了得網研究生_機器學習（慕課版）

商品搜索

类别：

关键字：

商品分类

機器學習（慕課版）
該商品所屬分類：研究生 -> 理學
【市場價】	772-1120元
【優惠價】	483-700元
【作者】	龐俊彪
【所屬類別】	圖書教材研究生/本科/專科教材理學
【出版社】	人民郵電出版社
【ISBN】	9787115621863
【折扣說明】	一次購物滿999元台幣免運費+贈品一次購物滿2000元台幣95折+免運費+贈品一次購物滿3000元台幣92折+免運費+贈品一次購物滿4000元台幣88折+免運費+贈品
【本期贈品】	①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾

版本	正版全新電子版PDF檔
您已选择：	正版全新
溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。 . 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。 . 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。

內容介紹

開本：16開

紙張：膠版紙

包裝：平裝-膠訂

是否套裝：否

國際標準書號ISBN：9787115621863

叢書名：人工智能人纔培養新形態精品繫列

作者：龐俊彪

出版社：人民郵電出版社

出版時間：2024年05月

編輯推薦

1.針對零基礎。每個內容以典型的例子說明算法的應用環境、數據原理，公式的實現。

2.給方法有演練。不僅給出傳統的例子和代碼，還給出模型以下三方面的內容：1）不同參數的結果，理解原理和模型的能力；2）公式的變種，達到舉一反三。3）給出方法的典型應用。

3.通俗易懂。目標是讓隻有大學本科教育基礎的人，能在第一次閱讀能明白60%，第二次能明白90%。

4.資源豐富。教學PPT、源代碼、教學大綱、教案、習題解答，還有重要知識點的微課講解等。

內容簡介

本書是一本零基礎的Illustrator軟件的實戰教材，旨在介紹如何使用Illustrator軟件在平面設計領域的使用方法與技巧。本書首先介紹Illustrator軟件在平面領域中的主要應用範圍和領域，然後逐步由淺入深的介紹如何使用軟件完成圖形的設計與編輯、路徑的繪制與編輯、圖形樣式的創建與編輯、文本與圖表的創建與編輯、圖層與蒙版的應用、效果類應用方法、混合與封套的應用方法等。

書籍中所涉及的案例都是平面設計領域中最為常見與普及度比較廣泛的案例，讓讀者在熟悉和掌握Illustrator軟件的同時對平面設計中的規範有一個詳細並深入的了解。

作者簡介

龐俊彪龐俊彪長期從事模式識別、機器學習等相關領域的科研研究，獲得國家自然科學基金面上項目和重點項目的支持，北京市自然科學基金面上等項目的支持，其學術成果發表30餘篇IEEE 會刊和CCF推薦頂級論文。龐俊彪所帶領的實驗室的科研人員，長期從事與機器學習與多媒體技術相關領域的前沿項目研究，對於現有技術的發展可以做到準確的把控，有豐富的實踐項目經驗做支撐。

