由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版] 机器学习算法与应用(微课视频版) 人工智能 清华大学出版社 正版书籍
¥ ×1
店铺公告
为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。 温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货), 关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。
《机器学习算法与应用(微课视频版)》讲解机器学习算法在物联网时代边缘计算平台的嵌入化个性应用,尤其对计算复杂度高且难以并行化的深度循环神经网络模型,详细介绍了在ARM处理器和FPGA硬件平台的并行加速实现步骤。
(1)涵盖内容 有监督机器学习算法、无监督机器学习算法、强化学习算法和深度学习算法,阐述从浅层学习到深度学习,从简单的线性模型到复杂的神经网络非线性模型的原理与应用。涉及模型在物联网边缘计算平台的实现、*知识图谱与系统结合的应用。
(2)讲解原则 从理论到实践,每个章节先简介理论基础,再构建数学模型,然后辅以实例分析,*后设计源码实现,共给出40个实例。
(3)学习方法 每个章节可独立阅读,也可从前向后,从简到难,循序渐进学习。
商品名称: | 开本: | 16开 | |
作者: | 杨云、段宗涛 | 定价: | 79.00 |
ISBN号: | 9787302550648 | 出版时间: | 2020-07-01 |
出版社: | 清华大学出版社 | 印刷时间: | 2020-07-01 |
版次: | 1 | 印次: | 1 |
目录
章机器学习简介
1.1什么是机器学习
1.2有监督学习
1.3无监督学习
1.4强化学习
1.5深度学习
1.6机器学习算法的应用趋势
1.6.1机器学习算法在物联网的应用
1.6.2机器学习算法在其他领域的应用
1.7安装MATLAB或Octave
1.8Python语言和C/C 语言简介
1.8.1Python语言简介
1.8.2C/C 语言简介
1.9习题
第2章线性回归
2.1线性回归模型
2.2代价函数
2.3梯度下降法
2.4线性回归中的梯度下降
2.5特征归一化
2.6小二乘正规方程
2.7线性回归实例分析
2.7.1实例一: 一元线性回归模型与代价函数理解
2.7.2实例二: 多元线性回归模型与代价函数理解
2.8习题
第3章逻辑回归
3.1逻辑回归模型
3.2逻辑回归的代价函数
3.3优化函数
3.4逻辑回归解决分类问题
3.4.1实例一: 牛顿法实现逻辑回归模型
3.4.2实例二: 逻辑回归解决二分类问题
3.5正则化
3.6正则化后的线性回归和逻辑回归模型实例分析
3.6.1实例一: 小二乘正规方程法优化正则化线性回归模型
3.6.2实例二: 牛顿法优化正则化逻辑回归模型
3.6.3参考解决方案
3.7习题
第4章朴素贝叶斯
4.1数学基础
4.2朴素贝叶斯分类
4.3朴素贝叶斯分类实例分析
4.3.1实例一: 多项式朴素贝叶斯用于邮件分类
4.3.2实例二: 朴素贝叶斯解决多分类问题
4.4习题
第5章支持向量机
5.1支持向量机模型
5.2支持向量机代价函数
5.3支持向量机实例分析
5.3.1实例一: SVM 解决线性可分问题
5.3.2实例二: SVM解决邮件分类问题
5.3.3实例三: 核函数SVM解决线性不可分问题
5.4习题
第6章神经网络
6.1神经网络模型
6.2反向传播算法
6.3神经网络实例分析
6.3.1实例一: 神经网络实现简单分类问题
6.3.2实例二: 神经网络解决预测问题
6.4习题
第7章K近邻算法
7.1K近邻算法原理
7.2K近邻算法实例分析
7.2.1实例一: K近邻算法解决二分类问题
7.2.2实例二: K近邻算法解决多分类问题
7.3习题
第8章K均值算法
8.1K均值算法原理
8.2K均值算法实例分析
8.2.1实例一: K均值算法实现简单聚类
8.2.2实例二: K均值算法解决病毒聚类问题
8.3习题
第9章高斯混合模型
9.1高斯混合模型原理
9.2期望算法
9.3高斯混合模型实例分析
9.3.1实例一: 高斯混合模型聚类原理分析
