
1.2.1 概述2
1.2.2 引例2
1.3 机器学习中的常用算法4
1.3.1 按照学习方式划分4
1.3.2 按照算法相似性划分7
1.4 本章小结14
1.5 本章习题14
第2章 Python与数据科学15
2.1 Python概述15
2.2 Python与数据科学的关系16
2.3 Python中常用的第三方库16
2.3.1 NumPy16
2.3.2 SciPy17
2.3.3 Pandas17
2.3.4 Matplotlib18
2.3.5 Scikit-learn18
2.4 编译环境18
2.4.1 Anaconda19
2.4.2 Jupyter Notebook21
2.5 本章小结23
2.6 本章习题24
第3章 线性回归算法25
3.1 算法概述25
3.2 算法流程25
3.3 算法步骤26
3.4 算法实例30
3.5 算法应用32
3.6 算法的改进与优化34
3.7 本章小结34
3.8 本章习题34
第4章 逻辑回归算法37
4.1 算法概述37
4.2 算法流程38
4.3 算法步骤38
4.4 算法实例40
4.5 算法应用45
4.6 算法的改进与优化49
4.7 本章小结49
4.8 本章习题49
第5章 K最近邻算法51
5.1 算法概述51
5.2 算法流程52
5.3 算法步骤52
5.4 算法实例53
5.5 算法应用54
5.6 算法的改进与优化57
5.7 本章小结58
5.8 本章习题58
第6章 PCA降维算法59
6.1 算法概述59
6.2 算法流程60
6.3 算法步骤60
6.3.1 内积与投影60
6.3.2 方差62
6.3.3 协方差62
6.3.4 协方差矩阵63
6.3.5 协方差矩阵对角化63
6.4 算法实例65
6.5 算法应用67
6.6 算法的改进与优化68
6.7 本章小结68
6.8 本章习题69
第7章 k-means算法70
7.1 算法概述70
7.2 算法流程70
7.3 算法步骤71
7.3.1 距离度量71
7.3.2 算法核心思想72
7.3.3 初始聚类中心的选择73
7.3.4 簇类个数k的调整73
7.3.5 算法特点74
7.4 算法实例75
7.5 算法应用77
7.6 算法的改进与优化81
7.7 本章小结81
7.8 本章习题82
第8章 支持向量机算法84
8.1 算法概述84
8.2 算法流程85
8.2.1 线性可分支持向量机85
8.2.2 非线性支持向量机85
8.3 算法步骤85
8.3.1 线性分类85
8.3.2 函数间隔与几何间隔87
8.3.3 对偶方法求解88
8.3.4 非线性支持向量机与核函数90
8.4 算法实例93
8.5 算法应用95
8.6 算法的改进与优化100
8.7 本章小结101
8.8 本章习题101
第9章 AdaBoost算法102
9.1 算法概述102
9.2 算法流程102
9.3 算法步骤103
9.4 算法实例105
9.5 算法应用106
9.6 算法的改进与优化109
9.7 本章小结110
9.8 本章习题110
第10章 决策树算法112
10.1 算法概述112
10.2 算法流程113
10.3 算法步骤113
10.3.1 两个重要概念113
10.3.2 实现步骤115
10.4 算法实例115
10.5 算法应用118
10.6 算法的改进与优化119
10.7 本章小结120
10.8 本章习题120
第11章 高斯混合模型算法121
11.1 算法概述121
11.2 算法流程121
11.3 算法步骤122
11.3.1 构建高斯混合模型122
11.3.2 EM算法估计模型参数123
11.4 算法实例125
11.5 算法应用127
11.6 算法的改进与优化129
11.7 本章小结130
11.8 本章习题130
第12章 随机森林算法132
12.1 算法概述132
12.2 算法流程133
12.3 算法步骤134
12.3.1 构建数据集134
12.3.2 基于数据集构建分类器134
12.3.3 投票组合得到最终结果并分析135
12.4 算法实例136
12.5 算法应用140
12.6 算法的改进与优化142
12.7 本章小结143
12.8 本章习题143
第13章 朴素贝叶斯算法145
13.1 算法概述145
13.2 算法流程145