目錄 1

第 1章機器學習引論 12

1.1 什麼是人工智能 12

1.1.1 人工智能發展歷程 13

1.2 什麼是機器學習 20

1.2.1 機器學習的定義 21

1.2.2 機器學習的分類 21

目錄 1

第 1章機器學習引論 12

1.1 什麼是人工智能 12

1.1.1 人工智能發展歷程 13

1.2 什麼是機器學習 20

1.2.1 機器學習的定義 21

1.2.2 機器學習的分類 21

1.2.3 機器學習就是專門研究算法？ 22

1.3 如何學習機器學習 25

1.3.1 編程能力與實踐 28

1.4 本章小結 31

1.5 習題 32

34

第 2章概率密度估計 34

2.1 頻率學派與貝葉斯學派 34

2.1.1 頻率學派 34

2.1.2 貝葉斯學派 35

2.2 最大似然估計和最大後驗估計 36

2.2.1 最大似然估計 36

2.2.2 最大後驗估計 40

2.3 特殊先驗分布下的最大後驗估計 42

2.3.1 高斯先驗 42

2.3.2 拉普拉斯先驗 42

2.4 本章小結 43

2.5 習題 43

46

第3章感知機 46

3.1 感知機模型 46

3.2 感知機的損失函數 48

3.3 感知機的學習算法 49

3.3.2 機器學習算法的一般編程模式 50

3.4 本章小結 59

3.5 習題 59

第4章 Logistic回歸 64

4.1 Logistic的物理含義 64

4.2 logistic回歸的參數估計 65

4.3 評價標準 72

4.4 多類分類和歸一化指數函數（Softmax函數） 75

4.5 本章小結 77

4.6 習題 78

82

第5章支持向量機 82

5.1 從感知機到支持向量機 82

5.2 線性可分支持向量機 83

5.2.1 點到分類面的距離 83

5.2.2 最大間隔的目標函數 84

5.2.3 支持向量與間隔最大化 85

5.2.4 支持向量機的對偶算法 87

5.2.5 用KKT條件解釋支持向量的稀疏性 90

5.3 線性不可分支持向量機 91

5.3.1 軟間隔 91

5.3.2 對偶算法 92

5.4 非線性可分支持向量機 94

5.4.1 非線性支持向量機 95

5.4.2 核技巧與計算復雜度 96

5.5 SVM優化求解 98

5.5.1 非線性支持向量與SMO算法 98

5.5.2 線性支持向量機與Pegasos算法 99

5.6 支持向量回歸 100

5.7 本章小結 102

5.8 習題 103

第6章決策樹 107

6.1 決策過程與決策樹 107

6.2 建立決策樹的基本原則 109

6.2.1 “純度”與特征選擇 110

6.2.2 信息增益 111

6.3 決策樹生成算法 112

6.3.1 ID3算法 112

6.3.2 C4.5算法 113

6.4 決策樹的剪枝 118

6.5分類回歸樹 128

6.6 本章小結 132

6.7 習題 132

136

第7章集成學習 136

7.1 集成學習的原理 136

7.2 分類器優劣與泛化誤差 136

7.3 Bagging算法 142

7.4 隨機森林 147

7.5 Boosting 148

7.6 本章小結 157

7.7 習題 158

164

第8章無監督學習 164

8.1 什麼是無監督學習 164

8.2 均值聚類 165

8.2.1 均值算法模型 165

8.2.2 均值優化 166

8.2.3 均值的數據預處理 167

8.2.4 均值初始化 168

8.2.5 值大小的確定方法 169

8.3 基於密度的聚類 171

8.3.1 高斯混合模型的產生 171

8.3.2 高斯混合模型的梯度下降 172

8.3.3 高斯混合模型的期望最大化算法 174

8.3.4 一般情況下的期望最大化算法 176

8.3.5 majorize-minimize算法 177

8.3.6 高斯混合模型的MM算法求解 178

8.3.7 DBSCAN算法 180

8.4 層次聚類 183

8.4.1 凝聚式層次聚類 183

8.5 本章小結 184

8.6 習題 185

第 9章降維分析 187

9.1 主成分分析 187

9.1.1 主成分分析目標函數的化簡 188

9.1.2 主成分分析目標函數的優化 190

9.1.3 主成分分析的預處理 191

9.2 隱語義模型 192

9.2.1 一詞一義與詞頻-逆詞頻表示 192

9.2.2 隱語義模型 193

9.2.3 概率隱語義模型 196

9.2.4 非負矩陣分解 198

9.2.5 非負矩陣分解的乘法更新法則 198

9.2.6 非負矩陣分解的梯度投影 200

9.3 本章小節 201

9.4 習題 202

第 10章神經網絡 203

10.1模型 204

10.2 多層前饋神經網絡 206

10.3 本章小結 226

10.4 習題 226

第 11章深度神經網絡 227

11.1 卷積神經網絡 227

11.2 循環神經網絡 233

11.3 生成對抗網絡 241

11.4 小結 251

11.5 習題 252

網友評論我們期待著您對此商品發表評論

相關商品

商品搜索

商品分类

【醫學】

【各大出版社】