中图网

>

计算机教材

机器学习与推理

作者：俞成浦、陈文颉、邓方著

出版社：清华大学出版社出版时间：2024-08-01

开本：其他页数： 313

本类榜单：计算机/网络销量榜

中图价:¥52.5(7.0折) 定价 ~~¥75.0~~ 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>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥52.5 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

机器学习与推理版权信息

ISBN：9787302668657
条形码：9787302668657 ; 978-7-302-66865-7
装帧：70g胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机教材

机器学习与推理本书特色

（1）体现工程教育专业认证的理念，通过对机器学习理论和案例的讲解和分析，提升读者解决复杂工程问题的能力和自我学习能力。（2）将机器学习与模型推理相关的知识进行模块化整理，使读者能够快速了解本书的内容架构和知识脉络，从而进行针对性学习。（3）剖析机器学习与模型推理的内涵和联系，让本书能够适用于自动化领域和计算机领域的教学和科研。（4）每章都配备了习题，附录提供了基础知识，便于读者自主学习。

机器学习与推理内容简介

"在人工智能与控制科学产生深度交叉融合的背景下，本书对机器学习和模型推理的经典算法和前沿理论知识进行深度剖析和全面梳理，形成具有理论深度和知识广度的参考资料，旨在支撑“智能科学与技术”和“控制科学与工程”两个一级学科的建设和发展。本书的主要内容分成两篇。**篇主要介绍机器学习的主要理论和方法，包括统计决策方法、监督学习方法、无监督学习方法、深度学习方法和近似推理方法。除了总结经典算法之外，**篇还介绍了**的集成学习方法（如迁移学习、终身学习和元学习）和深度学习方法（如图神经网络、深度信念网络和深度生成网络），使学生能够掌握机器学习专业方向的前沿理论知识。第二篇主要介绍模型推理的主要理论与方法，包括静态统计模型、概率图模型、马尔可夫模型以及马尔可夫决策过程。在模型知识的驱动下，第二篇聚焦控制领域的状态估计、系统辨识和马尔可夫决策，形成更具理论深度的高层次学习内容。为了帮助读者掌握核心内容和知识点，每章都配备了习题和主要参考文献，附录提供了本书学习的**基础知识。本书前半部分的知识点相对容易，适合本科教学；后半部分的知识点对矩阵分析和随机过程等数学知识要求较高，适合研究生教学。本书也是机器学习、模式识别和系统辨识等专业研究生科研的重要参考资料。 "

机器学习与推理目录

第1章绪论 1.1 人工智能发展 1.2 机器学习 1.2.1 机器学习概念 1.2.2 机器学习方法 1.2.3 机器学习分类 1.3 模型推理 1.3.1 模型分类 1.3.2 模型推理概念 1.3.3 模型推理方法 1.4 应用例子 1.5 内容安排习题篇机器学习第2章统计决策方法 2.1 贝叶斯决策 2.1.1 小错误率贝叶斯决策 2.1.2 小风险贝叶斯决策 2.1.3 Neyman-Pearson决策 2.1.4 贝叶斯决策规则比较 2.1.5 正态分布统计决策 2.2 概率密度函数估计 2.2.1 参数估计——极大似然法 2.2.2 参数估计—— 后验法 2.2.3 参数估计——贝叶斯方法 2.2.4 概率密度函数估计——贝叶斯学习 2.2.5 非参数概率密度函数估计——k近邻法 2.2.6 非参数概率密度函数估计——Parzen窗法习题第3章监督学习方法 3.1 小二乘法 3.1.1 线性回归 3.1.2 逻辑回归 3.1.3 均方误差估计 3.2 支持向量机 3.2.1 标准支持向量机 3.2.2 软间隔与正则化 3.2.3 支持向量回归 3.3 核方法与正则化 3.3.1 广义线性模型 3.3.2 核支持向量机 3.3.3 正则化理论 3.4 神经网络 3.4.1 感知器 3.4.2 神经网络结构 3.4.3 反向传播算法 3.5 复合学习方法 3.5.1 集成学习 3.5.2 多任务学习 3.5.3 迁移学习

展开全部

机器学习与推理作者简介

俞成浦，北京理工大学教授、博士生导师。长期从事系统建模和控制方面的教学与研究，讲授“机器学习基础”“模式识别”等课程。发表一作SCI论文20余篇，其中ESI热点论文2篇。主持基金委重大项目课题、重点研发计划课题和基金委面上基金。完成高层次海外人才青年项目和十三五装备预研项目。获自然科学一等奖和中国自动化学会自然科学一等奖。出版专著2部。陈文颉，北京理工大学副教授、硕士生导师。长期从事深度学习、目标检测与识别方面的教学和研究工作，讲授“模式识别”“电磁兼容技术”等课程。发表论文50余篇，授权专利20余项。承担装备型号项目、国防研究项目和自然科学基金。获科技进步奖2项。出版教材1部。邓方，北京理工大学教授、博士生导师。长期从事自主智能群系统、可穿戴泛在系统等方面教学与研究，讲授“控制系统的故障诊断与容错控制”“智能计算与信息处理”等课程。发表学术论文140余篇，授权发明专利108项。承担自科基金重点项目、科技创新2030重大项目等项目多项。获中国青年科技奖、北京市科技奖杰出青年中关村奖、科技进步奖二等奖、日内瓦发明展金奖、教学成果二等奖、北京市教学成果一、二等奖、IEEE TSMCS 副主编奖等。出版专著、教材各1部。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