中图网

>

研究生/本科/专科教材

>

工学

机器学习导论(高等学校电子信息类专业系列教材)

作者：张旭东

出版社：清华大学出版社出版时间：2022-01-01

开本： 16开 页数： 401

本类榜单：教材销量榜

中图价:¥67.3(6.8折) 定价 ~~¥99.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
中医基础理论

中医基础理论

¥51.7¥59
>
高校军事课教程

高校军事课教程

¥14.2¥38
>
思想道德与法治(2021年版)

思想道德与法治(2021年版)

¥8.8¥18
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)

毛泽东思想和中国特色社会主义理论体系概论(2021年版)

¥11¥25
>
中医内科学·全国中医药行业高等教育“十四五”规划教材

中医内科学·全国中医药行业高等教育“十四五”规划教材

¥85.1¥99
>
中医诊断学--新世纪第五版

中医诊断学--新世纪第五版

¥50.9¥58
>
中药学·全国中医药行业高等教育“十四五”规划教材

中药学·全国中医药行业高等教育“十四五”规划教材

¥85.1¥99

商品详情
商品评论(0条)

中图价:¥67.3 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

机器学习导论(高等学校电子信息类专业系列教材) 版权信息

ISBN：9787302594727
条形码：9787302594727 ; 978-7-302-59472-7
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
教材
>
研究生/本科/专科教材
>
工学

机器学习导论(高等学校电子信息类专业系列教材) 本书特色

机器学习具有多学科交叉的特点，是当前学术界和工业界均关注的热点领域，其应用范围十分广泛，已经成为一种解决诸多问题的有效工具。本书以理工科高年级本科生和低年级研究生的基础知识为立足点，以面向工程应用为目标，是一本综合性的机器学习教程。本书既反映机器学习的基础知识和经典方法，又重视深度学习和强化学习的知识内容，使读者不仅能在机器学习领域打下坚实的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。本书的主要内容包括： ?? 机器学习理论概述； ?? 机器学习的统计与优化基础； ?? 基本回归与分类学习算法； ?? 支持向量机； ?? 决策树与集成学习； ?? 无监督学习算法； ?? 神经网络与深度学习； ?? 深度学习专题（GAN、Transformer等）； ?? 强化学习与深度强化学习。教学资源 ?? 微课视频 ?? 教学大纲 ?? 教学课件 ?? 习题解答

机器学习导论(高等学校电子信息类专业系列教材) 内容简介

　　《机器学习导论/高等学校电子信息类专业系列教材》对机器学习的基础知识和基本算法进行了详细的介绍，对广泛应用的经典算法（如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等）进行了深入的分析，并讨论了无监督学习的基本方法。用5章对深度学习和深度强化学习进行了相当全面的叙述，不仅深入地讨论了反向传播算法、多层感知机、卷积神经网络、循环神经网络和长短期记忆网络等深度神经网络的核心知识和结构，对于一些发展中的专题（如生成对抗网络和Transformer等）也给予了一定深度的介绍。对于强化学习，不仅介绍了经典表格方法，也较详细地讨论了深度强化学习。　　《机器学习导论/高等学校电子信息类专业系列教材》对于基础和前沿、经典方法和热门技术尽可能平衡，使读者不仅能在机器学习领域打下一个良好的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。　　《机器学习导论/高等学校电子信息类专业系列教材》是一本面向大学理工科和管理类各专业的宽口径、综合性的机器学习教材，可供高年级本科生和研究生使用，也可帮助科技人员、工程师和程序员自学机器学习的原理和算法。　　机器学习具有多学科交叉的特点，是当前学术界和工业界均关注的热点领域，其应用范围十分广泛，已经成为一种解决诸多问题的有效工具。　　《机器学习导论/高等学校电子信息类专业系列教材》以理工科高年级本科生和低年级研究生的基础知识为立足点，以面向工程应用为目标，是一本综合性的机器学习教程。　　《机器学习导论/高等学校电子信息类专业系列教材》既反映机器学习的基础知识和经典方法，又重视深度学习和强化学习的知识内容，使读者不仅能在机器学习领域打下坚实的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。

