- 机器学习入门基础(人工智能微课版面向新工科专业建设计算机系列教材)
- - 作者：编者:黄海广//徐震//张笑钦|责编:白立军|总主编:张尧学
  - 出版社：清华大学
  - ISBN：9787302619581
  - 出版日期：2023/04/01
  - 页数：244
- 售价：27.92

内容大纲
    机器学习专门研究计算机怎样模拟或实现人类的学习行为，它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。本书是一本机器学习的入门书，通过本书，学习者将初步理解主流的机器学习算法，并且可以用机器学习技术解决现实生活中的问题。只要有本科三年级以上的数学知识，会一种编程语言，就可以掌握本书的绝大部分内容。
    本书共有15章，主要讲解经典的机器学习算法，如线性回归、逻辑回归、决策树等，同时讲解近几年才出现的算法，如XGBoost、LightGBM等集成学习算法。此外，本书还会讲解利用机器学习解决问题的实用技术，如Python、Scikit-learn工具的使用等。
    本书配套有教学大纲、教学进度、教学课件、教学视频及习题，可以作为专科生、本科生、研究生的机器学习教材，也可以作为从事机器学习、数据挖掘相关工作的研究人员和技术人员的参考书。
作者介绍
目录
第1章  引言
  1.1  机器学习概述
  1.2  机器学习发展史
  1.3  机器学习的类型
    1.3.1  监督学习
    1.3.2  无监督学习
    1.3.3  强化学习
  1.4  机器学习的主要概念
    1.4.1  模型
    1.4.2  损失函数
    1.4.3  优化算法
    1.4.4  模型评估
  1.5  机器学习的背景知识
    1.5.1  数学基础
    1.5.2  编程基础
  1.6  机器学习的开发流程
  1.7  本书概述
    1.7.1  本书结构
    1.7.2  学习路线
  习题
  参考文献
第2章  数学基础回顾（选修）
  2.1  数学基础的必要性
    2.1.1  数学基础概述
    2.1.2  符号定义
  2.2  高等数学
    2.2.1  导数的定义
    2.2.2  左右导数的几何意义和物理意义
    2.2.3  函数的可导性与连续性之间的关系
    2.2.4  平面曲线的切线和法线
    2.2.5  四则运算法则
    2.2.6  基本导数与微分表
    2.2.7  复合函数、反函数、隐函数及参数方程所确定的函数的微分法
    2.2.8  常用高阶导数公式
    2.2.9  微分中值定理
    2.2.10  泰勒公式
    2.2.11  函数单调性的判断
    2.2.12  函数凹凸性的判断
  2.3  线性代数
    2.3.1  基本概念
    2.3.2  矩阵乘法
    2.3.3  向量-向量乘法
    2.3.4  矩阵-向量乘法
    2.3.5  矩阵-矩阵乘法
    2.3.6  单位矩阵和对角矩阵
    2.3.7  矩阵的转置
    2.3.8  对称矩阵
    2.3.9  矩阵的迹
    2.3.10  矩阵求导常见公式
    2.3.11  范数

    2.3.12  线性相关性和秩
    2.3.13  方阵的逆
    2.3.14  正交阵
    2.3.15  行列式
    2.3.16  二次型和半正定矩阵
    2.3.17  特征值和特征向量
  2.4  概率论与数理统计
    2.4.1  概率的基本要素
    2.4.2  条件概率和独立性
    2.4.3  随机变量
    2.4.4  累积分布函数
    2.4.5  概率质量函数
    2.4.6  概率密度函数
    2.4.7  期望
    2.4.8  方差
    2.4.9  一些常见的随机变量
    2.4.10  联合分布和边缘分布
    2.4.11  条件概率分布
    2.4.12  贝叶斯定理
    2.4.13  独立性
    2.4.14  期望和协方差
    2.4.15  KL散度
  2.5  优化理论
    2.5.1  梯度下降法
    2.5.2  牛顿法
    2.5.3  拉格朗日乘子法
  习题
  参考文献
第3章  机器学习库Scikit-learn
  3.1  背景知识
  3.2  Scikit-learn概述
  3.3  Scikit-learn主要用法
    3.3.1  基本建模流程
    3.3.2  数据预处理
    3.3.3  监督学习算法
    3.3.4  无监督学习算法
    3.3.5  评价指标
    3.3.6  交叉验证及超参数调优
  3.4  Scikit-learn总结
  习题
  参考文献
第4章  回归
  4.1  线性回归
    4.1.1  符号定义
    4.1.2  背景知识
    4.1.3  线性回归求解
  4.2  最小二乘法
  4.3  梯度下降
    4.3.1  批梯度下降
    4.3.2  随机梯度下降

