- 机器学习算法与应用(21世纪经济管理新形态教材)/大数据与信息管理系列
- - 作者：编者:唐晨//付树军//徐岩|责编:高晓蔚
  - 出版社：清华大学
  - ISBN：9787302586142
  - 出版日期：2022/07/01
  - 页数：356
- 售价：27.2

内容大纲
本书主要内容包括机器学习中的相关数学基础（线性代数、概率统计与信息论、最优化方法和张量分析），样本数据的处理，机器学习的各种主流算法，基于MATLAB的机器学习算法的实现与机器学习综合应用，机器学习和深度学习的工程应用。本书特色是深入浅出，自成体系，注重基础理论的描述，具有系统性、完整性、可阅读性、应用性和前瞻性。本书可作为高等院校研究生和本科生机器学习相关课程的教材，还可作为与人工智能相关机构研究人员的参考书。
作者介绍
目录
第1章  绪论
    1.1  机器学习的定义
    1.2  机器学习的种类
    1.3  机器学习的应用
    1.4  网上公开的部分机器学习数据库
第一部分  机器学习中的数学基础
  第2章  线性代数
    2.1  标量、向量、矩阵和张量
    2.2  矩阵的运算
    2.3  特殊矩阵
    2.4  线性空间、线性相关和线性变换
    2.5  内积与范数
    2.6  矩阵分解
    2.7  Moore-Penrose伪逆
    2.8  MATLAB函数和示例
  第3章  概率统计与信息论
    3.1  随机事件及其概率
    3.2  随机变量及其概率分布
    3.3  边缘概率与条件概率
    3.4  独立性、全概率公式和贝叶斯公式
    3.5  随机变量的数字特征
    3.6  常用概率分布
    3.7  数理统计基础
    3.8  统计推断
    3.9  信息论
    3.10  MATLAB函数和示例
  第4章  最优化方法
    4.1  拉格朗日乘子法与KKT条件
    4.2  梯度下降法和共轭梯度法
    4.3  牛顿法和拟牛顿法
    4.4  坐标下降法
    4.5  启发式智能优化算法
    4.6  基于MATLAB的优化求解
  第5章  张量分析
    5.1  基本概念与运算
    5.2  张量的经典分解
    5.3  张量奇异值分解
    5.4  MATLAB函数与示例
第二部分  样本数据的处理
  第6章  核（Kernel）方法
    6.1  核函数引入
    6.2  正定核函数
    6.3  正定核函数的等价定义
    6.4  常用的核函数及其MATLAB实现
  第7章  主成分分析（PCA）与核主成分分析（KPCA）
    7.1  算法定义
    7.2  算法原理
    7.3  KPCA
    7.4  举例
  第8章  线性判别分析（LDA）与核线性判别分析（KLDA）

    8.1  算法定义
    8.2  算法原理
    8.3  LDA与PCA比较
    8.4  应用举例
第三部分  监督学习
  第9章  线性回归
    9.1  线性回归模型
    9.2  线性回归的原理
    9.3  多元线性回归算法实现及应用
    9.4  基于核的线性回归
  第10章  逻辑回归
    10.1  逻辑回归的背景
    10.2  逻辑回归的原理
    10.3  逻辑回归算法的实现
  第11章  贝叶斯分类器
    11.1  算法定义
    11.2  算法原理
    11.3  算法实现及应用举例
  第12章  决策树
    12.1  算法定义
    12.2  算法原理
    12.3  决策树模型评估
    12.4  算法举例
  第13章  随机森林
    13.1  算法定义
    13.2  算法原理
    13.3  算法实现及应用
  第14章  支持向量机（SVM）
    14.1  算法定义
    14.2  算法原理
    14.3  应用举例
  第15章  人工神经网络
    15.1  神经元模型
    15.2  感知机与多层网络
    15.3  反向传播算法
    15.4  神经网络的实现
    15.5  卷积神经网络
    15.6  经典深度神经网路
    15.7  神经网络的应用
    15.8  MATLAB函数与示例
第四部分  无监督学习
  第16章  k-means聚类方法
    16.1  k-means算法原理
    16.2  k-means算法的优缺点
    16.3  聚类个数建议
    16.4  k-means算法的实现及应用举例
  第17章  模糊C均值（FCM)聚类
    17.1  FCM聚类算法原理
    17.2  FCM算法实现及应用举例
    17.3  FCM与k-means算法的比较

  第18章  改进的模糊C均值聚类
    18.1  PFCM聚类算法
    18.2  KFCM聚类算法
    18.3  SSFCM聚类算法
    18.4  聚类算法的量化评估和图像分割的比较
第五部分  应用
  第19章  机器学习算法的综合应用
    19.1  鸢尾属植物的分类与聚类
    19.2  基于PCA和KPCA预处理的乳腺细胞分类与聚类
    19.3  基于LDA和KLDA预处理的酒的分类与聚类
  第20章  机器学习和深度学习的工程应用
    20.1  基于SVM的天气雷达回波干扰图像的分类
    20.2  基于FCM的变密度光条纹图像的滤波
    20.3  基于FCM的光条纹图像的二值化
    20.4  基于ANN的全场相位的插值
    20.5  基于全卷积神经网络的多尺度视网膜图像血管分割
    20.6  基于卷积神经网络ESPI条纹图滤波
    20.7  基于M-Net分割网络的光条纹骨架线提取
专业术语中英文对照表

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目