机器学习导论(高等学校电子信息类专业系列教材) 目录

第1章机器学习概述

1.1什么是机器学习

1.2机器学习的分类

1.2.1基本分类

1.2.2监督学习及其功能分类

1.3构建机器学习系统

1.3.1机器学习的基本元素

1.3.2机器学习的一些基本概念

1.3.3机器学习模型的性能评估

1.4通过简单示例理解机器学习

1.4.1一个简单的回归示例

1.4.2一个简单的分类示例

1.5训练、验证与测试

1.6深度学习简介

1.7本章小结

习题

第2章统计与优化基础

2.1概率基础

2.1.1离散随机变量

2.1.2连续随机变量

2.1.3随机变量的基本特征

2.1.4随机特征的蒙特卡洛逼近

2.2概率实例

2.2.1离散随机变量示例

2.2.2高斯分布

2.2.3指数族

2.2.4混合高斯过程

2.2.5马尔可夫过程

2.3*大似然估计

2.4贝叶斯估计——*大后验估计

2.5随机变量的熵特征

2.5.1熵的定义和基本性质

2.5.2KL散度、互信息和负熵

2.6非参数方法

2.7优化技术概述

2.7.1基本优化算法

2.7.2拉格朗日方法

2.8本章小结

习题

第3章贝叶斯决策

3.1机器学习中的决策

3.2分类的决策

3.2.1加权错误率准则

3.2.2拒绝判决

3.3回归的决策

3.4高斯情况下的分类决策

3.4.1相同协方差矩阵情况的二分类

3.4.2不同协方差矩阵情况的二分类

3.4.3多分类情况

3.5KNN方法

*3.6概率图模型概述

3.6.1贝叶斯网络

3.6.2无向图模型

3.6.3图模型的学习与推断

3.7本章小结

习题

第4章基本回归算法

4.1线性回归

4.1.1基本线性回归

4.1.2线性回归的递推学习

4.1.3正则化线性回归

4.1.4多输出线性回归

*4.2稀疏线性回归Lasso

4.2.1Lasso的循环坐标下降算法

4.2.2Lasso的LAR算法

4.3线性基函数回归

*4.4奇异值分解

4.5回归学习的误差分解

4.6本章小结

习题

第5章基本分类学习

5.1基本分类问题

5.2线性判别函数模型

5.2.1Fisher线性判别分析

*5.2.2感知机

5.3逻辑回归

5.3.1二分类问题的逻辑回归

5.3.2多分类问题的逻辑回归

5.4朴素贝叶斯方法

*5.5机器学习理论简介

5.5.1假设空间有限时的泛化误差界

5.5.2假设空间无限时的泛化误差界

5.6本章小结

习题

第6章支持向量机与核函数方法

6.1线性支持向量机

6.1.1不等式约束的优化

6.1.2线性可分情况的SVM

6.1.3不可分情况的SVM

6.1.4合页损失函数

6.1.5SVM用于多分类问题

6.2非线性支持向量机

6.2.1SVM分类算法小结

*6.2.2SMO算法

6.3支持向量回归

*6.4核函数方法

6.5本章小结

习题

第7章决策树

7.1基本决策树算法

7.1.1决策树的基本结构

7.1.2信息增益和ID3算法

7.1.3信息增益率和C4.5算法

7.2CART算法

7.2.1分类树

7.2.2回归树

7.3决策树的一些实际问题

7.3.1连续数值变量

7.3.2正则化和剪枝技术

7.3.3缺失属性的训练样本问题

7.4本章小结

习题

第8章集成学习

8.1Bagging和随机森林

8.1.1自助采样和Bagging算法

8.1.2随机森林算法

8.2提升和AdaBoost算法

8.2.1AdaBoost算法介绍

*8.2.2AdaBoost算法分析

8.3提升树算法

8.3.1加法模型和提升树

8.3.2梯度提升树

8.4本章小结

习题

第9章神经网络与深度学习之一：基础

9.1神经网络的基本结构

9.1.1神经元结构

9.1.2多层神经网络解决异或问题

9.1.3多层感知机

9.1.4神经网络的逼近定理

9.2神经网络的目标函数和优化

9.2.1神经网络的目标函数

9.2.2神经网络的优化

9.3误差反向传播算法

9.3.1反向传播算法的推导

9.3.2反向传播算法的向量形式

9.3.3反向传播算法的扩展

9.4神经网络学习中的一些问题

9.4.1初始化

9.4.2正则化

9.4.3几类等价正则化技术

9.5本章小结

习题

第10章神经网络与深度学习之二：结构

10.1卷积神经网络

10.1.1卷积运算及其物理意义

10.1.2基本CNN的结构

10.1.3CNN的参数学习

*10.1.4卷积的一些扩展结构

*10.1.5CNN示例介绍

10.2循环神经网络

10.2.1基本RNN

10.2.2RNN的计算和训练

*10.2.3长短期记忆模型

*10.2.4门控循环单元

10.3本章小结

