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

  • [正版新书]机器学习——数据表示学习及应用 张春阳、陈俊龙 清华大学出版社 人工智能 机器学习 数据表示学习
  • 新商品上架
    • 作者: 张春阳、陈俊龙著
    • 出版社: 清华大学出版社
    • 出版时间:2025-01
    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:
    江莱图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 张春阳、陈俊龙著
    • 出版社:清华大学出版社
    • 出版时间:2025-01
    • 开本:16开
    • ISBN:9787302680185
    • 版权提供:清华大学出版社


    书名: 机器学习——数据表示学习及应用
    出版社: 清华大学出版社
    出版日期 2025-01
    ISBN号: 9787302680185

    本书从数据表示学习角度介绍机器学习及其应用。全书共7章,分别介绍数据表示学习与数学基础、传
    统降维方法、分布式表示学习和聚类算法、稀疏表示学习、神经网络中的特征提取、生成式表示学习和对比式
    表示学习。本书涉及的数据表示学习算法的具体应用领域包括计算机视觉、自然语言处理以及图网络分
    析等。
    本书主要面向广大从事人工智能、机器学习或深度学习、数据挖掘、模式识别等领域的专业人员,从事高
    等教育的专任教师,高等院校的在读学生及相关领域的广大科研人员。
    版权所有,侵权必究。举报:010-62782989,beiqinquan@tup.tsinghua.edu.cn。


    (1) 角度新颖,探索核心。
    本书围绕数据表示学习介绍机器学习,解决机器学习及其应用的核心问题,角度较为新颖。人工智能涉及计算机视觉中图像和视频内容的理解、自然语言的理解以及具有拓扑结构的图网络理解等任务。完成此类高阶人工智能任务的核心,是解决如何从各类型的原始数据中智能地提取出重要的模式、特征、嵌入和表示等信息,从而帮助解决下游的具体应用任务。
    (2) 夯实基础,紧追前沿。
    本书不仅包含传统的机器学习模型和算法,还纳入最新的发展成果。例如,对比学习作为无监督学习技术之一,近年来显示出来强大的表示学习能力,极大地缩小甚至超过了现有的有监督模型的性能,此部分内容被纳入本书中。
    (3) 注重理论,联系实际。
    本书不仅详细介绍数据表示学习的基础理论和方法,也阐述了它们在计算机视觉、自然语言处理和图网络分析任务中的实际应用。本书介绍了数值、图像、视频、语音、自然语言、图网络等不同类型数据的表示学习方法,并提供可学习和可执行的项目代码。
    (4) 详细全面,使用方便。
    本书内容详细全面,对于各章节内容由浅入深、详细论述,以便读者在学习过程中更加容易理解各个算法提出的动机、具体的步骤、性能特点、应用领域等。除了通过数学公式描述算法外,也注重图表的可视化展示,以及详尽的文字描述。


