新書推薦：
《
大国脊梁：漫画版
》
售價：NT$
374.0
《
跟着渤海小吏读历史：大唐气象（全三册）
》
售價：NT$
989.0
《
心智的构建：大脑如何创造我们的精神世界
》
售價：NT$
352.0
《
美国小史（揭秘“美国何以成为美国”，理解美国的经典入门读物）
》
售價：NT$
352.0
《
中国古代北方民族史丛书——东胡史
》
售價：NT$
576.0
《
巨人传（插图珍藏本）
》
售價：NT$
3289.0
《
地下（村上春树沙林毒气事件的长篇纪实）
》
售價：NT$
332.0
《
偿还：债务与财富的阴暗面
》
售價：NT$
347.0
|
| 編輯推薦： |
|
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。
|
| 內容簡介： |
|
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。
|
| 關於作者： |
|
罗光圣，男，1982年 7月2日出生，博士、博士后，国家科技部2030重大专项课题组核心成员、国家自然科学基金核心成员，银行等金融核心系统开发工程师、医疗应用系统资深架构师、国内人工智能知名企业首席技术官。开展计算机应用研发工作15多年，长期从事计算机应用与方法的研究工作，在国内外发表高质量科研论文多篇，主持或参与国家和省部级项目多项，企业横向项目若干项，目前受理发明专利10项，已获授权发明专利2项，其中软件著作权十几项。
|
| 目錄：
|
第1章机器学习绪论
1.1机器学习简介 /
1.1.1机器学习简史 /
1.1.2机器学习主要流派 /
1.2人工智能与机器学习的关系 /
1.2.1什么是人工智能 /
1.2.2机器学习、人工智能的关系 /
1.3典型机器学习应用领域 /
1.4机器学习算法 /
1.4.1线性回归 /
1.4.2逻辑回归 /
1.4.3决策树 /
1.4.4支持向量机 /
1.4.5线性支持向量机 /
1.4.6非线性支持向量机 /
1.4.7随机森林 /
1.4.8k-均值算法 /
1.4.9PCA算法 /
1.4.10关联规则学习算法 /
1.5机器学习的一般流程 /
习题 /
第2章数据降维与特征工程
2.1数据降维的基本概念 /
2.1.1数据降维的目的 /
2.1.2数据降维的一般原理 /
2.1.3数据降维的本质 /
2.1.4特征工程的基本概念 /
2.1.5特征工程的目标 /
2.1.6特征工程的本质 /
2.1.7特征工程的特征选取方法 /
2.1.8特征工程的基本原理 /
2.2高维数据降维 /
2.2.1主成分分析 /
2.2.2奇异值分解 /
2.2.3线性判别分析 /
2.2.4局部线性嵌入 /
2.2.5拉普拉斯特征映射 /
2.3特征工程分析 /
2.3.1特征构造 /
2.3.2特征选择 /
2.3.3特征提取 /
2.4模型训练 /
2.4.1模型训练常见术语 /
2.4.2训练数据收集 /
2.5数据降维与特征工程实践 /
2.5.1数据降维应用场景 /
2.5.2数据降维常用工具 /
2.5.3特征工程的应用场景 /
2.5.4特征工程的应用工具 /
2.5.5数据降维面临的挑战 /
2.5.6特征工程面临的挑战 /
习题 /
第3章决策树与分类算法
3.1决策树算法 /
3.1.1分支处理 /
3.1.2连续属性离散化 /
3.1.3过拟合问题 /
3.1.4分类效果评价 /
3.2集成学习 /
3.2.1装袋法 /
3.2.2提升法 /
3.2.3梯度提升决策树 /
3.2.4XGBoost算法 /
3.2.5随机森林 /
3.3决策树应用 /
习题 /
第4章聚类分析
4.1聚类分析概念 /
4.1.1聚类方法分类 /
4.1.2良好聚类算法的特征 /
4.2聚类分析的度量 /
4.2.1外部指标 /
4.2.2内部指标 /
4.3基于划分的聚类 /
4.3.1k-均值算法 /
4.3.2k-medoids算法 /
4.3.3k-prototype算法 /
4.4基于密度的聚类 /
4.4.1DBSCAN算法 /
4.4.2OPTICS算法 /
4.4.3DENCLUE算法 /
4.5基于层次的聚类 /
4.5.1BIRCH聚类 /
4.5.2CURE算法 /
4.6基于网格的聚类 /
4.6.1网格聚类的基本概念 /
4.6.2网格聚类的主要步骤 /
4.6.3基于网格的一些方法 /
4.6.4网格聚类算法的优缺点 /
4.7基于模型的聚类 /
4.7.1概率模型聚类 /
4.7.2模糊聚类 /
4.7.3Kohonen神经网络聚类 /
习题 /
第5章文本分析
5.1文本分析概述 /
5.2文本特征提取及表示 /
5.2.1TF-IDF /
5.2.2信息增益 /
5.2.3互信息 /
5.2.4卡方统计量 /
5.2.5词嵌入 /
5.2.6语言模型 /
5.2.7向量空间模型 /
5.3TF-IDF应用案例 /
5.3.1关键词自动提取 /
5.3.2找相似文章 /
5.3.3自动摘要 /
5.3.4文献检索 /
5.4词法分析 /
5.4.1文本分词 /
5.4.2命名实体识别 /
5.4.3词义消歧 /
5.5句法分析 /
