濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴f閺嬩線鏌熼梻瀵割槮缁惧墽绮换娑㈠箣閻戝棛鍔┑鐐村灦閻燂箓宕曢悢鍏肩厪濠电偛鐏濋崝姘舵煟鎼搭喖寮慨濠冩そ瀹曟鎳栭埞鍨沪闂備礁鎼幊蹇曞垝瀹€鍕仼闁绘垼妫勯拑鐔兼煏婢舵稓鐣遍柍褜鍓涢弫濠氬蓟閵娿儮鏀介柛鈩冧緱閳ь剚顨婇弻锛勨偓锝庡亞閵嗘帞绱掓潏銊ユ诞闁糕斁鍋撳銈嗗笒鐎氼剛澹曢崗鍏煎弿婵☆垰鐏濇禍褰掓煕閻愬灚鏆柡宀嬬秮閹晠鎮滃Ο绯曞亾閸愵喗鍋i柍褜鍓熼弫鍐焵椤掆偓瀹撳嫰姊洪崨濠勨槈閺嬵亜霉濠婂嫮鐭掗柡灞诲姂瀵潙螖閳ь剚绂嶆ィ鍐╁€垫繛鍫濈仢閺嬫稑顭胯闁帮綁鐛幋锕€顫呴柣姗嗗亝閺傗偓闂佽鍑界紞鍡樼鐠烘í缂氬┑鐘叉处閳锋垹绱撴担鍏夋(妞ゅ繐瀚烽崵鏇㈡偣閾忚纾柟鐑橆殔缁犳盯鏌eΔ鈧悧鍐箯濞差亝鈷掗柛灞炬皑婢ф稓绱掔€n偄娴鐐寸墵楠炲洭顢橀悩娈垮晭闁诲海鎳撴竟濠囧窗閺嶎厾宓侀柡宥庡幗閻撶喖鏌ㄥ┑鍡樺櫣婵¤尙绮妵鍕敃閿濆洨鐣奸梺鍦嚀鐎氫即骞栬ぐ鎺撳仭闁哄娉曢鍥⒒閸屾艾鈧娆㈠璺虹劦妞ゆ帒鍊告禒婊堟煠濞茶鐏¢柡鍛板煐鐎佃偐鈧稒岣块崢鐐繆閵堝繒鐣虫繛澶嬫礈閼洪亶宕稿Δ浣哄帾闂佹悶鍎崝灞炬叏瀹ュ棭娈介柣鎰綑濞搭喗顨ラ悙宸剶闁诡喗绮撳畷鍗烆潨閸℃﹫绱欓梻鍌氬€搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偞鐗犻、鏇氱秴闁搞儺鍓﹂弫宥夋煟閹邦厽缍戦柍褜鍓濋崺鏍崲濠靛顥堟繛鎴炶壘椤e搫顪冮妶鍐ㄥ姕鐎光偓閹间礁钃熸繛鎴旀噰閳ь剨绠撻獮瀣攽閸モ晙绨┑鐘殿暯閸撴繆銇愰崘顔藉亱闁规崘顕ч拑鐔兼煥閻斿搫孝缂佲偓閸愵喗鐓冮柛婵嗗閳ь剚鎮傚鍐参旈崨顔规嫼婵炴潙鍚嬮悷褏绮旈鈧湁婵犲﹤楠告晶鐗堜繆閸欏濮嶆鐐村笒铻栭柍褜鍓氶崕顐︽煟閻斿摜鐭婇梺甯到椤曪綁骞庨挊澶屽幐闂佸憡鍔︽禍鐐烘晬濠婂牊鐓涘璺猴功婢ф垿鏌涢弬璺ㄐч挊鐔兼煕椤愮姴鍔滈柣鎾寸☉闇夐柨婵嗙墱濞兼劗鈧娲栭惌鍌炲蓟閳╁啯濯撮悷娆忓绾炬娊姊烘潪鎵妽闁圭懓娲顐﹀箻缂佹ɑ娅㈤梺璺ㄥ櫐閹凤拷 [闂傚倸鍊搁崐鎼佸磹閹间礁纾圭€瑰嫭鍣磋ぐ鎺戠倞妞ゆ帊绀侀崜顓烆渻閵堝棗濮х紒鐘冲灴閻涱噣濮€閵堝棛鍘撻柡澶屽仦婢瑰棝宕濆鍡愪簻闁哄倸鐏濋顐ょ磼鏉堛劍宕岀€规洘甯掗~婵嬵敄閽樺澹曢梺鍛婄缚閸庢娊鎯屽▎鎾寸厱闁哄洢鍔岄悘鐘电磼閻欌偓閸ㄥ爼寮婚妸鈺傚亞闁稿本绋戦锟� | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌ら崫銉︽毄濞寸姵姘ㄧ槐鎾诲磼濞嗘帒鍘$紓渚囧櫘閸ㄨ泛鐣峰┑鍠棃宕橀妸銉т喊闂備礁鎼崯顐︽偋婵犲洤纾瑰┑鐘崇閻撱垺淇婇娆掝劅婵″弶鎮傞弻锝嗘償椤旂厧绫嶅┑顔硷龚濞咃絿鍒掑▎鎾崇閹兼番鍨虹€氭娊姊绘担铏广€婇柡鍛洴瀹曨垶寮堕幋顓炴闂佸綊妫跨粈渚€宕橀埀顒€顪冮妶鍡樺暗闁哥姵鎹囧畷銏ゎ敂閸涱垳鐦堥梺姹囧灲濞佳勭濠婂牊鐓熼煫鍥ㄦ⒒缁犵偟鈧娲樼换鍌烇綖濠靛鍤嬮柣銏ゆ涧楠炴劙姊绘担鍛靛綊寮甸鍕┾偓鍐川椤旂虎娲搁梺璺ㄥ櫐閹凤拷]