    目录



    第1章绪论


    1.1机器学习简介


    1.2特征工程与数据表示学习


    1.3数学与概率基础


    第2章传统降维方法


    2.1主成分分析


    2.1.1标准的主成分分析


    2.1.2核主成分分析


    2.2多维尺度变换


    2.2.1多维尺度变换的定义


    2.2.2多维尺度变换的求解


    2.3流形学习


    2.3.1等距特征映射


    2.3.2局部线性嵌入


    2.3.3拉普拉斯特征映射


    2.3.4局部切空间排列


    2.3.5生成拓扑映射


    2.4t分布随机邻域嵌入


    2.5自编码器


    2.5.1基本概念


    2.5.2输出层的激活函数


    2.5.3损失函数


    2.5.4自编码器与主成分分析的比较


    参考文献


    第3章分布式表示学习和聚类算法


    3.1分布式表示学习的概念


    3.2Kmeans算法和K近邻算法


    3.2.1Kmeans算法


    3.2.2Kmeans的改进


    3.2.3K近邻算法


    3.2.4KNN的改进


    3.3原型聚类算法


    3.3.1学习向量量化算法


    3.3.2高斯混合聚类算法


    3.4基于密度的聚类算法


    3.4.1DBSCAN算法


    3.4.2OPTICS算法


    3.4.3DENCLUE算法


    3.5层次聚类


    3.5.1层次聚类方法链接


    3.5.2经典层次聚类算法的步骤


    3.5.3层次聚类的改进算法


    参考文献


    第4章稀疏表示学习


    4.1引言


    4.2稀疏表示学习简介


    4.2.1专业名词解析


    4.2.2L1正则化


    4.2.3奇异值分解


    4.2.4缺失数据和矩阵填充


    4.2.5有限等距性质


    4.2.6信号与稀疏表示


    4.2.7正交基


    4.2.8用正交基逼近


    4.2.9用过完备基重构


    4.3匹配追踪算法


    4.3.1字典构建


    4.3.2通过DCT基构建字典


    4.3.3基于DCT字典图像稀疏去噪算法学习


    4.3.4通过学习来构建字典


    4.3.5重构算法介绍


    4.3.6凸松弛重构算法


    4.3.7贪婪算法


    4.4迭代加权最小二乘法


    4.5压缩感知


    4.5.1基本思想介绍


    4.5.2结构化稀疏重构模型


    4.5.3压缩感知架构


    4.5.4基于字典的稀疏表示


    4.5.5分块压缩感知


    4.5.6结构化压缩感知模型


    4.5.7商品推荐应用


    4.5.8信号传输应用


    参考文献


    第5章神经网络中的特征提取


    5.1神经网络简介


    5.1.1生物神经网络


    5.1.2人工神经元


    5.1.3人工神经网络


    5.2多层神经网络


    5.2.1前向传播


    5.2.2反向传播算法


    5.2.3神经网络之特征提取 Word2Vec


    5.3卷积神经网络


    5.3.1卷积层


    5.3.2池化层


    5.3.3全连接层


    5.3.4卷积神经网络的特点


    5.4循环神经网络


    5.4.1序列数据


    5.4.2循环神经网络


    5.4.3循环神经网络的变体


    5.4.4双向LSTM之特征提取 ELMo


    5.5图神经网络


    5.5.1图结构定义


    5.5.2通用的图神经网络框架


    5.5.3图卷积网络


    5.5.4GraphSAGE


    5.5.5图注意力网络


    参考文献


    第6章生成式表示学习


    6.1贝叶斯学习


    6.1.1概率论基础


    6.1.2贝叶斯定理


    6.1.3最大似然估计和KL散度


    6.1.4贝叶斯分类


    6.1.5概率生成式模型


    6.1.6最大似然解


    6.2近似推断


    6.2.1马尔可夫链蒙特卡洛采样


    6.2.2证据下界


    6.2.3变分推断


    6.3概率图模型


    6.3.1盘式记法


    6.3.2马尔可夫随机场


    6.3.3有向图模型


    6.3.4变分自编码器


    6.3.5混合概率图模型


    6.4生成对抗网络


    6.4.1二项分布的最大似然估计


    6.4.2生成器


    6.4.3生成对抗网络的交替优化


    6.4.4GAN的训练问题


    6.5扩散模型


    6.5.1扩散模型简介


    6.5.2前向过程


    6.5.3逆向过程


    6.5.4模型训练


    参考文献


    第7章对比式表示学习


    7.1无监督表示学习


    7.2对比式表示学习概述


    7.3数据增强


    7.3.1计算机视觉中的数据增强


    7.3.2自然语言处理中的数据增强


    7.3.3图网络分析中的数据增强


    7.4正负样本的选择


    7.4.1正样本采样


    7.4.2负样本采样


    7.5相似性度量


    7.5.1传统的度量方式


    7.5.2互信息度量


    7.5.3理论分析


    7.6对比框架


    7.6.1计算机视觉中的对比式表示学习


    7.6.2图网络分析中的对比式表示学习


    7.6.3自然语言处理中的对比式表示学习


    7.7挑战和未来工作


    参考文献






     

    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