扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
中医基础理论
-
>
高校军事课教程
-
>
思想道德与法治(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)
-
>
中医内科学·全国中医药行业高等教育“十四五”规划教材
-
>
中医诊断学--新世纪第五版
-
>
中药学·全国中医药行业高等教育“十四五”规划教材
机器学习经典算法与案例实战 微课视频版 版权信息
- ISBN：9787302662082
- 条形码：9787302662082 ; 978-7-302-66208-2
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器学习经典算法与案例实战 微课视频版 本书特色
遵循“从浅到深，理论到实践；以案例为主，理论为辅”的编写原则，在机器学习主流算法的理论框架基础上，使学习者快速掌握主流算法的理论框架，通过相应案例讲解，培养学习者解决实际问题的能力。每章内容配有相应的教案、课件和题库，以及重要章节或知识点的讲解视频。
本书侧重案例讲解，内容新颖，深入浅出，图文并茂，语言通俗易懂，注重理论联系实际。在编写形式上，引入丰富的案例，注重理论与实践的结合，通过各章节配有的相应算法案例，使读者更加快速、深入地理解和掌握机器学习主要算法，提高其运用机器学习主要算法解决实际问题的能力。
机器学习经典算法与案例实战 微课视频版 内容简介
本书以案例为载体，介绍了目前机器学习的部分主流算法及其应用，简要概括部分主流算法的基本原理，详细说明应用算法过程中需要注意的问题，通过实际案例的解析使学生更好地掌握主流算法。全书共四部分。**部分（第1章）为理论基础，着重介绍机器学习的发展及主流应用，还详细介绍了本书中全部案例运行环境的搭建方法。第二部分（第2~7章）为监督学习模型，着重介绍了贝叶斯分类器、线性模型、决策结、K近邻、支持向量机和随机森林的基本原理。第三部分（第8、9章）为无监督学习模型，详细介绍了数据降维和K均值聚类。第四部分（第10~12章）为神经网络与深度学习，介绍了几类目前流行的神经网络和深度学习网络。全书提供了大量应用案例，每章后均附有习题。本书适合作为各类高等院校计算机、人工智能专业的教材，也适合作为相关专业研究生的入门教材，还可供人工智能和数据挖掘方向的开发人员、广大科技工作者和研究人员参考。
机器学习经典算法与案例实战 微课视频版 目录
**部分理 论 基 础
第1章绪论
1.1机器学习概述
1.2机器学习应用基础
1.3机器学习应用系统
1.4机器学习发展
1.5机器学习中的观点和问题
1.6模型评价常用指标
1.7目前主流应用
1.7.1数据挖掘
1.7.2计算机视觉
1.7.3自然语言处理
1.7.4语音识别
1.7.5推荐系统
1.8运行环境搭建
1.8.1Python安装
1.8.2PyCharm安装模块文件
1.8.3Anaconda安装
1.9知识扩展
1.10习题
第二部分监督学习模型
第2章贝叶斯分类器
2.1贝叶斯分类器基本思想
2.2朴素贝叶斯分类器
2.2.1朴素贝叶斯分类器原理
2.2.2朴素贝叶斯分类器案例——垃圾邮件过滤
2.3正态贝叶斯分类器
2.3.1正态贝叶斯分类器原理
2.3.2正态贝叶斯分类器案例——训练资料分类
2.4知识扩展
2.5习题
第3章线性模型
3.1回归预测
3.2线性回归
3.2.1线性回归的基本原理
3.2.2线性回归的案例——波士顿房价预测Ⅰ
3.3逻辑回归
3.3.1逻辑回归的基本原理
3.3.2逻辑回归的损失函数
3.3.3逻辑回归的案例——泰坦尼克号乘客预测
3.4其他回归模型
3.4.1套索回归
3.4.2岭回归
3.4.3套索回归和岭回归的案例——波士顿房价预测Ⅱ
3.5知识扩展
3.6习题
第4章决策树
4.1什么是决策树
4.2构建决策树
4.2.1构建决策树的基本过程
4.2.2基尼系数
4.2.3信息熵和信息增益
4.3修剪决策树
4.3.1预剪枝
4.3.2后剪枝
4.4决策树案例——员工流失分析
4.5决策树回归问题
4.6知识扩展
4.7习题
第5章K近邻
5.1K近邻算法的基本思想
5.2K近邻算法中的距离度量
5.3选择合适的K值
5.4K近邻案例——鸢尾花分类
5.5知识扩展
5.6习题
第6章支持向量机
6.1SVM的基本原理
6.1.1线性SVM分类器
6.1.2硬间隔与软间隔
6.1.3非线性SVM分类器
6.2核函数
6.2.1核函数原理
6.2.2几种常见的核函数
6.3SVM案例——手写数字图像识别
6.4KSVM案例——人脸图像识别
6.5知识扩展
6.6习题
第7章随机森林
7.1集成学习原理
7.2算法流程
7.2.1Bagging集成算法
7.2.2Boosting集成算法
7.3随机森林算法
7.3.1随机森林原理
7.3.2随机森林案例——红酒分类
7.4知识扩展
7.5习题
第三部分无监督学习模型
第8章数据降维
8.1降维与重构算法思想
8.2PCA
8.2.1PCA算法原理
8.2.2PCA算法案例——图像降维和重建
8.3随机近邻嵌入
8.3.1随机近邻嵌入算法原理
8.3.2随机近邻嵌入案例——手写数字图像降维
8.4知识扩展
8.5习题
第9章K均值聚类
9.1K均值聚类基本思想
9.2K均值聚类算法流程
9.3K均值聚类案例——图像的分割和压缩
9.4知识扩展
9.5习题
第四部分神经网络与深度学习
第10章神经网络
10.1神经网络基本思想
10.2反向传播算法
10.2.1反向传播算法原理
10.2.2反向传播算法案例——手写数字图像预测
10.3知识扩展
10.4习题
第11章自编码器图像降噪
11.1图像噪声的处理办法
11.2卷积自编码器图像降噪
11.2.1卷积自编码器原理简述
11.2.2卷积自编码器降噪原理
11.2.3卷积自编码器降噪案例
11.3稀疏自编码器图像降噪
11.3.1稀疏自编码器原理简介
11.3.2稀疏自编码器图像降噪案例
11.4知识扩展
11.5习题
第12章几种深度学习网络
12.1开启深度学习之旅
12.2卷积神经网络
12.2.1卷积神经网络原理简介
12.2.2深度卷积神经网络案例——图像目标检测
12.3循环神经网络
12.3.1循环神经网络原理简介
12.3.2循环神经网络的几种实现
12.3.3循环神经网络案例——航空旅客数量预测
12.4生成对抗网络
12.4.1生成对抗网络原理简述
12.4.2生成对抗网络案例——提高图像分辨率
12.5概率图模型
12.5.1概率图模型简述
12.5.2高斯混合模型概述
12.5.3高斯混合模型案例——图像分割
12.6知识扩展
12.7习题
参考文献
参考文献
展开全部
