新書推薦：
《
索恩丛书·文明的经纬：纺织品如何塑造世界
》
售價：NT$
463.0
《
大国的命运：从政治危机到国家现代化
》
售價：NT$
510.0
《
何以秦汉
》
售價：NT$
291.0
《
让春光2
》
售價：NT$
243.0
《
曹操传：乱世之枭雄，治世之能臣
》
售價：NT$
307.0
《
时刻人文·北宋的改革与变法：熙宁变法的源起、流变及其对南宋历史的影响
》
售價：NT$
510.0
《
云上的中国3：剧变中的AI时代
》
售價：NT$
411.0
《
转念的奇迹
》
售價：NT$
354.0
|
| 內容簡介： |
|
机器学习是人工智能的重要方向之一，对提升各行业的智能化程度正在起越来越大的作用。本书通过凝练机器学习的核心思想与方法，综合介绍了Python、常用库和相关工具，以及机器学习的原理与实现，囊括了机器学习与行业相结合的实例，可让没有深厚计算机、编程背景的读者在有限的时间内掌握机器学习的相关知识和应用工具。本书各部分的比例适当，在讲授基本Python编程、库函数的基础上，由浅入深地介绍了机器学习的思想、方法和实现。理论讲授部分从基本的最小二乘法开始，逐步深入地介绍了如何使用迭代求解的方法实现逻辑斯蒂回归、感知机、神经网络、深度神经网络。本书配套有完整的在线讲义、在线视频、作业和练习项目，每章的习题、练习、报告等都配有对应的二维码，读者可直接访问在线教程，选择适合自己的资料。本书可作为计算机、智能科学与技术、航空航天、电子信息、自动化等专业硕士研究生和本科生的教材，也可供相关技术人员参考。
|
| 關於作者： |
|
布树辉，西北工业大学教授，博士生导师。中国航空学会航电与空管分会委员，国际数字地球学会中国国家委员会虚拟地理环境专业委员会委员，陕西省组合与智能导航重点实验室委员，陕西省自动化学会智能机器人专业委员会委员。出版教材和专著3部，发表学术论文100多篇。近年来完成国家、省部级研究项目19项，获省部级奖励6项，并于2021年获得吴文俊人工智能科学技术发明一等奖。主要研究方向包括自主无人机与机器人、图形与图像处理、机器学习及其应用等。在同时定位与构图、环境理解等方面取得了较为突出的成果，所研究的无人机实时地图重建与分析系统在国际上有较大的影响力。
|
| 目錄：
|
|
第1章 绪论11.1 机器学习的发展历程21.2 机器学习的基本术语21.2.1 特征31.2.2 样本31.2.3 模型31.2.4 回归、分类与聚类41.2.5 泛化与过拟合41.3 机器学习的基本分类51.3.1 监督学习51.3.2 无监督学习51.3.3 半监督学习51.3.4 深度学习61.3.5 强化学习81.3.6 机器学习与人工智能81.4 机器学习的应用91.4.1 图像识别与处理91.4.2 语音识别与自然语言处理101.4.3 环境感知与智能决策111.4.4 融合物理信息的工程设计121.5 机器学习应用的步骤131.5.1 应用场景分析141.5.2 数据处理141.5.3 特征工程141.5.4 算法模型训练与评估151.5.5 应用服务151.6 机器学习的评估方法151.6.1 数据集划分方法151.6.2 性能度量161.7 如何学习机器学习171.7.1 由浅入深171.7.2 行成于思17第2章 Python语言182.1 为什么选择Python182.2 安装Python的环境192.2.1 Windows下的安装192.2.2 Linux下的安装192.2.3 设置软件源202.2.4 安装常用Python库202.2.5 安装PyTorch202.2.6 Conda使用技巧212.3 Jupyter Notebook212.3.1 Jupyter Notebook的主页面222.3.2 Jupyter Notebook的快捷键242.3.3 Magic关键字252.4 Python基础252.4.1 变量262.4.2 运算符272.4.3 内置函数282.5 print()函数292.6 数据结构302.6.1 列表312.6.2 元组382.6.3 集合402.6.4 字符串422.6.5 字典462.7 控制流语句482.7.1 判断语句482.7.2 循环语句502.8 函数552.8.1 函数的参数552.8.2 返回语句562.8.3 默认参数582.8.4 任意数量的参数582.8.5 全局变量和局部变量592.8.6 lambda函数602.9 类和对象602.9.1 成员函数与变量612.9.2 继承642.10 小结662.11 练习题662.12 在线练习题67第3章 Python常用库683.1 NumPy数值计算库683.1.1 创建NumPy数组693.1.2 访问数组元素733.1.3 文件读写773.1.4 线性代数函数793.1.5 数据统计803.1.6 数组的操作833.2 Matplotlib绘图库873.2.1 多子图绘制883.2.2 图像处理893.3 小结893.4 练习题893.5 在线练习题90第4章 k最近邻算法914.1 k最近邻原理914.1.1 特征距离计算924.1.2 算法步骤924.2 机器学习的思维模型934.3 数据生成934.4 程序实现954.5 将kNN算法封装为类974.6 基于sklearn的分类实现984.7 小结1004.8 练习题1004.9 在线练习题100第5章 k均值聚类算法1015.1 无监督学习思想1015.2 k均值聚类原理1025.3 