欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 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