掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
現代機器學習 版權信息
- ISBN：9787560663265
- 條形碼：9787560663265 ; 978-7-5606-6326-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
現代機器學習 本書特色
本書是學術大咖焦李成老師組織策劃的人工智能前沿技術系列叢書之一。本書在介紹經典機器學習方法的同時，對近年來新興的現代機器學習方法的理論、發展與應用進行全面介紹，以使讀者在學習經典機器學習算法的同時掌握機器學習*新的趨勢與發展，在了解機器學習基礎理論的基礎上，能夠持續關注機器學習領域的*新發展與趨勢，這也是本書整體內容安排與章節安排的基礎。
現代機器學習 內容簡介
本書作為機器學習入門、進階與本碩博貫通式培養教材, 系統論述了機器學習研究的基本內容、概念、算法、應用以及*新發展。本書共18章, 分為經典機器學習方法和現代機器學習方法兩大部分。經典機器學習方法部分為第1-10章, 內容分別為機器學習概述、數學基礎知識、線性回歸與分類模型、特征提取與選擇、決策樹與集成學習、支持向量機、貝葉斯決策理論、神經網絡、聚類方法和半監督學習等 ; 現代機器學習方法部分為第11-18章, 內容涵蓋了近年來新興的與不斷發展的前沿算法, 如深度學習、深度強化學習、生成對抗網絡、膠囊網絡、圖卷積神經網絡、自監督學習、遷移學習以及自動機器學習等。
現代機器學習 目錄
第1章 機器學習概述 1
1.1 機器學習的基本概念 1
1.2 機器學習的基本類別 1
1.2.1 經典機器學習 1
1.2.2 現代機器學習 6
1.3 機器學習的評估指標 7
1.3.1 機器學習三要素 8
1.3.2 評估方法 9
1.4 機器學習典型應用 11
1.4.1 專家系統 11
1.4.2 語音識別 12
1.4.3 機器翻譯 12
1.4.4 自動駕駛 13
1.4.5 人臉檢測 13
本章小結 14
習題 14
參考文獻 14
第2章 數學基礎知識 15
2.1 矩陣論基礎 15
2.1.1 矩陣代數基礎 15
2.1.2 矩陣方程求解 18
2.1.3 矩陣分析 19
2.2 *優化基礎 21
2.2.1 *小二乘與線性規劃 21
2.2.2 凸優化 22
2.2.3 非線性優化 23
2.3 統計學習基礎 25
2.3.1 條件概率 25
2.3.2 期望與方差 25
2.3.3 *大似然估計 26
本章小結 27
習題 27
參考文獻 28
第3章 線性回歸與分類模型 29
3.1 線性回歸模型 29
3.1.1 線性函數模型 30
3.1.2 偏置與方差分解 37
3.2 貝葉斯線性回歸 38
3.2.1 問題定義 38
3.2.2 問題求解 39
3.3 正則化線性回歸 41
3.3.1 嶺回歸 42
3.3.2 Lasso回歸 44
3.3.3 邏輯回歸 45
3.4 線性分類模型 46
3.4.1 生成式模型與判別式模型 47
3.4.2 線性判別分析 47
3.4.3 廣義線性判別分析 48
本章小結 49
習題 49
參考文獻 49
第4章 特征提取與選擇 51
4.1 經典特征提取方法 52
4.1.1 主成分分析法 52
4.1.2 線性判別方法 54
4.1.3 流形學習方法 55
4.2 經典特征選擇算法 58
4.2.1 特征選擇基本步驟 58
4.2.2 特征選擇搜索策略 61
4.2.3 特征選擇評價準則 65
4.3 稀疏表示與字典學習 68
4.3.1 稀疏表示 69
4.3.2 字典學習 70
本章小結 71
習題 71
參考文獻 72
第5章 決策樹與集成學習 73
5.1 決策樹 73
5.2 經典決策樹算法 74
5.2.1 ID3算法 74
5.2.2 C4.5算法 75
5.2.3 CART算法 75
5.3 決策樹的剪枝 76
5.3.1 預剪枝 77
5.3.2 后剪枝 77
5.4 集成學習 78
5.4.1 Bagging 80
5.4.2 Boosting 81
5.4.4 Stacking 83
5.4.5 深度集成學習 83
本章小結 87
習題 87
參考文獻 89
第6章 支持向量機 91
6.1 支持向量機簡介 91
6.2 線性支持向量機 91
6.2.1 函數間隔與幾何間隔 92
6.2.2 線性可分問題 93
6.2.3 對偶問題 94
6.3 非線性支持向量機 96
6.3.1 核方法 97
6.3.2 常用核函數 98
6.3.3 非線性支持向量分類 99
