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:
本店所有商品

  • 现代机器学佳宁 焦李成 人工智能前沿技术丛书 西安电子科技大学出版社9787560663265商城正版
  • 新商品上架
    • 作者: 无著
    • 出版社: 图书其它
    • 出版时间:2022.5
    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:
    句字图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 无著
    • 出版社:图书其它
    • 出版时间:2022.5
    • ISBN:9787560663265
    • 版权提供:图书其它


    基本信息  (以下信息仅供参考,以收到实物为准!)

    书名:现代机器学

    定价:66.00

    出版社:西安电子科技大学出版社

    出版时间:2022年04月

    作者:王佳宁

    ISBN:9787560663265

    内容介绍

    机器学习为信息类学科的重要分支。本书作为机器学习入门、进阶与本硕博一体式培养教材,系统论述了机器学习研究的基本内容、概念、算法、应用以及发展。

    本书共18章,分为机器学习基础、经典机器学习方法与现代机器学习方法三大部分。机器学习基础部分为第1、2章,内容为机器学习概述和数学基础知识;经典机器学习方法部分为第3~10章,内容分别为线性回归与分类模型、特征提取与选择、决策树与集成学习、支持向量机、贝叶斯决策理论、神经网络、聚类方法和半监督学习等;现代机器学习方法部分为第11~18章,内容涵盖了近年来新兴的与不断发展的前沿算法,如深度学习、深度强化学习、生成对抗网络、胶囊网络、图卷积神经网络、自监督学习、迁移学习以及自动机器学习等。

    本书可作为高等院校通信、电子信息、计算机、信息科学、自动化技术等相关专业本科生与研究生的教材与参考用书,也可作为人工智能、计算机科学、模式识别、控制科学、信息与通信工程、集成电路系统设计等领域研究人员的参考用书。

    目录

    第1章 机器学习概述

    1.1 机器学习的基本概念

    1.2 机器学习的基本类别

    1.2.1 经典机器学习

    1.2.2 现代机器学习

    1.3 机器学习的评估指标

    1.3.1 机器学习三要素

    1.3.2 评估方法

    1.4 机器学习典型应用

    1.4.1 专家系统

    1.4.2 语音识别

    1.4.3 机器翻译

    1.4.4 自动驾驶

    1.4.5 人脸检测

    本章小结

    习题

    参考文献


    第2章 数学基础知识

    2.1 矩阵论基础

    2.1.1 矩阵代数基础

    2.1.2 矩阵方程求解

    2.1.3 矩阵分析

    2.2 很优化基础

    2.2.1 最小二乘与线性规划

    2.2.2 凸优化

    2.2.3 非线性优化

    2.3 统计学习基础

    2.3.1 条件概率

    2.3.2 期望与方差

    2.3.3 优选似然估计

    本章小结

    习题

    参考文献


    第3章 线性回归与分类模型

    3.1 线性回归模型

    3.1.1 线性函数模型

    3.1.2 偏置与方差分解

    3.2 贝叶斯线性回归

    3.2.1 问题定义

    3.2.2 问题求解

    3.3 正则化线性回归

    3.3.1 岭回归

    3.3.2 Lasso回归

    3.3.3 逻辑回归

    3.4 线性分类模型

    3.4.1 生成式模型与判别式模型

    3.4.2 线性判别分析

    3.4.3 广义线性判别分析

    本章小结

    习题

    参考文献


    第4章 特征提取与选择

    4.1 经典特征提取方法

    4.1.1 主成分分析法

    4.1.2 线性判别方法

    4.1.3 流形学习方法

    4.2 经典特征选择算法

    4.2.1 特征选择基本步骤

    4.2.2 特征选择搜索策略

    4.2.3 特征选择评价准则

    4.3 稀疏表示与字典学习

    4.3.1 稀疏表示

    4.3.2 字典学习

    本章小结

    习题

    参考文献


    第5章 决策树与集成学习

    5.1 决策树

    5.2 经典决策树算法

    5.2.1 ID3算法

    5.2.2 C4.5 算法

    5.2.3 CART算法

    5.3 决策树的剪枝

    5.3.1 预剪枝

    5.3.2 后剪枝

    5.4 集成学习

    5.4.1 Bagging

    5.4.2 Boosting

    5.4.4 Stacking

    5.4.5 深度集成学习

    本章小结

    习题

    参考文献


    第6章 支持向量机

    6.1 支持向量机简介

    6.2 线性支持向量机

    6.2.1 函数间隔与几何间隔

    6.2.2 线性可分问题

    6.2.3 对偶问题

    6.3 非线性支持向量机

    6.3.1 核方法

    6.3.2 常用核函数

    6.3.3 非线性支持向量分类

    6.4 支持向量机的应用

    本章小结

    习题

    参考文献


    第7章 贝叶斯决策理论

    7.1 贝叶斯分类器

    7.1.1 贝叶斯决策理论

    7.1.2 最小风险贝叶斯决策规则

    7.2 朴素贝叶斯分类器

    7.3 贝叶斯网络

    7.4 EM算法

    本章小结

    习题

    参考文献


    第8章 神经网络

    8.1 神经网络基础

    8.1.1 神经网络发展史

    8.1.2 神经元

    8.1.3 感知器

    8.2 卷积神经网络

    8.3 前馈神经网络

    8.4 反向传播算法

    8.5 其他常见神经网络

    8.5.1 RBF网络

    8.5.2 SOM网络

    8.5.3 Hopfield网络

    本章小结

    习题

    参考文献


    第9章 聚类方法

    9.1 聚类方法概述

    9.2 K均值聚类

    9.3 层次聚类

    9.4 密度聚类

    9.4.1 DBSCAN算法

    9.4.2 OPTICS算法

    9.4.3 MeanShift算法

    9.5 稀疏子空间聚类

    本章小结

    习题

    参考文献


    第10章 半监督学习

    10.1 半监督学习概述

    10.2 半监督分类方法

    10.2.1 增量学习

    10.2.2 生成式半监督学习

    10.2.3 半监督支持向量机

    10.2.4 基于图的半监督学习

    10.2.5 基于分歧的半监督学习

    10.3 半监督聚类方法

    本章小结

    习题

    参考文献


    第11章 深度学习

    11.1 深度学习简介

    11.2 深度卷积神经网络

    11.2.1 卷积层

    11.2.2 非线性激活层

    11.2.3 池化层

    11.2.4 全连接层

    11.3 受限玻耳兹曼机(RBM)与深度信念网络(DBN)

    11.3.1 玻耳兹曼机

    11.3.2 受限玻耳兹曼机

    11.3.3 深度信念网络

    11.4 深度自编码器

    11.4.1 欠完备自编码器

    11.4.2 正则自编码器

    11.4.3 自编码器的应用

    11.5 循环神经网络(RNN)与长短期记忆(LSTM)网络

    11.5.1 循环神经网络

    11.5.2 长短期记忆网络

    本章小结

    习题

    参考文献

    ……

    第12章 深度强化学习

    第13章 生成对抗网络

    1
    • 商品详情
    • 内容简介

    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