欢迎光临中图网 请 | 注册

机器学习基础

出版社:高等教育出版社出版时间:2023-12-01
开本: 16开 页数: 400
中 图 价:¥44.3(8.2折) 定价  ¥54.0 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>

机器学习基础 版权信息

  • ISBN:9787040595925
  • 条形码:9787040595925 ; 978-7-04-059592-5
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

机器学习基础 内容简介

机器学习就是希望机器能够模拟人类学习的过程,使机器在没有明确人工指导的情况下通过分析数据不断获得经验和知识,再调整自身行为进行自我学习,从而改善性能。因此,机器学习融合了人工智能、信息科学、计算机科学、以及类脑科学的相关领域知识,被广泛应用于国防安全、智能制造、智慧医疗、智慧城市、以及数字娱乐等。本书共包含9章内容,第1-4章主要介绍了机器学习的基本方法,包括基本概念、无监督聚类分析、有监督统计学习和有监督判别学习;第5-7章主要介绍了深度学习基础知识、经典网络、以及前沿进展;第8-9章分别介绍了机器学习在目标检测和分割方面的具体应用。本书在介绍核心算法时给出了相应例题,通过例题可更好地理解和掌握相关知识。此外,所有章节都附有习题以及部分创新思考题。本教材适用于信息与通信工程、人工智能、计算机应用及相关专业的高年级本科生和研究生教学,也适用于与机器学习相关的工程技术人员参考学习。

机器学习基础 目录

第1章 绪论 1.1 人工智能 1.2 机器学习 1.3 基本概念 1.3.1 定义和术语 1.3.2 原理和假设 1.4 学习方法 1.4.1 监督学习 1.4.2 无监督学习 1.4.3 半监督学习 1.4.4 迁移学习 1.4.5 强化学习 1.4.6 连续学习 1.5 机器学习应用 1.6 本书结构 1.6.1 逻辑结构图 1.6.2 本书概要 习题 参考文献 第2章 无监督聚类分析 2.1 引言 2.1.1 聚类的含义 2.1.2 样本相似度的计算方法 2.2 性能评估 2.2.1 内部评估 2.2.2 外部评估 2.3 层次聚类算法 2.3.1 算法介绍 2.3.2 类别间的相似性度量及停止条件 2.3.3 算法特点 2.3.4 其他算法 2.4 K-均值聚类算法 2.4.1 算法介绍 2.4.2 算法流程 2.4.3 算法特点 2.4.4 算法变体 2.5 基于密度的聚类算法 2.5.1 算法介绍 2.5.2 算法特点 2.5.3 主要算法 2.6 谱聚类算法 2.6.1 算法思路 2.6.2 基本概念 2.6.3 算法建模 2.6.4 算法特点 习题 参考文献 第3章 有监督统计学习 3.1 引言 3.2 贝叶斯分类器 3.2.1 贝叶斯定理 3.2.2 *小错误率判别准则 3.2.3 *小风险判别准则 3.2.4 朴素贝叶斯判别器 3.2.5 概率图模型 3.3 概率密度估计 3.3.1 *大似然估计 3.3.2 *大后验估计 3.3.3 非参数的概率密度估计 3.4 采样方法 3.4.1 基本概念 3.4.2 马尔可夫链蒙特卡罗采样(MCMC) 3.4.3 Metropolis-Hastings采样 3.4.4 吉布斯采样 习题 参考文献 第4章 有监督判别学习 4.1 引言 4.2 线性判别分类 4.2.1 一对多情况 4.2.2 一对一情况 4.2.3 一对一情况特例 4.3 Fisher线性判别分析 4.4 支持向量机 4.4.1 模型构建与优化 4.4.2 核函数 4.4.3 软间隔与正则化 4.5 AdaBoost算法 4.6 决策树 4.6.1 决策树的度量指标 4.6.2 ID3算法 4.6.3 C4.5 算法 4.6.4 CART算法 4.6.5 决策树的剪枝 4.6.6 随机森林 习题 参考文献 …… 第5章 深度学习基础 第6章 网络优化与经典的深度卷积神经网络模型 第7章 深度学习前沿 第8章 目标检测 第9章 图像分割 中英文对照表 英文缩略表
展开全部
商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服