新書推薦：
《
（棱镜精装人文译丛）蔑视大众：现代社会文化斗争的实验
》
售價：NT$
275.0
《
皇家宫廷中的保健秘方 中小学课外阅读
》
售價：NT$
290.0
《
《诗经》十五讲 十五堂《诗经》历史文化与文学课 丹曾人文通识丛书
》
售價：NT$
395.0
《
述异记汇笺及情节单元分类研究（上下册）
》
售價：NT$
475.0
《
环境、社会、治理（ESG）信息披露操作手册
》
售價：NT$
1190.0
![桑德拉销售原则 伍杰 [美]大卫·马特森](http://103.6.6.66/upload/mall/productImages/24/46/9787111762928.jpg)
《
桑德拉销售原则 伍杰 [美]大卫·马特森
》
售價：NT$
440.0
《
理论的意义
》
售價：NT$
340.0
《
悬壶杂记：医林旧事
》
售價：NT$
240.0
|
| 編輯推薦： |
|
本书深入浅出地介绍机器学习的基本概念、基础知识和基本原理，不涉及太多、太难的数学知识，用通俗易懂的语言阐述机器学习的理论基础，让读者透彻理解机器学习方法和原理。在实用性方面，基于机器学习的理论基础，结合实例介绍机器学习经典算法，旨在培养学生的计算思维能力，使读者从理论基础和实际应用两个层面全面掌握机器学习的核心技术，知其然且知其所以然，培养学生解决实际问题的能力。
|
| 內容簡介： |
本书是一本浅显易懂的机器学习入门教材，深入浅出地介绍了机器学习的基础理论、模型与经典方法，并适当融入了深度学习的前沿知识。全书共9章，主要内容包括：机器学习概述、回归模型（线性回归、多项式回归、岭回归、套索回归、弹性网络、逻辑斯谛回归、Softmax回归）、k*近邻和kd树算法、支持向量机、贝叶斯分类器与贝叶斯网络、决策树、集成学习（AdaBoost、GBDT、随机森林和随机树）、聚类（k均值算法、BIRCH算法、DBSCAN算法、OPTICS算法）、深度学习（卷积神经网络、循环神经网络、生成式对抗网络）。每章都附有小结与习题，便于读者对知识的巩固和融会贯通。
本书注重选材，内容丰富，条理清晰，通俗易懂，着重突出机器学习方法的思想内涵和本质，力求反映机器学习领域的核心知识体系和发展趋势。
本书可作为高等院校智能科学与技术、数据科学与大数据技术、电子信息类等专业的高年级本科生、研究生的教材或教学参考书，也可供人工智能、数据科学、机器学习相关行业的工程技术人员学习参考。
|
| 目錄：
|
前言
第1章机器学习概述1
1.1机器学习的概念与基本术语1
1.2人工智能、机器学习、深度学习三者的关系6
1.3机器学习的三个基本要素11
1.4机器学习模型的分类16
1.5数据预处理24
1.6模型选择与评估29
1.7小结43
1.8习题43
第2章回归模型45
2.1线性回归45
2.2多项式回归53
2.3线性回归的正则化——岭回归和套索回归54
2.4逻辑斯谛回归58
2.5 Softmax回归61
2.6小结63
2.7习题64
第3章 k-近邻和k-d树算法66
3.1 k-近邻法66
3.2 k-d树70
3.3小结75
3.4习题76
第4章 支持向量机77
4.1统计学习理论基础77
4.2支持向量机的基本原理和特点84
4.3线性SVM90
4.4基于核函数的非线性SVM95
4.5多分类SVM96
4.6支持向量机的训练100
4.7小结104
4.8习题105
第5章 贝叶斯分类器与贝叶斯网络106
5.1贝叶斯方法106
5.2贝叶斯分类器113
5.3贝叶斯网络119
5.4小结128
5.5习题129
第6章 决策树130
6.1概述130
6.2决策树学习134
6.3特征（或属性）选择135
6.4 ID3算法144
6.5 C4.5算法145
6.6CART算法146
6.7决策树的剪枝149
