包郵機器學習經(jīng)典算法與案例實戰(zhàn) 微課視頻版

作者：袁建軍編

出版社：清華大學出版社出版時間：2024-07-01

開本： 16開 頁數(shù)： 188

本類榜單：教材銷量榜

中圖價:¥43.3(8.7折) 定價 ~~¥49.8~~ 登錄后可看到會員價

加入購物車收藏

開年大促， 全場包郵

?新疆、西藏除外

本類五星書更多>

>
闖進數(shù)學世界――探秘歷史名題

闖進數(shù)學世界――探秘歷史名題

¥20.7¥32.8
>
中醫(yī)基礎(chǔ)理論

中醫(yī)基礎(chǔ)理論

¥51.7¥59
>
當代中國政府與政治(新編21世紀公共管理系列教材)

當代中國政府與政治(新編21世紀公共管理系列教材)

¥31.2¥48
>
高校軍事課教程

高校軍事課教程

¥12.4¥38
>
思想道德與法治(2021年版)

思想道德與法治(2021年版)

¥8.5¥18
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)

毛澤東思想和中國特色社會主義理論體系概論(2021年版)

¥8.5¥25
>
中醫(yī)內(nèi)科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材

中醫(yī)內(nèi)科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材

¥85.1¥99

商品詳情
商品評論(0條)

中圖價:¥43.3 加入購物車

版權(quán)信息
本書特色
內(nèi)容簡介
目錄

機器學習經(jīng)典算法與案例實戰(zhàn) 微課視頻版版權(quán)信息

ISBN：9787302662082
條形碼：9787302662082 ; 978-7-302-66208-2
裝幀：平裝-膠訂
冊數(shù)：暫無
重量：暫無
所屬分類：
教材
>
研究生/本科/專科教材

機器學習經(jīng)典算法與案例實戰(zhàn) 微課視頻版本書特色

遵循“從淺到深，理論到實踐；以案例為主，理論為輔”的編寫原則，在機器學習主流算法的理論框架基礎(chǔ)上，使學習者快速掌握主流算法的理論框架，通過相應(yīng)案例講解，培養(yǎng)學習者解決實際問題的能力。每章內(nèi)容配有相應(yīng)的教案、課件和題庫，以及重要章節(jié)或知識點的講解視頻。

本書側(cè)重案例講解，內(nèi)容新穎，深入淺出，圖文并茂，語言通俗易懂，注重理論聯(lián)系實際。在編寫形式上，引入豐富的案例，注重理論與實踐的結(jié)合，通過各章節(jié)配有的相應(yīng)算法案例，使讀者更加快速、深入地理解和掌握機器學習主要算法，提高其運用機器學習主要算法解決實際問題的能力。

機器學習經(jīng)典算法與案例實戰(zhàn) 微課視頻版內(nèi)容簡介

本書以案例為載體，介紹了目前機器學習的部分主流算法及其應(yīng)用，簡要概括部分主流算法的基本原理，詳細說明應(yīng)用算法過程中需要注意的問題，通過實際案例的解析使學生更好地掌握主流算法。全書共四部分。**部分（第1章）為理論基礎(chǔ)，著重介紹機器學習的發(fā)展及主流應(yīng)用，還詳細介紹了本書中全部案例運行環(huán)境的搭建方法。第二部分（第2~7章）為監(jiān)督學習模型，著重介紹了貝葉斯分類器、線性模型、決策結(jié)、K近鄰、支持向量機和隨機森林的基本原理。第三部分（第8、9章）為無監(jiān)督學習模型，詳細介紹了數(shù)據(jù)降維和K均值聚類。第四部分（第10~12章）為神經(jīng)網(wǎng)絡(luò)與深度學習，介紹了幾類目前流行的神經(jīng)網(wǎng)絡(luò)和深度學習網(wǎng)絡(luò)。全書提供了大量應(yīng)用案例，每章后均附有習題。本書適合作為各類高等院校計算機、人工智能專業(yè)的教材，也適合作為相關(guān)專業(yè)研究生的入門教材，還可供人工智能和數(shù)據(jù)挖掘方向的開發(fā)人員、廣大科技工作者和研究人員參考。

