 |
-- 會員 / 註冊 --
|
 |
|
|
|
機器學習及其應用（運用樸實的語言，在每個章節穿插相應的應用實例） ( 簡體 字) |
| 作者：汪榮貴 楊娟 薛麗霞 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 51591
詢問書籍請說出此書號！【有庫存】
NT售價： 395 元 |
| 出版日：8/9/2019 |
| 頁數：388 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111632023 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：《機器學習及其應用》比較系統地介紹機器學習的基礎理論與應用技術。首先，介紹掌握機器學習理論和方法所必須具備的基礎知識，包括機器學習的基本概念與發展歷程、模型構造與優化的基本方法；然后，介紹和討論監督學習、無監督學習、集成學習、強化學習等傳統機器學習理論與方法；在詳細探討神經網絡與深度學習基本理論的基礎上，介紹深度卷積網絡、深度循環網絡、生成對抗網絡等若干典型深度學習模型的基本理論與訓練范式，分析討論深度強化學習的基本理論與方法。《機器學習及其應用》站在高年級本科生和低年級碩士研究生的思維角度編寫，盡可能用樸實的語言深入淺出地準確表達知識內容，著重突出機器學習方法的思想內涵和本質，使得廣大讀者能夠掌握全書主要內容。
《機器學習及其應用》每章均配有一定數量的習題，適合作為智能科學與技術、數據科學與大數據技術、計算機類相關專業的本科生或研究生的機器學習入門級教材，也可供工程技術人員和自學的讀者學習參考。 |
目錄：前言
第1章機器學習概述
1.1機器學習基本概念
1.1.1人工智能與機器學習
1.1.2機器學習基本術語
1.1.3機器學習誤差分析
1.2機器學習發展歷程
1.2.1感知機與連接學習
1.2.2符號學習與統計學習
1.2.3連接學習的興起
1.3機器學習基本問題
1.3.1特征提取
1.3.2規則構造
1.3.3模型評估
1.4習題
第2章模型估計與優化
2.1模型參數估計
2.1.1zui小二乘估計
2.1.2zui大似然估計
2.1.3zui大后驗估計
2.2模型優化基本方法
2.2.1梯度下降法
2.2.2牛頓迭代法
2.3模型優化概率方法
2.3.1隨機梯度法
2.3.2zui大期望法
2.3.3蒙特卡洛法
2.4模型正則化策略
2.4.1范數懲罰
2.4.2樣本增強
2.4.3對抗訓練
2.5習題
第3章監督學習
3.1線性模型
3.1.1模型結構
3.1.2線性回歸
3.1.3線性分類
3.2決策樹模型
3.2.1模型結構
3.2.2判別標準
3.2.3模型構造
3.3貝葉斯模型
3.3.1貝葉斯方法
3.3.2貝葉斯分類
3.3.3貝葉斯回歸
3.4支持向量機
3.4.1線性可分性
3.4.2核函數技術
3.4.3結構風險分析
3.5監督學習應用
3.5.1信用風險評估
3.5.2垃圾郵件檢測
3.5.3車牌定位與識別
3.6習題
第4章無監督學習
4.1聚類分析
4.1.1劃分聚類法
4.1.2密度聚類法
4.2主分量分析
4.2.1基本PCA方法
4.2.2核PCA方法
4.3稀疏編碼與學習
4.3.1稀疏編碼概述
4.3.2稀疏表示學習
4.3.3數據字典學習
4.4無監督學習應用
4.4.1熱點話題發現
4.4.2自動人臉識別
4.5習題
第5章集成學習
5.1集成學習基本知識
5.1.1集成學習基本概念
5.1.2集成學習基本范式
5.1.3集成學習泛化策略
5.2Bagging集成學習
5.2.1Bagging集成策略
5.2.2隨機森林模型結構
5.2.3隨機森林訓練算法
5.3Boosting集成學習
5.3.1Boosting集成策略
5.3.2AdaBoost集成學習算法
5.3.3GBDT集成學習算法
5.4集成學習應用
5.4.1房價預測分析
5.4.2自動人臉檢測
5.5習題
第6章強化學習
6.1強化學習概述
6.1.1強化學習基本知識
6.1.2馬爾可夫模型
6.1.3強化學習計算方式
6.2基本強化學習
6.2.1值迭代學習
6.2.2時序差分學習
6.2.3Q學習
6.3示范強化學習
6.3.1模仿強化學習
6.3.2逆向強化學習
6.4強化學習應用
6.4.1自動爬山小車
6.4.2五子棋自動對弈
6.5習題
第7章神經網絡與深度學習
7.1神經網絡概述
7.1.1神經元與感知機
7.1.2前饋網絡模型
7.1.3模型訓練基本流程
7.2神經網絡常用模型
7.2.1徑向基網絡
7.2.2自編碼器
7.2.3玻爾茲曼機
7.3深度學習基本知識
7.3.1淺層學習與深度學習
7.3.2深度堆棧網絡
7.3.3DBN模型及訓練策略
7.4神經網絡應用
7.4.1光學字符識別
7.4.2自動以圖搜圖
7.5習題
第8章常用深度網絡模型
8.1深度卷積網絡
8.1.1卷積網絡概述
8.1.2基本網絡模型
8.1.3改進網絡模型
8.2深度循環網絡
8.2.1動態系統展開
8.2.2網絡結構與計算
8.2.3模型訓練策略
8.3生成對抗網絡
8.3.1生成器與判別器
8.3.2網絡結構與計算
8.3.3模型訓練策略
8.4常用深度網絡應用
8.4.1圖像目標檢測
8.4.2自動文本摘要
8.5習題
第9章深度強化學習
9.1深度強化學習概述
9.1.1基本學習思想
9.1.2基本計算方式
9.1.3蒙特卡洛樹搜索
9.2基于價值的學習
9.2.1深度Q網絡
9.2.2深度雙Q網絡
9.2.3DQN模型改進
9.3基于策略的學習
9.3.1策略梯度算法
9.3.2Actor-Critic算法
9.3.3DDPG學習算法
9.4深度強化學習應用
9.4.1智能巡航小車
9.4.2圍棋自動對弈
9.5習題
參考文獻 |
| 序： |
|