6.8决策树的优缺点150
6.9小结151
6.10习题151
第7章 集成学习153
7.1集成学习概述153
7.2 AdaBoost算法159
7.3梯度提升决策树（GBDT）160
7.4随机森林和随机树163
7.5小结166
7.6习题168
第8章 聚类169
8.1聚类概述169
8.2 k-均值算法175
8.3 BIRCH算法178
8.4基于密度的聚类算法183
8.5小结190
8.6习题191
第9章 深度学习192
9.1人工神经网络基础192
9.2卷积神经网络207
9.3循环神经网络218
9.4生成式对抗网络226
9.5小结238
9.6习题239
附录 缩略语英汉对照240
参考文献242
|
| 內容試閱：
|
前言
机器学习是人工智能的一个分支，是研究如何使用机器来模拟人类学习活动的一门学科，是人工智能的核心技术基础。近年来，随着GPU处理大数据的计算能力的提升，以及基于深度神经网络模型的提出，以深度学习为代表的人工智能技术突破了以前的瓶颈，在自然语言处理、机器翻译、计算机视觉等领域得到了应用，成为学术界、工业界及社会竞相追逐的热点。尽管深度学习是目前热门的机器学习方法，但我们需要清醒地看到深度学习方法也存在很多不足。当前的人工智能还不够真正的智能，离机器自主认知还有很长的路要走，现有技术还只能做到高效地解决单一或特定的任务。此外，由于人们还缺乏对深度神经网络模型工作机制的理论理解和技术解释，深度学习算法是个“黑盒子”，还无法达到普适性要求。当前人工智能研究和发展的两大难题是机器学习算法理论的突破和跨领域应用系统的创新，而掌握机器学习理论与实践技术是学习现代人工智能科学重要的一步。
毫无疑问，要拥抱人工智能，迈向“智能 ”时代，迫切的任务是培养人工智能人才。2018年4月教育部印发《高等学校人工智能创新行动计划》，提出了三大类18项重点任务，并提出“三步走”目标，要求到2030年，高校成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地，为我国跻身创新型国家前列提供科技支撑和人才保障。
2018年，南京邮电大学在修订“电子信息工程”“广播电视工程”等专业的培养方案时增开了“机器学习导论”课程，同时该课程被物联网学院、自动化学院（人工智能学院）选定为跨专业大类课程，面向非计算机专业的本科生普及机器学习和人工智能的基础知识。一本好的教材是教学质量和人才培养目标的重要保障。国内出版的有关机器学习的经典教材有周志华教授主编的《机器学习》和李航教授主编的《统计学习方法》（第2版）等。这两本教材内容系统全面，覆盖了机器学习领域中大部分的传统方法和算法，深受专业人士的好评。然而，教材的篇幅过长，也没有包括目前主流的深度学习方法的内容。其他已出版的有关深度学习的书籍，大都偏重于算法的代码实现，对基本原理的讲解不够透彻，不太适合用作教材。基于这些考虑，作者决定编写一本适合这门课程的教材。
编写本书的指导思想是：深入浅出地介绍机器学习的基本概念、基础知识和基本原理，不涉及太多、太难的数学知识，用通俗易懂的语言阐述机器学习的理论基础，让读者透彻理解机器学习方法和原理。在实用性方面，基于机器学习的理论基础，结合实例介绍机器学习经典算法，旨在培养学生的计算思维能力，使读者从理论基础和实际应用两个层面全面掌握机器学习的核心技术，知其然且知其所以然，培养学生解决实际问题的能力。
本书的编写得到南京邮电大学教学改革研究项目（JG00218JX01）以及2020年校级重点教材立项建设项目资助。在编写过程中，作者参考和引用了一些学者的研究成果、著作和论文，具体出处见参考文献。在此，向这些文献的著作者表示敬意和感谢！
机器学习导论
|
|
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