    4.3.3  小批量梯度下降
    4.3.4  梯度下降的数学推导
    4.3.5  梯度下降与最小二乘法比较
  4.4  数据规范化
    4.4.1  数据规范化概述
    4.4.2  数据规范化的主要方式
    4.4.3  数据规范化的适用范围
  4.5  正则化
    4.5.1  过拟合和欠拟合
    5.5.2  过拟合的处理
    4.5.3  欠拟合的处理
    4.5.4  正则化的主要形式
  4.6  回归的评价指标
  习题
  参考文献
第5章  逻辑回归
  5.1  分类问题
  5.2  Sigmoid函数
    5.2.1  Sigmoid函数概述
    5.2.2  Sigmoid函数的特点
    5.2.3  Sigmoid函数的原理
  5.3  逻辑回归
    5.3.1  逻辑回归算法思想
    5.3.2  逻辑回归的原理
  5.4  逻辑回归算法总结
  习题
  参考文献
第6章  朴素贝叶斯
  6.1  贝叶斯方法
    6.1.1  先验概率、后验概率、联合分布
    6.1.2  判别模型和生成模型
  6.2  朴素贝叶斯原理
    6.2.1  朴素贝叶斯概述
    6.2.2  拉普拉斯平滑
    6.2.3  朴素贝叶斯公式推导
    6.2.4  朴素贝叶斯案例
  6.3  朴素贝叶斯分类算法总结
  习题
  参考文献
第7章  机器学习实践
  7.1  数据集划分
    7.1.1  训练集、验证集和测试集划分
    7.1.2  交叉验证
    7.1.3  不平衡数据处理
  7.2  评价指标
    7.2.1  回归的评价指标
    7.2.2  分类的评价指标
    7.2.3  评价指标案例
  7.3  正则化、偏差和方差
    7.3.1  欠拟合和过拟合

    7.3.2  正则化
    7.3.3  偏差和方差
  习题
  参考文献
第8章  KNN算法
  8.1  距离度量
    8.1.1  欧几里得距离
    8.1.2  曼哈顿距离
    8.1.3  切比雪夫距离
    8.1.4  闵可夫斯基距离
    8.1.5  汉明距离
    8.1.6  余弦相似度
  8.2  KNN算法简介
    8.2.1  KNN算法概述
    8.2.2  KNN算法流程
  8.3  KD树划分
    8.3.1  KD树概述
    8.3.2  KD树划分案例
  8.4  KD树搜索
    8.4.1  KD树搜索概述
    8.4.2  KD树搜索案例
  习题
  参考文献
第9章  决策树
  9.1  决策树原理
    9.1.1  决策树概述
    9.1.2  决策树算法思想
  9.2  ID3算法
    9.2.1  ID3算法概述
    9.2.2  ID3划分标准
    9.2.3  ID3算法总结
    9.3C4.5  算法
      9.3.1C4.5  算法概述
      9.3.2C4.5  划分标准
      9.3.3C4.5  剪枝处理
      9.3.4C4.5  算法总结
  9.4  CART算法
    9.4.1  CART算法概述
    9.4.2  CART分类树
    9.4.3  CART回归树
    9.4.4  CART剪枝处理
    9.4.5  CART算法总结
  9.5  决策树总结
    9.5.13  种决策树算法的差异
    9.5.2  决策树的优缺点
  习题
  参考文献
第10章  集成学习
  10.1  集成学习概述
    10.1.1  Bagging

