返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 机器学习技术及应用 徐宏英 等 编 专业科技 文轩网
  • 新华书店正版
    • 作者: 徐宏英等著
    • 出版社: 电子工业出版社
    • 出版时间:2023-02-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 徐宏英等著
    • 出版社:电子工业出版社
    • 出版时间:2023-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2023-02-01
    • 页数:252
    • 开本:其他
    • 装帧:平装
    • ISBN:9787121449154
    • 国别/地区:中国
    • 版权提供:电子工业出版社

    机器学习技术及应用

    作  者:徐宏英 等 编
    定  价:68
    出 版 社:电子工业出版社
    出版日期:2023年01月01日
    页  数:256
    装  帧:平装
    ISBN:9787121449154
    主编推荐

    机器学习课程内容选择上,既要选择反映机器学习的基础知识和经典算法,又要重视近期非常活跃的深度学习和神经网络的内容。

    内容简介

    机器学习是人工智能的一个方向。它是一门多领域交叉学科,涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动,从现有大量的数据中学习,利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点;第2章搭建机器学习开发环境,主要包括anaconda\pycharm\python软件的安装及使用,以及常见机器学习库的介绍和安装使用方法;第3章介绍了监督学习的4个经典算法:线性回归、决策树、k近邻和支持向量机算法,其重点在算法的应用;第4章介绍了主成分分析降维算法、Kmeans聚类算法;第5章介绍人工神经网络基础,并通过房价预测和手写数字识别实例进行验证;第6章介绍强化学习的基本概念,有模型学习和无模型学习,最后null

    作者简介

    徐宏英,女,工学硕士,重庆电子工程职业学院骨干教师,参研国家自然科学基金一项,参研省级重点科技攻关项...

    精彩内容

    目录
    第1章 机器学习介绍 001
    1.1 机器学习简介 002
    1.1.1 机器学习的基本概念 003
    1.1.2 机器学习的发展历史 005
    1.2 机器学习的分类及典型算法 010
    1.2.1 机器学习的分类 010
    1.2.2 监督学习 011
    1.2.3 非监督学习 014
    1.2.4 半监督学习 015
    1.2.5 强化学习 018
    本章小结 019
    习题 020
    第2章 基于Python语言的机器学习环境搭建与配置 023
    2.1 机器学习相关软件介绍 024
    2.1.1 机器学习开发语言 024
    2.1.2 机器学习开发工具 028
    2.2 机器学习开发环境搭建 036
    2.2.1 Python的安装及使用 036
    2.2.2 Anaconda的安装及使用 041
    2.2.3 PyCharm的安装及使用 052
    2.3 常见机器学习库函数功能介绍 059
    2.3.1 基础科学计算库(NumPy) 059
    2.3.2 科学计算工具集(Scipy) 068
    2.3.3 数据分析库(Pandas) 074
    2.3.4 图形绘制库(Matplotlib) 079
    2.3.5 机器学习常用算法库(Scikit-learn) 080
    本章小结 083
    习题 084
    第3章 监督学习 087
    3.1 线性回归算法 088
    3.1.1 常用损失函数 089
    3.1.2 最小二乘法 091
    3.1.3 梯度下降法 092
    3.1.4 线性回归算法实例 094
    3.2 决策树算法 098
    3.2.1 分类准则 099
    3.2.2 ID3算法 102
    3.2.3 C4.5算法 108
    3.2.4 CART算法 111
    3.2.5 决策树算法实例 113
    3.3 k近邻算法 116
    3.3.1 k值的选取及特征归一化 117
    3.3.2 kd树 120
    3.3.3 k近邻算法实例 128
    3.4 支持向量机算法 133
    3.4.1 线性可分性 133
    3.4.2 对偶问题 136
    3.4.3 核函数 139
    3.4.4 软间隔 142
    3.4.5 支持向量机算法实例 144
    本章小结 146
    习题 146
    第4章 非监督学习 149
    4.1 非监督学习概述 150
    4.1.1 非监督学习的基本概念 150
    4.1.2 非监督学习的分类 151
    4.1.3 非监督学习的特点 152
    4.1.4 非监督学习的应用 153
    4.2 主成分分析降维算法 154
    4.2.1 数据降维介绍 154
    4.2.2 PCA算法介绍 155
    4.2.3 PCA算法求解步骤 159
    4.2.4 PCA算法实例 161
    4.3 K-means聚类算法 163
    4.3.1 聚类算法简介 163
    4.3.2 K-means算法介绍 164
    4.3.3 K-means算法求解步骤 165
    4.3.4 K-means算法实例 170
    本章小结 172
    习题 173
    第5章 人工神经网络 175
    5.1 人工神经网络概述 176
    5.1.1 人工神经网络的发展历程 176
    5.1.2 人工神经网络基础 180
    5.1.3 人工神经网络模型 188
    5.1.4 人工神经网络的应用 191
    5.2 房价预测实例 193
    5.2.1 房价预测模型构建 193
    5.2.2 房价预测网络构建 198
    5.3 手写数字识别实例 199
    5.3.1 手写数字识别简介 199
    5.3.2 手写数字识别网络构建 201
    本章小结 203
    习题 203
    第6章 强化学习 205
    6.1 强化学习概述 206
    6.1.1 强化学习的基本概念 206
    6.1.2 强化学习的发展历史 208
    6.1.3 强化学习的分类 210
    6.1.4 强化学习的特点及应用 211
    6.2 强化学习基础 212
    6.2.1 马尔可夫决策过程 212
    6.2.2 贪心算法 213
    6.3 有模型学习和无模型学习 214
    6.3.1 有模型学习 214
    6.3.2 无模型学习 216
    6.4 强化学习实例 216
    6.4.1 Q-Learning算法 216
    6.4.2 Sarsa算法 232
    本章小结 242
    习题 243

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购