9.3.2实例二: 高斯混合模型实现鸢尾花数据聚类
9.4习题
0章降维算法
10.1降维算法原理
10.2降维算法实例分析
10.2.1实例一: 线性判别分析(LDA)降维算法实现
10.2.2实例二: 主成分分析(PCA)降维算法实现
10.3线性判别分析与主成分分析对比
10.4习题
1章隐马尔可夫模型
11.1隐马尔可夫模型定义
11.2隐马尔可夫模型实例分析
11.2.1实例一: HMM实现简单序列预测
11.2.2实例二: HMM 解决车流预测问题
11.3习题
2章强化学习
12.1Qlearning强化学习算法原理
12.2Qlearning实例分析
12.2.1实例一: Qlearning解决走迷宫问题
12.2.2实例二: Qlearning解决小车爬坡问题
12.3习题
3章决策树
13.1决策树构造原理
13.2决策树实例分析
13.2.1实例一: 应用CART算法构造决策树
13.2.2实例二: 决策树算法拟合曲线
13.3习题
4章启发式优化算法
14.1遗传算法原理
14.2优化算法对比实例分析
14.2.1实例一: 粒子群(PSO)算法
14.2.2实例二: 差分进化(DE)算法
14.2.3实例三: 人工蜂群(ABC)算法
14.2.4实例四: 对比粒子群、差分进化和人工蜂群算法
14.3习题
5章深度学习
15.1卷积神经网络
15.1.1卷积层
15.1.2池化层
15.1.3CNN模型
15.1.4实例一: CNN实现手写数字识别
15.2循环神经网络
15.2.1RNN网络概述
15.2.2LSTM网络
15.2.3实例一: RNN实现时序数据预测
15.2.4实例二: LSTM预测交通流量
15.3深度学习算法物联网硬件加速
15.3.1FPGA硬件平台简介
15.3.2开发软件环境简介
15.3.3实例一: RNN时序数据预测物联网平台实现
15.4习题
6章集成学习
16.1集成学习算法
16.1.1随机森林算法
16.1.2Adaboost算法
16.2集成学习算法实例分析
16.2.1实例一: 集成学习Stacking实现
16.2.2实例二: 集成学习解决预测问题
16.3习题
7章系统
17.1算法原理
17.2知识图谱与系统
17.2.1知识图谱定义
17.2.2知识图谱特征学习
17.2.3知识图谱用于系统
17.3系统实例分析
17.3.1实例一: 基于线性混合深度网络的系统实现
17.3.2实例二: 基于知识图谱的多任务神经网络智能系统
17.4习题
附录A专用符号和名词解释
附录B机器学习资源列表
附录C数学推导BPTT算法
参考文献
......本书内容涵盖经典的有监督机器学习算法,无监督机器学习算法,深度机器学习算法,阐述从浅层学习到深度学习,从简单的线性模型到复杂的神经网络非线性模型的原理与应用。书中每个章节遵循先简介理论基础,再构建数学模型,然后辅以实例分析,从理论到实践的讲解原则。每个章节可独立阅读,也可从前向后,从简到难,从浅层学习到深度学习,循序渐进学习。本书*特色为机器学习算法的嵌入化应用,尤其对难于并行化的深度学习算法,详细介绍了在ARM处理器和FPGA硬件平台的实现步骤。
杨云 女,1973年生,2007年毕业于华南理工大学控制理论与控制工程专业,获博士学位,2009年于西北工业大学航天学院学与技术博士后流动站出站,同年进入长安大学信息工程学院物联网与网络工程系任教,2018—2019年在美国佛罗里达大学工程学院电子与计算机工程系访学。目前主讲课程“射频识别技术及应用”“人工智能基础”,主要研究方向为智能交通、机器学习应用和物联网硬件安全;主持4项科研项目,发表10余篇国际期刊和会议论文,授权2项。
段宗涛 男,1977年生,2006年毕业于西北工业大学计算机科学与技术专业,获博士学位,同年进入长安大学交通运输与工程博士后流动站工作,2009年出站后于长安大学信息工程学院任教至今。2009—2010年在美国北卡罗来纳大学信息学院访学。主要研究方向为交通大数据处理和泛在交通信息服务理论与技术;主持6项科研项目,发表20余篇国际期刊和会议论文,授权6项。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格