6.4 支持向量機的應用 99
本章小結 100
習題 100
參考文獻 100
第7章 貝葉斯決策理論 101
7.1 貝葉斯分類器 101
7.1.1 貝葉斯決策理論 101
7.1.2 *小風險貝葉斯決策規則 103
7.2 樸素貝葉斯分類器 105
7.3 貝葉斯網絡 106
7.4 EM算法 106
本章小結 107
習題 107
參考文獻 108
第8章 神經網絡 109
8.1 神經網絡基礎 109
8.1.1 神經網絡發展史 109
8.1.2 神經元 110
8.1.3 感知器 110
8.2 卷積神經網絡 111
8.3 前饋神經網絡 113
8.4 反向傳播算法 114
8.5 其他常見神經網絡 115
8.5.1 RBF網絡 115
8.5.2 SOM網絡 115
8.5.3 Hopfield網絡 116
本章小結 118
習題 119
參考文獻 119
第9章 聚類方法 121
9.1 聚類方法概述 121
9.2 K均值聚類 122
9.3 層次聚類 124
9.4 密度聚類 125
9.4.1 DBSCAN算法 126
9.4.2 OPTICS算法 126
9.4.3 Mean Shift算法 127
9.5 稀疏子空間聚類 128
本章小結 129
習題 129
參考文獻 130
第10章 半監督學習 131
10.1 半監督學習概述 131
10.2 半監督分類方法 132
10.2.1 增量學習 132
10.2.2 生成式半監督學習 132
10.2.3 半監督支持向量機 133
10.2.4 基于圖的半監督學習 134
10.2.5 基于分歧的半監督學習 136
10.3 半監督聚類方法 136
本章小結 137
習題 138
參考文獻 138
第11章 深度學習 139
11.1 深度學習簡介 139
11.2 深度卷積神經網絡 141
11.2.1 卷積層 141
11.2.2 非線性激活層 143
11.2.3 池化層 143
11.2.4 全連接層 144
11.3 受限玻耳茲曼機(RBM)與
深度信念網絡(DBN) 146
11.3.1 玻耳茲曼機 146
11.3.2 受限玻耳茲曼機 147
11.3.3 深度信念網絡 148
11.4 深度自編碼器 151
11.4.1 欠完備自編碼器 152
11.4.2 正則自編碼器 153
11.4.3 自編碼器的應用 154
11.5 循環神經網絡(RNN)與
長短期記憶(LSTM)網絡 155
11.5.1 循環神經網絡 155
11.5.2 長短期記憶網絡 157
本章小結 160
習題 161
參考文獻 161
第12章 深度強化學習 165
12.1 任務與獎賞 166
12.2 多臂老虎機 167
12.2.1 守成與探索 167
12.2.2 多臂老虎機問題建模及
ε貪婪法 168
12.3 馬爾可夫決策過程(MDP) 169
12.3.1 引入MDP的原因 169
12.3.2 MDP的價值函數 170
12.3.3 狀態價值函數與動作價值函數的
關系 170
12.3.4 *優價值函數 171
12.4 動態規劃 172
12.5 蒙特卡羅法 173
12.5.1 不基于模型的強化學習 173
12.5.2 預測問題 174
12.5.3 控制問題 174
本章小結 175
習題 175
參考文獻 176
第13章 生成對抗網絡 179
13.1 生成對抗網絡簡介 179
13.2 網絡結構 180
13.3 訓練過程 181
13.4 評價指標 182
13.4.1 Inception Score(IS) 183
13.4.2 Mode Score(MS) 183
13.4.3 Fréchet Inception
Distance(FID) 184
13.5 訓練生成對抗網絡面臨的
挑戰 184
13.5.1 模式崩潰 184
13.5.2 不收斂和不穩定性 185
13.5.3 生成器梯度消失 185
13.6 生成對抗網絡經典算法 185
13.6.1 InfoGAN 185
13.6.2 Conditional GAN(cGAN) 186
13.6.3 Deep Convolutional
GAN(DCGAN) 188
13.7 生成對抗網絡的應用 190
13.7.1 圖像超分辨 190
13.7.2 人臉生成 192
13.7.3 紋理合成 192
13.7.4 視頻領域的應用 192
13.7.5 應用于自然語言處理 193
本章小結 193
習題 193
參考文獻 194
第14章 膠囊網絡 195
14.1 膠囊網絡簡介 195