    10.1.2  Boosting
    10.1.3  Stacking
  10.2  随机森林
    10.2.1  随机森林算法思想
    10.2.2  随机森林算法总结
  10.3  AdaBoost算法
    10.3.1  AdaBoost算法思想
    10.3.2  AdaBoost算法总结
  10.4  GBDT算法
    10.4.1  GBDT算法思想
    10.4.2  GBDT算法总结
  10.5  XGBoost算法
    10.5.1  XGBoost算法思想
    10.5.2  XGBoost算法推导
    10.5.3  XGBoost算法总结
  10.6  LightGBM算法
    10.6.1  LightGBM算法思想
    10.6.2  LightGBM算法总结
  习题
  参考文献
第11章  人工神经网络（选修）
  11.1  人工神经网络概述
  11.2  感知机模型
    11.2.1  感知机模型概述
    11.2.2  感知机算法流程
  11.3  反向传播算法
    11.3.1  反向传播算法概述
    11.3.2  反向传播算法流程
    11.3.3  反向传播算法总结
  习题
  参考文献
第12章  支持向量机
  12.1  支持向量机概述
    12.1.1  算法思想
    12.1.2  背景知识
  12.2  线性可分支持向量机
    12.2.1  算法思想
    12.2.2  求解步骤
  12.3  线性支持向量机
    12.3.1  松弛变量
    12.3.2  求解步骤
  12.4  线性不可分支持向量机
    12.4.1  算法思想
    12.4.2  核技巧
    12.4.3  常用核函数
    12.4.4  支持向量机的超参数
  12.5  支持向量机算法总结
    12.5.1  支持向量机普遍使用的准则
    12.5.2  算法优缺点
  习题

  参考文献
第13章  聚类
  13.1  聚类概述
    13.1.1  无监督学习概述
    13.1.2  聚类算法思想
    13.1.3  聚类的背景知识
  13.2  K-means聚类
    13.2.1  K-means算法思想
    13.2.2  K-means算法总结
  13.3  密度聚类
    13.3.1  DBSCAN算法概述
    13.3.2  DBSCAN算法思想
    13.3.3  DBSCAN算法总结
  13.4  层次聚类
    13.4.1  层次聚类概述
    13.4.2  聚合聚类
    13.4.3  分裂聚类
    13.4.4  层次聚类算法总结
  13.5  聚类的评价指标
    13.5.1  均一性
    13.5.2  完整性
    13.5.3  V-measure
    13.5.4  轮廓系数
    13.5.5  调整兰德系数
  习题
  参考文献
第14章  降维
  14.1  降维概述
    14.1.1  维数灾难
    14.1.2  降维概述
  14.2  奇异值分解
    14.2.1  SVD概述
    14.2.2  SVD的算法思想
    14.2.3  SVD的算法案例
    14.2.4  SVD的一些应用
  14.3  主成分分析
    14.3.1  PCA概述
    14.3.2  PCA算法思想
    14.3.3  PCA算法案例
    14.3.4  PCA算法总结
  习题
  参考文献
第15章  关联规则
  15.1  关联规则概述
  15.2  Apriori算法
    15.2.1  Apriori算法概述
    15.2.2  Apriori算法思想
    15.2.3  Apriori算法案例
    15.2.4  Apriori算法总结
  15.3  FP-Growth算法

    15.3.1  FP-Growth算法概述
    15.3.2  FP-Growth算法思想
    15.3.3  FP-Growth算法案例
    15.3.4  FP-Growth算法总结
  15.4  ECLAT算法
    15.4.1  ECLAT算法概述
    15.4.2  ECLAT算法思想
    15.4.3  ECLAT算法总结
  习题
  参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目