機器學習經(jīng)典算法與案例實戰(zhàn) 微課視頻版目錄

**部分理論基礎(chǔ) 第1章緒論 1.1機器學習概述 1.2機器學習應(yīng)用基礎(chǔ) 1.3機器學習應(yīng)用系統(tǒng) 1.4機器學習發(fā)展 1.5機器學習中的觀點和問題 1.6模型評價常用指標 1.7目前主流應(yīng)用 1.7.1數(shù)據(jù)挖掘 1.7.2計算機視覺 1.7.3自然語言處理 1.7.4語音識別 1.7.5推薦系統(tǒng) 1.8運行環(huán)境搭建 1.8.1Python安裝 1.8.2PyCharm安裝模塊文件 1.8.3Anaconda安裝 1.9知識擴展 1.10習題第二部分監(jiān)督學習模型第2章貝葉斯分類器 2.1貝葉斯分類器基本思想 2.2樸素貝葉斯分類器 2.2.1樸素貝葉斯分類器原理 2.2.2樸素貝葉斯分類器案例——垃圾郵件過濾 2.3正態(tài)貝葉斯分類器 2.3.1正態(tài)貝葉斯分類器原理 2.3.2正態(tài)貝葉斯分類器案例——訓練資料分類 2.4知識擴展 2.5習題第3章線性模型 3.1回歸預(yù)測 3.2線性回歸 3.2.1線性回歸的基本原理 3.2.2線性回歸的案例——波士頓房價預(yù)測Ⅰ 3.3邏輯回歸 3.3.1邏輯回歸的基本原理 3.3.2邏輯回歸的損失函數(shù) 3.3.3邏輯回歸的案例——泰坦尼克號乘客預(yù)測 3.4其他回歸模型 3.4.1套索回歸 3.4.2嶺回歸 3.4.3套索回歸和嶺回歸的案例——波士頓房價預(yù)測Ⅱ 3.5知識擴展 3.6習題第4章決策樹 4.1什么是決策樹 4.2構(gòu)建決策樹 4.2.1構(gòu)建決策樹的基本過程 4.2.2基尼系數(shù) 4.2.3信息熵和信息增益 4.3修剪決策樹 4.3.1預(yù)剪枝 4.3.2后剪枝 4.4決策樹案例——員工流失分析 4.5決策樹回歸問題 4.6知識擴展 4.7習題第5章K近鄰 5.1K近鄰算法的基本思想 5.2K近鄰算法中的距離度量 5.3選擇合適的K值 5.4K近鄰案例——鳶尾花分類 5.5知識擴展 5.6習題第6章支持向量機 6.1SVM的基本原理 6.1.1線性SVM分類器 6.1.2硬間隔與軟間隔 6.1.3非線性SVM分類器 6.2核函數(shù) 6.2.1核函數(shù)原理 6.2.2幾種常見的核函數(shù) 6.3SVM案例——手寫數(shù)字圖像識別 6.4KSVM案例——人臉圖像識別 6.5知識擴展 6.6習題第7章隨機森林 7.1集成學習原理 7.2算法流程 7.2.1Bagging集成算法 7.2.2Boosting集成算法 7.3隨機森林算法 7.3.1隨機森林原理 7.3.2隨機森林案例——紅酒分類 7.4知識擴展 7.5習題第三部分無監(jiān)督學習模型第8章數(shù)據(jù)降維 8.1降維與重構(gòu)算法思想 8.2PCA 8.2.1PCA算法原理 8.2.2PCA算法案例——圖像降維和重建 8.3隨機近鄰嵌入 8.3.1隨機近鄰嵌入算法原理 8.3.2隨機近鄰嵌入案例——手寫數(shù)字圖像降維 8.4知識擴展 8.5習題第9章K均值聚類 9.1K均值聚類基本思想 9.2K均值聚類算法流程 9.3K均值聚類案例——圖像的分割和壓縮 9.4知識擴展 9.5習題第四部分神經(jīng)網(wǎng)絡(luò)與深度學習第10章神經(jīng)網(wǎng)絡(luò) 10.1神經(jīng)網(wǎng)絡(luò)基本思想 10.2反向傳播算法 10.2.1反向傳播算法原理 10.2.2反向傳播算法案例——手寫數(shù)字圖像預(yù)測 10.3知識擴展 10.4習題第11章自編碼器圖像降噪 11.1圖像噪聲的處理辦法 11.2卷積自編碼器圖像降噪 11.2.1卷積自編碼器原理簡述 11.2.2卷積自編碼器降噪原理 11.2.3卷積自編碼器降噪案例 11.3稀疏自編碼器圖像降噪 11.3.1稀疏自編碼器原理簡介 11.3.2稀疏自編碼器圖像降噪案例 11.4知識擴展 11.5習題第12章幾種深度學習網(wǎng)絡(luò) 12.1開啟深度學習之旅 12.2卷積神經(jīng)網(wǎng)絡(luò) 12.2.1卷積神經(jīng)網(wǎng)絡(luò)原理簡介 12.2.2深度卷積神經(jīng)網(wǎng)絡(luò)案例——圖像目標檢測 12.3循環(huán)神經(jīng)網(wǎng)絡(luò) 12.3.1循環(huán)神經(jīng)網(wǎng)絡(luò)原理簡介 12.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)的幾種實現(xiàn) 12.3.3循環(huán)神經(jīng)網(wǎng)絡(luò)案例——航空旅客數(shù)量預(yù)測 12.4生成對抗網(wǎng)絡(luò) 12.4.1生成對抗網(wǎng)絡(luò)原理簡述 12.4.2生成對抗網(wǎng)絡(luò)案例——提高圖像分辨率 12.5概率圖模型 12.5.1概率圖模型簡述 12.5.2高斯混合模型概述 12.5.3高斯混合模型案例——圖像分割 12.6知識擴展 12.7習題
參考文獻

展開全部

商品評論(0條)

寫書評賺書幣

暫無評論……

書友推薦