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:

  • 正版新书]机器学习(Python+sklearn+TensorFlow 2.0) 微课视频版
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 王衡军著 | 王衡军编 | 王衡军译 | 王衡军绘
    • 出版社: 清华大学出版社
    • 出版时间:2020-09-01
    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:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 王衡军著| 王衡军编| 王衡军译| 王衡军绘
    • 出版社:清华大学出版社
    • 出版时间:2020-09-01
    • 版次:1
    • 印次:1
    • 印刷时间:2020-09-01
    • 字数:411000
    • 页数:252
    • 开本:16开
    • ISBN:9787302559283
    • 版权提供:清华大学出版社
  • 作者: 王衡军
  • 著: 王衡军 译
  • 装帧: 平装
  • 印次: 1
  • 定价: 69.9
  • ISBN: 9787302559283
  • 出版社: 清华大学出版社
  • 开本: 16开
  • 印刷时间: 2020-09-01
  • 语种: 中文
  • 出版时间: 2020-09-01
  • 页数: 252
  • 外部编号: 党庄A32500
  • 版次: 1
  • 成品尺寸: 暂无
  • 第1章绪论

    1.1机器学习是什么

    1.2机器学习算法

    1.2.1机器学习算法分类

    1.2.2机器学习算法的术语

    1.3本书的学习之路

    1.4编程环境及工具包

    第2章聚类

    2.1k均值聚类算法及应用示例

    2.1.1算法及实现

    2.1.2在手机机主身份识别中的应用示例

    2.1.3进一步讨论

    2.1.4改进算法

    2.2聚类算法基础

    2.2.1聚类任务

    2.2.2样本点常用距离度量

    2.2.3聚类算法评价指标

    2.2.4聚类算法分类

    2.3DBSCAN及其派生算法

    2.3.1相关概念及算法流程

    2.3.2邻域参数ε和MinPts的确定

    2.3.3OPTICS算法

    2.4AGNES算法

    2.4.1簇之间的距离度量

    2.4.2算法流程

    2.5练习题

    第3章回归

    3.1回归任务、评价与线性回归模型

    3.1.1回归任务

    3.1.2线性回归模型与回归评价指标

    3.1.3最小二乘法求解线性回归模型

    3.2机器学习中的很优化方法

    3.2.1很优化模型

    3.2.2迭代法

    3.2.3梯度下降法

    3.2.4全局很优与凸优化

    3.2.5牛顿法

    3.3多项式回归

    3.4过拟合与泛化

    3.4.1欠拟合、过拟合与泛化能力

    3.4.2泛化能力评估方法

    3.4.3过拟合抑制

    3.5向量相关性与岭回归

    3.5.1向量的相关性

    3.5.2岭回归算法

    3.6局部回归

    3.6.1局部加权线性回归

    3.6.2K近邻法

    3.7练习题

    第4章分类

    4.1决策树、随机森林及其应用

    4.1.1决策树分类算法

    4.1.2随机森林算法

    4.1.3在O2O优惠券使用预测示例中的应用

    4.1.4进一步讨论

    4.1.5回归树

    4.2分类算法基础

    4.2.1分类任务

    4.2.2分类模型的评价指标

    4.3逻辑回归

    4.3.1平面上二分类的线性逻辑回归

    4.3.2逻辑回归模型

    4.3.3多分类逻辑回归

    4.4Softmax回归

    4.4.1Softmax函数

    4.4.2Softmax回归模型

    4.4.3进一步讨论

    4.5集成学习与类别不平衡问题

    4.5.1装袋方法及应用

    4.5.2提升方法及应用

    4.5.3投票方法及应用

    4.5.4类别不平衡问题

    4.6练习题

    第5章特征工程、降维与超参数调优

    5.1特征工程

    5.1.1数据总体分析

    5.1.2数据可视化

    5.1.3数据预处理

    5.2线性降维

    5.2.1奇异值分解

    5.2.2主成分分析

    5.3超参数调优

    5.3.1网格搜索

    5.3.2随机搜索

    5.4练习题

    第6章概率模型与标注

    6.1概率模型