13.3 算法步骤146
13.4 算法实例148
13.5 算法应用149
13.6 算法的改进与优化151
13.7 本章小结152
13.8 本章习题152
第14章 隐马尔可夫模型算法154
14.1 算法概述154
14.2 算法流程154
14.3 算法步骤155
14.4 算法实例156
14.5 算法应用159
14.6 算法的改进与优化165
14.7 本章小结166
14.8 本章习题166
第15章 BP神经网络算法167
15.1 算法概述167
15.2 算法流程167
15.3 算法步骤168
15.4 算法实例170
15.5 算法应用174
15.6 算法的改进与优化176
15.7 本章小结177
15.8 本章习题177
第16章 卷积神经网络算法179
16.1 算法概述179
16.2 算法流程179
16.3 算法步骤180
16.3.1 向前传播阶段181
16.3.2 向后传播阶段183
16.4 算法实例184
16.5 算法应用188
16.6 算法的改进与优化193
16.7 本章小结194
16.8 本章习题194
第17章 递归神经网络算法196
17.1 算法概述196
17.2 算法流程197
17.3 算法步骤198
17.4 算法实例200
17.5 算法应用204
17.6 算法的改进与优化207
17.7 本章小结208
17.8 本章习题208
课后习题答案210
参考文献231
|
| 內容試閱：
|
前言
2018年12月，DeepMind设计的基于Transformer神经网络和深度学习的人工智能程序 AlphaStar，在《星际争霸2》游戏中以5﹕0的成绩分别战胜两位职业选手，这是继AlphaGo 打败世界围棋冠军李世石以来，机器学习领域又一次震惊世界的壮举，为机器学习的发展历程又增添了一抹浓厚的色彩。
机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，或者重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
Python语言凭借语法简单、优雅、面向对象、可扩展性等优点，一经面世就受到广大开发者的追捧，这使得 Python 语言不仅提供了丰富的数据结构，还具有诸如 NumPy、SciPy、Matplotlib 等丰富的数据科学计算库，为机器学习的开发带来了极大的便利。因此，本书用 Python语言来编写机器学习算法。
书中对每一种机器学习算法都按照下列几个方面进行总结和描述。第一，简要介绍算法的原理，通过通俗易懂的语言描述和示例使读者对算法有一个大致的了解；第二，给出标准的算法流程图；第三，具体介绍算法的详细设计步骤，使读者对算法的理解更为深入；第四，为了加深读者对算法的熟练程度，针对每个算法举出示例；第五，将每个算法回归到日常生活的应用中，以提高读者对算法的灵活掌握程度；第六，结合当前的最新研究成果，对经典的机器学习算法提出改进与优化建议，为读者进一步研究算法提供新思路；第七，每一章的最后都对全章的内容进行总结，帮读者梳理整章知识；第八，课后习题的设置旨在帮助读者巩固算法的学习。
全书共分17章，第1和2章介绍机器学习与 Python 语言的相关概念与基础知识，第3～17章分别介绍了线性回归算法、逻辑回归算法、K最近邻算法、PCA 降维算法、k-means算法、支持向量机算法、AdaBoost算法、决策树算法、高斯混合模型算法、随机森林算法、朴素贝叶斯算法、隐马尔可夫模型算法、BP 神经网络算法、卷积神经网络算法、递归神经网络算法。
本书由多人合作完成，其中第1～4章由太原理工大学赵涓涓编写，第5～7章由太原理工大学强彦编写，第8和9章由太原理工大学王华编写，第10和11章由太原科技大学蔡星娟编写，第12和13章由太原理工大学降爱莲编写，第14和15章由太原理工大学田玉玲编写，第16和17章由太原理工大学马建芬编写。全书由赵涓涓审阅。
在本书撰写过程中，车征、王磐、王佳文、史国华、魏淳武、周凯、王梦南、王艳飞、吴俊霞、武仪佳、张振庆等项目组成员做了大量的资料准备、文档整理和代码调试工作，在此一并表示衷心的感谢！
由于作者水平有限，不当之处在所难免，恳请读者及同仁赐教指正。
编 者
2019年5月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