k均值聚类算法1035.4 算法操作过程演示1035.5 k均值聚类算法编程实现1055.6 使用sklearn进行聚类1095.7 评估聚类性能1105.7.1 调整兰德指数1105.7.2 轮廓系数1115.8 k均值图像压缩1125.9 小结1145.10 练习题1155.11 在线练习题115第6章 逻辑斯蒂回归1166.1 最小二乘法1166.1.1 数据生成1166.1.2 最小二乘法的数学原理1176.1.3 最小二乘法的程序实现1186.2 梯度下降法1196.2.1 梯度下降法的原理1196.2.2 梯度下降法的实现1216.2.3 迭代可视化1236.2.4 梯度下降法的优化1246.3 多元线性回归1256.3.1 导弹弹道预测算法1256.3.2 建模与编程求解1266.4 使用sklearn库进行拟合1276.5 逻辑斯蒂回归的原理1286.5.1 数学模型1296.5.2 算法流程1316.6 逻辑斯蒂回归的实现1316.6.1 逻辑斯蒂回归示例程序1326.6.2 使用sklearn解决逻辑斯蒂回归问题1346.6.3 多类识别问题1366.7 小结1406.8 练习题1406.9 在线练习题140第7章 神经网络1417.1 感知机1417.1.1 感知机模型1427.1.2 感知机学习策略1437.1.3 感知机学习算法1437.1.4 示例程序1447.2 多层神经网络1477.2.1 神经元1477.2.2 神经网络架构1487.2.3 神经网络正向计算1487.2.4 神经网络矩阵表示1497.2.5 神经网络训练1517.2.6 激活函数1557.2.7 神经网络训练算法设计1577.2.8 示例程序1587.2.9 使用类的方法封装多层神经网络1617.3 softmax函数与交叉熵代价函数1657.3.1 softmax函数1657.3.2 交叉熵代价函数1677.4 小结1697.5 练习题1697.6 在线练习题170第8章 PyTorch1718.1 张量1718.1.1 Tensor的生成1718.1.2 Tensor的操作1738.1.3 Tensor的维度操作1738.1.4 Tensor的变形1758.1.5 inplace操作1758.2 自动求导1768.2.1 简单情况下的自动求导1778.2.2 复杂情况下的自动求导1788.2.3 多次自动求导1808.3 神经网络模型1808.3.1 逻辑斯蒂回归与神经网络1808.3.2 序列化模型1858.3.3 模块化网络定义1878.3.4 模型参数保存1898.4 神经网络的定义与训练1918.4.1 MNIST数据集1918.4.2 CIFAR-10数据集1928.4.3 多分类神经网络1928.4.4 参数初始化1988.4.5 模型优化求解2028.5 综合示例代码2128.6 小结2148.7 练习题2158.8 在线练习题215第9章 深度学习2169.1 卷积神经网络2169.1.1 卷积网络的基础2179.1.2 卷积计算与模块2209.1.3 数据预处理与批量归一化2239.1.4 网络正则化2299.1.5 学习率衰减2319.2 典型的深度神经网络2359.2.1 LeNet52359.2.2 AlexNet2409.2.3 VGG2459.2.4 GoogLeNet2509.2.5 ResNet2549.2.6 DenseNet2609.3 小结2659.4 练习题2659.5 在线练习题265第10章 目标检测26610.1 目标检测的任务26610.2 目标检测的发展历程26710.3 目标检测评估方法26910.3.1 交并比26910.3.2 精度27010.3.3 平均精度27110.3.4 平均精度均值27110.4 目标检测的原理27110.4.1 YOLO-v127110.4.2 YOLO-v228010.4.3 YOLO-v328010.4.4 YOLO-v428110.4.5 YOLO-v528110.5 YOLO-v4原理与实现28310.5.1 主干特征提取网络28310.5.2 特征金字塔28710.5.3 利用特征进行预测28910.5.4 预测结果的解码29010.5.5 在原始图像上进行绘制29510.6 YOLO-v4的技巧及损失函数分析29510.6.1 Mosaic数据增强29510.6.2 CIoU29910.6.3 损失函数30010.7 训练自己的YOLO-v4模型30710.7.1 数据集的准备30710.7.2 数据集处理30710.7.3 网络训练30810.7.4 训练结果预测31010.8 小结31010.9 练习题31010.10 在线练习题310第11章 深度强化学习31111.1 强化学习31111.1.1 强化学习的基本概念31211.1.2 马尔可夫决策过程31311.1.3 Q学习算法31511.1.4 示例程序31711.2 深度强化学习32011.3 倒立摆的控制示例32111.3.1 仿真环境32211.3.2 第三方库32211.3.3 经验回放内存32311.3.4 Q网络32411.3.5 输入数据截取32411.3.6 超参数和工具函数32511.3.7 网络训练32711.4 小结32911.5 练习题33011.6 在线练习题330参考文献331术语表333
|
|
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