    • 机器学习算法及其应用
      • 作者:编者:吴梅梅|责编:张维官
      • 出版社:机械工业
      • ISBN:9787111654230
      • 出版日期:2020/05/01
      • 页数:146
    • 售价:23.2
  • 内容大纲

        随着数字音乐内容的迅速增长以及人们对音乐鉴赏需求的日益提升,音乐信息的分类检索及个性化推荐受到广大网民和有关从业人员越来越广泛的关注,并成为研究及应用的新热点。本书系统地阐述了机器学习中的常用分类与推荐方法,介绍了网络音乐自动分类与推荐的理论基础。重点探讨了SVM和KNN分类算法的改进,以及协同过滤推荐算法和基于马尔可夫模型推荐算法的改进,并对改进后的算法应用到音乐自动分类和个性化推荐领域进行了探索性研究。
        本书展现了机器学习常用算法的原理、改进及应用案例,适合机器学习、数据挖掘及大数据等领域的专业人员阅读。
  • 作者介绍

        吴梅梅(1980-),工学博士,中国传媒大学数据科学与智能媒体学院副教授,硕士生导师。长期致力于大数据分析、机器学习算法及网络新媒体技术研究。近年来主持并参与了多项国家级和省部级研究课题,发表过多篇SCI、EI论文,并拥有多项发明专利。
  • 目录

