- 机器学习经典算法与案例实战(微课视频版教育部高等学校计算机类专业教学指导委员会推荐教材)
- - 作者：编者:袁建军|责编:郑寅堃
  - 出版社：清华大学
  - ISBN：9787302662082
  - 出版日期：2024/07/01
  - 页数：176
- 售价：19.92

内容大纲
    本书以案例为载体，介绍了目前机器学习的部分主流算法及其应用，简要概括部分主流算法的基本原理，详细说明应用算法过程中需要注意的问题，通过实际案例的解析使学生更好地掌握主流算法。
    全书共四部分。第一部分（第1章）为理论基础，着重介绍机器学习的发展及主流应用，还详细介绍了本书中全部案例运行环境的搭建方法。第二部分（第2～7章）为监督学习模型，着重介绍了贝叶斯分类器、线性模型、决策结、K近邻、支持向量机和随机森林的基本原理。第三部分（第8、9章）为无监督学习模型，详细介绍了数据降维和K－均值聚类。第四部分（第10～12章）为神经网络与深度学习，介绍了几类目前流行的神经网络和深度学习网络。全书提供了大量应用案例，每章后均附有习题。
    本书适合作为各类高等院校计算机、人工智能专业的教材，也适合作为相关专业研究生的入门教材，还可供人工智能和数据挖掘方向的开发人员、广大科技工作者和研究人员参考。
作者介绍
目录
第一部分  理论基础
  第1章  绪论
    1.1  机器学习概述
    1.2  机器学习应用基础
    1.3  机器学习应用系统
    1.4  机器学习发展
    1.5  机器学习中的观点和问题
    1.6  模型评价常用指标
    1.7  目前主流应用
      1.7.1  数据挖掘
      1.7.2  计算机视觉
      1.7.3  自然语言处理
      1.7.4  语音识别
      1.7.5  推荐系统
    1.8  运行环境搭建
      1.8.1  Python安装
      1.8.2  PyCharm安装模块文件
      1.8.3  Anaconda安装
    1.9  知识扩展
    1.10  习题
第二部分  监督学习模型
  第2章  贝叶斯分类器
    2.1  贝叶斯分类器基本思想
    2.2  朴素贝叶斯分类器
      2.2.1  朴素贝叶斯分类器原理
      2.2.2  朴素贝叶斯分类器案例——垃圾邮件过滤
    2.3  正态贝叶斯分类器
      2.3.1  正态贝叶斯分类器原理
      2.3.2  正态贝叶斯分类器案例——训练资料分类
    2.4  知识扩展
    2.5  习题
  第3章  线性模型
    3.1  回归预测
    3.2  线性回归
      3.2.1  线性回归的基本原理
      3.2.2  线性回归的案例——波士顿房价预测Ⅰ
    3.3  逻辑回归
      3.3.1  逻辑回归的基本原理
      3.3.2  逻辑回归的损失函数
      3.3.3  逻辑回归的案例——泰坦尼克号乘客预测
    3.4  其他回归模型
      3.4.1  套索回归
      3.4.2  岭回归
      3.4.3  套索回归和岭回归的案例——波士顿房价预测Ⅱ
    3.5  知识扩展
    3.6  习题
  第4章  决策树
    4.1  什么是决策树
    4.2  构建决策树
      4.2.1  构建决策树的基本过程

      4.2.2  基尼系数
      4.2.3  信息熵和信息增益
    4.3  修剪决策树
      4.3.1  预剪枝
      4.3.2  后剪枝
    4.4  决策树案例——员工流失分析
    4.5  决策树回归问题
    4.6  知识扩展
    4.7  习题
  第5章  K近邻
    5.1  K近邻算法的基本思想
    5.2  K近邻算法中的距离度量
    5.3  选择合适的K值
    5.4  K近邻案例——鸢尾花分类
    5.5  知识扩展
    5.6  习题
  第6章  支持向量机
    6.1  SVM的基本原理
      6.1.1  线性SVM分类器
      6.1.2  硬间隔与软间隔
      6.1.3  非线性SVM分类器
    6.2  核函数
      6.2.1  核函数原理
      6.2.2  几种常见的核函数
    6.3  SVM案例——手写数字图像识别
    6.4  KSVM案例——人脸图像识别
    6.5  知识扩展
    6.6  习题
  第7章  随机森林
    7.1  集成学习原理
    7.2  算法流程
      7.2.1  Bagging集成算法
      7.2.2  Boosting集成算法
    7.3  随机森林算法
      7.3.1  随机森林原理
      7.3.2  随机森林案例——红酒分类
    7.4  知识扩展
    7.5  习题
第三部分  无监督学习模型
  第8章  数据降维
    8.1  降维与重构算法思想
    8.2  PCA
      8.2.1  PCA算法原理
      8.2.2  PCA算法案例——图像降维和重建
    8.3  随机近邻嵌入
      8.3.1  随机近邻嵌入算法原理
      8.3.2  随机近邻嵌入案例——手写数字图像降维
    8.4  知识扩展
    8.5  习题
  第9章  K-均值聚类

    9.1  K-均值聚类基本思想
    9.2  K-均值聚类算法流程
    9.3  K-均值聚类案例——图像的分割和压缩
    9.4  知识扩展
    9.5  习题
第四部分  神经网络与深度学习
  第10章  神经网络
    10.1  神经网络基本思想
    10.2  反向传播算法
      10.2.1  反向传播算法原理
      10.2.2  反向传播算法案例——手写数字图像预测
    10.3  知识扩展
    10.4  习题
  第11章  自编码器图像降噪
    11.1  图像噪声的处理办法
    11.2  卷积自编码器图像降哚
      11.2.1  卷积自编码器原理简述
      11.2.2  卷积自编码器降噪原理
      11.2.3  卷积自编码器降噪案例
    11.3  稀疏自编码器图像降噪
      11.3.1  稀疏自编码器原理简介
      11.3.2  稀疏自编码器图像降噪案例
    11.4  知识扩展
    11.5  习题
  第12章  几种深度学习网络
    12.1  开启深度学习之旅
    12.2  卷积神经网络
      12.2.1  卷积神经网络原理简介
      12.2.2  深度卷积神经网络案例——图像目标检测
    12.3  循环神经网络
      12.3.1  循环神经网络原理简介
      12.3.2  循环神经网络的几种实现
      12.3.3  循环神经网络案例——航空旅客数量预测
    12.4  生成对抗网络
      12.4.1  生成对抗网络原理简述
      12.4.2  生成对抗网络案例——提高图像分辨率
    12.5  概率图模型
      12.5.1  概率图模型简述
      12.5.2  高斯混合模型概述
      12.5.3  高斯混合模型案例——图像分割
    12.6  知识扩展
    12.7  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