14.2 膠囊的定義 196
14.3 膠囊網絡的結構 196
14.4 動態路由算法 198
14.5 膠囊網絡的損失函數 200
14.5.1 編碼器的損失函數 200
14.5.2 解碼器的損失函數 200
14.6 膠囊網絡典型算法 201
14.6.1 CapsuleGAN 201
14.6.2 DeepConvCapsule 202
14.6.3 Faster MSCapsNet 203
14.6.4 MSCapsNet 205
14.7 膠囊網絡的應用 207
14.7.1 醫學圖像 207
14.7.2 關系抽取 208
14.7.3 對抗性攻擊 208
本章小結 208
習題 209
參考文獻 209
第15章 圖卷積神經網絡 211
15.1 符號的定義 212
15.2 圖卷積和圖池化的構建 213
15.2.1 圖卷積的構建 213
15.2.2 圖池化的構建 217
15.3 圖卷積神經網絡的訓練 218
15.3.1 深層圖卷積神經網絡 218
15.3.2 大規模網絡圖卷積技術 219
15.3.3 半監督節點分類問題的
訓練技術 220
15.4 圖卷積神經網絡的典型算法 220
15.4.1 半監督圖卷積網絡 220
15.4.2 HAGCN 222
15.4.3 GAT 224
15.5 圖卷積神經網絡的應用 225
15.5.1 網絡分析 225
15.5.2 社區發現 225
15.5.3 推薦系統 225
15.5.4 交通預測 226
15.5.5 生物化學 227
15.5.6 計算機視覺 228
15.5.7 自然語言處理 229
15.6 圖卷積神經網絡的未來發展方向 229
15.6.1 深層的網絡結構 229
15.6.2 大規模數據 230
15.6.3 多尺度的圖上任務 230
15.6.4 動態變化的圖數據 230
15.6.5 圖神經網絡的可解釋性 230
本章小結 231
習題 231
參考文獻 231
第16章 自監督學習 233
16.1 自監督學習概述 233
16.1.1 自監督學習背景 233
16.1.2 術語解釋 235
16.1.3 自監督學習前置任務 235
16.1.4 自監督學習下游任務 238
16.1.5 自監督學習數據集 240
16.2 自監督學習方法 240
16.2.1 基于對比的自監督學習 240
16.2.2 基于上下文的自監督學習 245
16.2.3 基于時序的自監督學習 248
16.3 自監督學習的應用拓展 249
16.3.1 自監督學習輔助的知識蒸餾 249
16.3.2 自監督半監督學習 253
本章小結 255
習題 256
參考文獻 256
第17章 遷移學習 259
17.1 遷移學習概述 259
17.1.1 遷移學習的歷史 260
17.1.2 遷移學習的本質 261
17.2 遷移學習 262
17.2.1 基于實例的遷移學習 263
17.2.2 基于特征的遷移學習 264
17.2.3 基于參數的遷移學習 266
17.2.4 基于關系的遷移學習 267
17.3 深度遷移學習 269
17.3.1 基于網絡的深度遷移學習 269
17.3.2 基于生成對抗網絡的
深度遷移學習 272
17.4 遷移學習的應用 274
本章小結 277
習題 277
參考文獻 278
第18章 自動機器學習 281
18.1 自動機器學習基礎 281
18.1.1 初識自動機器學習 281
18.1.2 自動機器學習的構成 282
18.2 數據準備 283
18.2.1 數據收集 284
18.2.2 數據清理 284
18.2.3 數據增強 284
18.3 模型生成 285
18.3.1 傳統模型 285
18.3.2 NAS 286
18.3.3 模型優化 293
18.4 模型評估 299
18.4.1 低保真 299
18.4.2 權重共享 300
18.4.3 代理模型 300
18.4.4 早停法 300
18.4.5 資源感知 300
18.5 經典NAS算法 301
18.5.1 NASNet 301
18.5.2 PNAS 303
18.5.3 DARTS 304
本章小結 306
習題 307
參考文獻 307
展開全部
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
莉莉和章魚
- >
羅庸西南聯大授課錄
- >
伊索寓言-世界文學名著典藏-全譯本
- >
隨園食單
- >
名家帶你讀魯迅:故事新編
- >
史學評論
- >
上帝之肋:男人的真實旅程
本類暢銷