    前言
    第1章  机器学习简介
      1.1  机器学习的概念
      1.2  机器学习的发展
      1.3  机器学习的研究现状
        1.3.1  传统机器学习的研究现状
        1.3.2  大数据环境下机器学习的研究现状
      1.4  机器学习的分类
        1.4.1  有监督学习
        1.4.2  无监督学习
        1.4.3  半监督学习
        1.4.4  强化学习
      1.5  本章小结
    第2章  音乐、数字音乐与网络音乐
      2.1  音乐的艺术形式
      2.2  音乐的产生及发展
      2.3  音乐的要素
      2.4  音乐的存储与表示
        2.4.1  数字音乐及其特点
        2.4.2  数字音乐文件的特点和格式
      2.5  网络音乐的发展
      2.6  网络音乐的特征
      2.7  本章小结
    第3章  网络音乐的分类与推荐基础
      3.1  基于内容的音乐信息检索
        3.1.1  音高与旋律
        3.1.2  音乐节奏
        3.1.3  音乐和声
      3.2  音乐的分类
        3.2.1  按表达方式分类
        3.2.2  按旋律风格分类
        3.2.3  从音乐的历史角度分类
        3.2.4  按音乐流派分类
      3.3  网络音乐的自动分类
      3.4  网络音乐推荐算法综述
      3.5  本章小结
    第4章  机器学习中的分类与推荐算法
      4.1  朴素贝叶斯
      4.2  决策树
      4.3  k-近邻
      4.4  支持向量机
      4.5  人工神经网络
      4.6  基于内容的推荐
      4.7  协同过滤推荐
      4.8  基于马尔可夫模型的推荐
      4.9  混合推荐
      4.10  推荐算法评价
      4.11  本章小结
    第5章  基于支持向量机的音乐流派分类
      5.1  音乐的数字描述

      5.2  特征提取
        5.2.1  数据预处理
        5.2.2  声学特征量
      5.3  特征选择
        5.3.1  Relief F
        5.3.2  顺序前进法
        5.3.3  Relief F与SFS相结合的特征选择算法
      5.4  SVM分类器
        5.4.1  线性可分支持向量机
        5.4.2  线性支持向量机
        5.4.3  非线性支持向量机
        5.4.4  数值求解
        5.4.5  Relief F-SFS SVM分类实现
      5.5  实验结果与分析
        5.5.1  实验工具
        5.5.2  数据集
        5.5.3  评价标准及验证方法
        5.5.4  实验方法
        5.5.5  实验结果及分析
      5.6  可扩展性分析
      5.7  本章小结
    第6章  基于k-近邻的音乐流派自动分类
      6.1  k-近邻算法的理论基础
        6.1.1  k-近邻算法
        6.1.2  k-近邻算法模型
      6.2  算法的实现步骤及复杂度分析
      6.3  DW-KNN算法
        6.3.1  KNN算法的改进
        6.3.2  二次加权KNN(DW-KNN)分类算法
      6.4  实验结果与分析
        6.4.1  实验方法
        6.4.2  实验结果及分析
      6.5  可扩展性分析
      6.6  Relief F-SFS SVM与DW-KNN的对比
      6.7  本章小结
    第7章  基于社交网络与协同过滤的音乐推荐
      7.1  协同过滤推荐算法
        7.1.1  基于用户的协同过滤推荐算法
        7.1.2  基于项目的协同过滤推荐算法
        7.1.3  基于用户与基于项目的协同过滤推荐算法比较
        7.1.4  协同过滤中存在的问题
      7.2  SimRank算法
        7.2.1  SimRank算法思想
        7.2.2  SimRank算法流程
      7.3  社交网络的形成机制与表示方法
      7.4  构建用户的信任集合进行推荐
      7.5  实验结果及分析
        7.5.1  数据获取和数据集
        7.5.2  评价指标
        7.5.3  实验结果分析

      7.6  本章小结
    第8章  基于用户即时兴趣的音乐推荐
      8.1  相关研究
      8.2  马尔可夫模型理论基础
      8.3  基于用户即时行为的改进一阶马尔可夫音乐推荐模型
        8.3.1  问题描述
        8.3.2  指数衰减
        8.3.3  指数衰减的马尔可夫模型
        8.3.4  协同过滤的一阶马尔可夫推荐
      8.4  实验结果与分析
      8.5  可扩展性分析
      8.6  本章小结
    附录
      附录A  ReliefF-SFSSVM分类参考代码
      附录B  DW-KNN算法参考代码
      附录C  各分类算法的比较参考代码
    参考文献