    6.1.1分类、聚类和标注任务的概率模型

    6.1.2生成模型和判别模型

    6.1.3概率模型的简化假定

    6.2逻辑回归模型的概率分析

    6.3朴素贝叶斯分类

    6.3.1条件概率估计难题

    6.3.2特征条件独立假定

    6.3.3朴素贝叶斯法的算法流程及示例

    6.3.4朴素贝叶斯分类器

    6.4EM算法与高斯混合聚类

    6.4.1EM算法示例

    6.4.2EM算法及其流程

    6.4.3高斯混合聚类

    6.5隐马尔可夫模型

    6.5.1马尔可夫链

    6.5.2隐马尔可夫模型及示例

    6.5.3前向后向算法

    6.5.4维特比算法

    6.6条件随机场模型

    6.7练习题

    第7章神经网络

    7.1神经网络模型

    7.1.1神经元

    7.1.2神经网络

    7.1.3分类、聚类、回归、标注任务的神经网络模型

    7.2多层神经网络

    7.2.1三层感知机的误差反向传播学习示例

    7.2.2误差反向传播学习算法

    7.2.3多层神经网络常用损失函数

    7.2.4多层神经网络常用优化算法

    7.2.5多层神经网络中过拟合的抑制

    7.2.6进一步讨论

    7.3竞争学习和自组织特征映射网络

    7.3.1竞争学习

    7.3.2自组织特征映射网络的结构与学习

    7.4练习题

    第8章深度学习

    8.1概述

    8.2卷积神经网络

    8.2.1卷积神经网络示例

    8.2.2卷积层

    8.2.3池化层和Flatten层

    8.2.4批标准化层

    8.2.5典型卷积神经网络

    8.3循环神经网络

    8.3.1基本单元

    8.3.2网络结构

    8.3.3长短时记忆网络

    8.3.4双向循环神经网络和深度循环神经网络

    8.3.5序列标注示例

    8.4练习题

    参考文献

    王衡军,博士,战略支援部队信息工程大学副教授,硕士研究生导师,获得多项军队科技进步奖,近年来从事机器学习领域研究工作。

    第3章回归与分簇、分类和标注任务不同,回归(Regression)任务预测的不是有限的离散的标签值,而是无限的连续值。回归任务的目标是通过对训练样本的学习,得到从样本特征集到连续值之间的映射。如天气预测任务中,预测天气是冷还是热是分类问题,而预测精确的温度值则是回归问题。
    本章从较容易理解的线性回归入手,分别讨论了线性回归、多项式回归、岭回归和局部回归等算法。
    本章引入了最优化计算、过拟合处理、向量相关性度量等机器学习基础知识。
    某些神经网络也可完成回归任务,有关神经网络的算法将在后文有关章节中统一讨论。
    视频3.1回归任务、评价与线性回归模型3.1.1回归任务设样本集S={s1,s2,…,sm}包含m个样本,样本si=(xi,yi)包括一个实例xi和一个实数标签值yi,实例由n维特征向量表示,即xi=(x(1)i,x(2)i,…,x(n)i)。回归任务可分为学习过程和预测过程,如图31所示。
    图31回归任务的模型在学习过程,基于损失函数最小的思想,学习得到一个模型,该模型是从实例特征向量到实数的映射,用决策函数Y=f(X)来表示,X是定义域,它是所有实例特征向量的集合,Y是值域R。
    记测试样本为x=(x(1),x(2),…,x(n))。在预测过程,利用学习到的模型来得到测试样本x的预测值y^。
    误差和误差平方是回归模型的评价指标,常作为损
    失函数,在下文结合线性回归进行讨论。
    回归常表现为用曲线或曲面(二维或高维)去逼近分布于空间中的各样本点,因此也称为拟合。直线和平面可视为特殊的曲线和曲面。
    3.1.2线性回归模型与回归评价指标当用输入样本的特征的线性组合作为预测值时,就是线性回归(LinearRegression)。
    记样本为s=(x,y),其中x为样本的实例,x=(x(1),x(2),…,x(n)),x(j)为实例x的第j维特征,也直接称为该样本的第j维特征,y为样本的标签,在回归问题中,y是一个无限的连续值。
    定义一个包含n个实数变量的集合{w(1),w(2),…,w(n)}和一个实数变量b,将样本的特征进行线性组合:f(x)=w(1)·x(1)+w(2)·x(2)+…+w(n)·x(n)+b(31)就得到了线性回归模型,用向量表示为f(x)=W·xT+b(32)其中,向量W=(w(1)w(2)…w(n))称为回归系数,负责调节各特征的权重,标量b称为偏置,负责调节总体的偏差。显然,在线性回归模型中,回归系数和偏置

    本书讲解细致准确,案例易于理解,全书讲述了机器学习常见任务模型的算法及应用,实用性强。

    本书讲解细致准确,案例易于理解,全书讲述了机器学习常见任务模型的算法及应用,实用性强。

    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