- 机器学习与智能感知(高等学校智能科学与技术人工智能专业教材)
- - 作者：编者:张宝昌//黄雷//丁嵘//王田|责编:张玥//常建丽
  - 出版社：清华大学
  - ISBN：9787302641704
  - 出版日期：2023/09/01
  - 页数：151
- 售价：19.92

内容大纲
本书旨在通过对机器学习主要原理和方法的介绍，并且结合作者多年来在智能感知方面的研究成果，对其他书籍未涉及的一些前沿研究进行补充阐述。通过对基础理论循序渐进、深入浅出的讲解，读者能够更快速地掌握机器学习的基本方法，在此基础上每章内容由易到难，读者可以根据自己的掌握程度以及兴趣，选择特定的方向进行更深入的学习。
本书可作为有一定数学基础的人工智能专业的本科生和研究生教材，也可作为有志于钻研人工智能相关领域（包括机器学习和智能感知等方向）的读者的参考书。
作者介绍
目录
第1章  机器学习的发展史
  引言
  1.1  机器学习
    1.1.1  机器学习的定义和研究意义
    1.1.2  机器学习的发展史
    1.1.3  机器学习系统的基本结构
    1.1.4  机器学习的分类
    1.1.5  目前研究领域
  1.2  统计模式识别问题
    1.2.1  机器学习问题的表示
    1.2.2  经验风险最小化
    1.2.3  复杂性与推广能力
  1.3  统计机器学习理论的核心内容
    1.3.1  学习过程一致性的条件
    1.3.2  推广性的界
    1.3.3  结构风险最小化
  1.4  解耦因果学习
    1.4.1  因果学习
    1.4.2  相关工作
    1.4.3  解耦因果学习方法与应用
  1.5  总结
  课后习题
第2章  决策树学习
  引言
  2.1  决策树学习概述
    2.1.1  决策树
    2.1.2  性质
    2.1.3  应用
    2.1.4  学习
  2.2  决策树设计
    2.2.1  决策树的特点
    2.2.2  决策树的生成
  2.3  总结
  课后习题
第3章  PAC模型
  引言
  3.1  基本的PAC模型
    3.1.1  PAC简介
    3.1.2  基本概念
    3.1.3  问题框架
  3.2  PAC模型样本复杂度分析
    3.2.1  有限空间样本复杂度
    3.2.2  无限空间样本复杂度
  3.3  VC维计算
  3.4  总结
  课后习题
第4章  贝叶斯学习
  引言
  4.1  贝叶斯学习
    4.1.1  贝叶斯公式

    4.1.2  最小误差决策
    4.1.3  正态密度
    4.1.4  最大似然估计
  4.2  朴素贝叶斯原理及应用
    4.2.1  贝叶斯最佳假设原理
    4.2.2  基于朴素贝叶斯的文本分类器
  4.3  HMM（隐马尔可夫模型）及应用
    4.3.1  马尔可夫性
    4.3.2  马尔可夫链
    4.3.3  转移概率矩阵
    4.3.4  HMM（隐马尔可夫模型）及应用
  4.4  总结
  课后习题
第5章  支持向量机
  引言
  5.1  支持向量机概述
    5.1.1  margin最大化
    5.1.2  支持向量机优化
  5.2  支持向量机的实例
  5.3  支持向量机的实现算法
  5.4  多类支持向量机
  5.5  总结
  课后习题
第6章  AdaBoost
  引言
  6.1  AdaBoost与目标检测
    6.1.1  AdaBoost算法
    6.1.2  AdaBoost训练
    6.1.3  AdaBoost实例
  6.2  具有强鲁棒性的实时目标检测
    6.2.1  Haarlike矩形特征选取
    6.2.2  积分图
    6.2.3  训练结果
    6.2.4  级联
  6.3  随机森林
    6.3.1  原理阐述
    6.3.2  算法详解
    6.3.3  算法分析
  6.4  总结
  课后习题
第7章  压缩感知
  引言
  7.1  压缩感知理论框架
  7.2  压缩感知的基本理论及核心问题
    7.2.1  压缩感知的数学模型
    7.2.2  信号的稀疏表示
    7.2.3  信号的观测矩阵
    7.2.4  信号的重构算法
  7.3  压缩感知的应用
    7.3.1  应用

    7.3.2  人脸识别
  7.4  总结
  课后习题
第8章  子空间
  引言
  8.1  基于主成分分析的特征提取
  8.2  数学模型
  8.3  主成分的数学上的计算
    8.3.1  两个线性代数的结论
    8.3.2  基于协方差矩阵的特征值分解
    8.3.3  主成分分析的步骤
  8.4  主成分分析的性质
  8.5  基于主成分分析的人脸识别方法
  8.6  总结
  课后习题
第9章  神经网络与深度学习
  引言
  9.1  神经网络及其主要算法
    9.1.1  前馈神经网络
    9.1.2  感知器
    9.1.3  反向传播算法
  9.2  深度学习
    9.2.1  深度学习算法基础与网络模型
    9.2.2  深度学习算法原理
    9.2.3  卷积神经网络算法原理
  9.3  深度学习网络模型
    9.3.1  深度学习网络架构
    9.3.2  网络模型优化
    9.3.3  代表性的网络模型
  9.4  总结
  课后习题
第10章  调制压缩神经网络
  引言
  10.1  神经网络模型压缩概述
    10.1.1  量化与二值化
    10.1.2  剪枝与共享
  10.2  调制压缩神经网络
  10.3  损失函数
  10.4  前向卷积
    10.4.1  重构卷积核
    10.4.2  调制网络的前向卷积过程
  10.5  调制卷积神经网络模型的梯度反传
  10.6  MCN网络的实验验证
    10.6.1  模型收敛效率
    10.6.2  模型时间分析
    10.6.3  实验结果
  课后习题
第11章  批量白化技术
  引言
  11.1  批量标准化技术

  11.2  批量白化方法
    11.2.1  随机坐标交换问题
    11.2.2  ZCA白化
  11.3  批量白化模块
  11.4  分析和讨论
    11.4.1  提高模型的条件情况
    11.4.2  近似的动态等距性
  11.5  总结
  课后习题
第12章  正交权重矩阵
  引言
  12.1  多个依赖的Stiefel流优化
  12.2  正交权重矩阵的特性
    12.2.1  稳定激活值的分布
    12.2.2  规整化神经网络
  12.3  正交权重标准化技术
    12.3.1  设计正交变换
    12.3.2  反向传播
    12.3.3  正交线性模块
  12.4  实验与分析
    12.4.1  求解多个依赖的Stiefel流优化问题方法比较
    12.4.2  多层感知机实验
    12.4.3  ImageNet2012大规模图像数据分类实验
  12.5  总结
  课后习题
第13章  强化学习
  引言
  13.1  AlphaGo技术
  13.2  强化学习概述
  13.3  强化学习过程
    13.3.1  马尔可夫性
    13.3.2  奖励
    13.3.3  估价函数
    13.3.4  动态规划
    13.3.5  蒙特卡罗方法
    13.3.6  时序差分学习
  13.4  Q学习算法
    13.4.1  Q学习算法介绍
    13.4.2  奖励
    13.4.3  Q学习算法的改进
  13.5  程序实现
  课后习题
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