5.6语义分析 /
5.7文本分析的应用 /
5.7.1文本分类 /
5.7.2信息抽取 /
5.7.3问答系统 /
5.7.4情感分析 /
5.7.5摘要生成 /
习题 /
第6章神经网络
6.1神经网络的工作方式和分类 /
6.1.1前馈神经网络 /
6.1.2反馈神经网络 /
6.1.3自组织神经网络 /
6.2神经网络的相关概念 /
6.2.1激活函数 /
6.2.2损失函数 /
6.2.3学习率 /
6.2.4过拟合与网络正则化 /
6.2.5预处理 /
6.2.6训练方式 /
6.2.7模型训练中的问题 /
6.2.8神经网络效果评价 /
6.3神经网络应用 /
习题 /
第7章贝叶斯网络
7.1贝叶斯理论概述 /
7.2贝叶斯概率基础 /
7.2.1概率论 /
7.2.2贝叶斯概率 /
7.3朴素贝叶斯分类模型 /
7.4贝叶斯网络推理 /
7.4.1贝叶斯网络 /
7.4.2贝叶斯网络的学习 /
7.4.3贝叶斯网络的推断 /
7.5贝叶斯网络的应用 /
7.5.1中文分词 /
7.5.2故障诊断 /
7.5.3疾病诊断 /
习题 /
第8章支持向量机
8.1线性可分支持向量机 /
8.1.1间隔与超平面 /
8.1.2支持向量机 /
8.1.3对偶问题求解 /
8.1.4软间隔 /
8.2非线性支持向量机 /
8.2.1非线性支持向量机原理 /
8.2.2常见核函数 /
8.3支持向量机的应用 /
习题 /
第9章联邦机器学习
9.1联邦机器学习基础 /
9.1.1参数服务器 /
9.1.2联邦并行计算类型 /
9.2联邦机器学习框架 /
9.3联邦决策树 /
9.4联邦k-均值算法 /
习题 /
第10章深度学习基础
10.1卷积神经网络 /
10.1.1卷积神经网络简介 /
10.1.2卷积神经网络的结构 /
10.1.3卷积神经网络的训练 /
10.1.4常见卷积神经网络 /
10.2循环神经网络 /
10.2.1RNN基本原理 /
10.2.2长短期记忆网络 /
10.2.3门限循环单元 /
10.2.4循环神经网络的其他改进 /
10.3深度学习流行框架 /
10.3.1Torch /
10.3.2TensorFlow /
10.3.3Caffe /
10.3.4Keras /
10.3.5MxNet /
10.3.6Deeplearning4j /
习题 /
第11章高级深度学习
11.1高级循环神经网络 /
11.1.1词嵌入 /
11.1.2自注意力模型 /
11.1.3多头注意力机制 /
11.1.4Transformer /
11.1.5BERT模型 /
11.2无监督式深度学习 /
11.2.1深度信念网络 /
11.2.2自动编码器网络 /
11.3生成对抗网络 /
11.3.1生成对抗网络基本原理 /
11.3.2常见的生成对抗网络 /
11.4迁移学习 /
习题 /
参考文献
|
| 內容試閱：
|
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门学科。机器学习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，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，主要使用归纳、综合而不是演绎，是使计算机具有智能的根本途径，已经遍及人工智能的各个领域。目前机器学习已经有了十分广泛的应用，如数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等。
本书是“应用型高校产教融合系列教材·大电类专业系列”的其中一本。根据应用型高校培养应用技术型人才的需要，本书注重循序渐进、理论联系实际的原则，内容以适量、实用为度，重视理论知识的运用，着重培养学生应用理论知识分析和解决人工智能实际问题的能力。作为教材，本书力求叙述简练，概念清晰，通俗易懂，便于自学。对于机器学习的算法分析，做到步骤清楚，结果正确，在例题的选择上更接近实际应用并具有典型性，是一本体系创新、深浅适度、重在应用、着重能力培养的应用型本科教材。
本书共11章，主要内容有： 机器学习绪论； 数据降维与特征工程； 决策树与分类算法； 聚类分析； 文本分析； 神经网络； 贝叶斯网络； 支持向量机； 联邦机器学习； 深度学习基础； 高级深度学习。
本书可作为高等学校计算机类相关专业和人工智能专业的本科生教材，也可作为研究生、成人教育及自学考试用教材，或作为人工智能工程技术人员的参考用书。
本书第1章、第10章插图由陈开锦绘制，第2～4章插图由代昱丞绘制，第5～9章插图及第11章由常正佳绘制及编写。全书由罗光圣博士担任主编，负责全书的统稿、校核和定稿，由方志军教授担任副主编。本书在编写过程中得到上海工程技术大学电子电气工程学院、东华大学计算机学院方秀教授和她的硕士生卓海燕、上海理想信息产业（集团）有限公司技术经理范利成先生的大力支持，在此表示衷心的感谢。
由于编者水平有限，书中内容较多，不当之处在所难免，欢迎广大同行和读者批评指正。
编者
2024年4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