习题

第11章神经网络与深度学习之三：技术和应用

11.1深度学习中的优化算法

11.1.1小批量SGD算法

11.1.2动量SGD算法

11.1.3自适应学习率算法

11.2深度学习训练的正则化技术

11.2.1Dropout技术

11.2.2批归一化

*11.2.3层归一化

*11.3对抗训练

*11.4自编码器

11.4.1自编码器的基本结构

11.4.2自编码器的一些扩展

*11.5生成对抗网络

*11.6注意力机制和Transformer

11.6.1注意力机制

11.6.2序列到序列模型

11.6.3Transformer

11.7本章小结

第12章聚类和EM算法

12.1聚类算法

12.1.1K均值聚类算法

12.1.2DBSCAN聚类算法

12.1.3其他度量和聚类算法

12.2EM算法

12.2.1EM算法的隐变量形式

12.2.2独立同分布情况

*12.2.3EM算法扩展到MAP估计

*12.2.4通过KL散度对EM算法的解释

12.3基于EM算法的高斯混合模型参数估计

12.3.1GMM参数估计

12.3.2GMM的软聚类

12.4本章小结

习题

第13章降维和连续隐变量学习

13.1主分量分析

13.1.1主分量分析原理

13.1.2广义Hebb算法

*13.2样本向量的白化和正交化

13.2.1样本向量的白化

13.2.2向量集的正交化

*13.3独立分量分析

13.3.1独立分量分析的原理和目标函数

13.3.2不动点算法FastICA

13.3.3自然梯度算法

13.3.4仿真实验举例

13.4本章小结

习题

第14章强化学习之一：经典方法

14.1强化学习的基本问题

14.2马尔可夫决策过程

14.2.1MDP的定义

14.2.2贝尔曼方程

14.2.3*优策略

14.2.4强化学习的类型

14.2.5探索与利用

14.3动态规划

14.3.1策略迭代方法

14.3.2值函数迭代方法

14.4强化学习的蒙特卡洛方法

14.4.1MC部分策略评估

14.4.2MC策略改进

14.4.3在轨策略和离轨策略

14.5强化学习的时序差分方法

14.5.1基本时序差分学习和Sarsa算法

14.5.2离轨策略和Q学习

14.5.3DP、MC和TD算法的简单比较

*14.5.4多步时序差分学习和资格迹算法

*14.6多臂赌博机

14.7本章小结

习题

第15章强化学习之二：深度强化学习

15.1强化学习的值函数逼近

15.1.1基本线性值函数逼近

*15.1.2线性值函数逼近的*小二乘策略迭代算法

15.1.3深度Q网络

15.2策略梯度方法

15.2.1MC策略梯度算法Reinforce

15.2.2行动器评判器方法

*15.3连续动作确定性策略梯度方法

15.3.1DPG算法

15.3.2DDPG算法

15.3.3连续动作DRL的一些进展概述

15.4本章小结

习题

附录A课程的实践型作业实例

A.1第1次实践作业

A.2第2次实践作业

A.3第3次实践作业

附录B函数对向量和矩阵的求导

术语表

参考文献

展开全部

机器学习导论(高等学校电子信息类专业系列教材) 作者简介

　　张旭东，清华大学电子工程系长聘教授，博士生导师，主要研究方向为信号处理和机器学习。先后承担国家、省部级和国际合作项目数十项，在IEEE、IET、ACM等重要刊物和NIPS、AAAI、ICASSP、SIGIR等重要会议上发表学术论文150余篇，出版著作5部。获得Elsevier的引用奖（The Most Cited Paper Award）和IET国际雷达年会论文奖，两次获得清华大学教学成果一等奖，3次获得清华大学优秀教材奖。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐

>
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
易竹贤
¥9.9~~¥23.0~~
>
月亮虎
月亮虎
[英] 佩内洛普·莱夫利著，郭国良译
¥20.2~~¥48.0~~
>
烟与镜
烟与镜
[英] 尼尔·盖曼著，王爽译
¥15.4~~¥48.0~~
>
经典常谈
经典常谈
朱自清
¥16.3~~¥39.8~~
>
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
鲁迅
¥14.7~~¥45.8~~
>
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
[英] 达尔文著，朱邦芊译
¥9.7~~¥14.0~~
>
诗经-先民的歌唱
诗经-先民的歌唱
裴溥言
¥18.7~~¥39.8~~
>
巴金－再思录
巴金－再思录
巴金
¥14.7~~¥46.0~~