欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 机器学习应用案例与设计(应用型高校产教融合系列教材)/大电类专业系列
      • 作者:编者:罗光圣|责编:王欣
      • 出版社:清华大学
      • ISBN:9787302672937
      • 出版日期:2024/09/01
      • 页数:249
    • 售价:26
  • 内容大纲

        本书在全面介绍人工智能中的机器学习、数据降维与特征工程以及文本分析等基本知识的基础上,先后着重介绍人工智能的决策树与分类算法、聚类分析、神经网络、贝叶斯网络、支持向量机及联邦学习,以及机器学习和深度学习的实现细节,并通过实际的应用来运用和实践各种算法模型。
        全书共分11章:第1章为机器学习绪论,主要介绍机器学习简史、人工智能与机器学习的关系以及各种经典的机器学习算法等;第2章为数据部分内容,着重讨论特征工程、模型训练、高维数据降维等;第3~10章为机器学习的具体模型算法内容,重点介绍决策树、聚类分析、文本分析、神经网络等实现细节;第11章为高级深度学习内容,着重为读者提供高阶的人工智能知识。全书提供了大量应用实例,每章后均附有习题。
        本书适合作为高等院校计算机类相关专业和人工智能专业高年级本科生、研究生的教材,同时可供对机器学习比较熟悉并且对人工智能建模有所了解的开发人员、广大科技工作者和研究人员参考。
  • 作者介绍

  • 目录

    第1章  机器学习绪论
      1.1  机器学习简介
        1.1.1  机器学习简史
        1.1.2  机器学习主要流派
      1.2  人工智能与机器学习的关系
        1.2.1  什么是人工智能
        1.2.2  机器学习、人工智能的关系
      1.3  典型机器学习应用领域
      1.4  机器学习算法
        1.4.1  线性回归
        1.4.2  逻辑回归
        1.4.3  决策树
        1.4.4  支持向量机
        1.4.5  线性支持向量机
        1.4.6  非线性支持向量机
        1.4.7  随机森林
        1.4.8  k-均值算法
        1.4.9  PCA算法
        1.4.10  关联规则学习算法
      1.5  机器学习的一般流程
      习题
    第2章  数据降维与特征工程
      2.1  数据降维的基本概念
        2.1.1  数据降维的目的
        2.1.2  数据降维的一般原理
        2.1.3  数据降维的本质
        2.1.4  特征工程的基本概念
        2.1.5  特征工程的目标
        2.1.6  特征工程的本质
        2.1.7  特征工程的特征选取方法
        2.1.8  特征工程的基本原理
      2.2  高维数据降维
        2.2.1  主成分分析
        2.2.2  奇异值分解
        2.2.3  线性判别分析
        2.2.4  局部线性嵌入
        2.2.5  拉普拉斯特征映射
      2.3  特征工程分析
        2.3.1  特征构造
        2.3.2  特征选择
        2.3.3  特征提取
      2.4  模型训练
        2.4.1  模型训练常见术语
        2.4.2  训练数据收集
      2.5  数据降维与特征工程实践
        2.5.1  数据降维应用场景
        2.5.2  数据降维常用工具
        2.5.3  特征工程的应用场景
        2.5.4  特征工程的应用工具
        2.5.5  数据降维面临的挑战

        2.5.6  特征工程面临的挑战
      习题
    第3章  决策树与分类算法
      3.1  决策树算法
        3.1.1  分支处理
        3.1.2  连续属性离散化
        3.1.3  过拟合问题
        3.1.4  分类效果评价
      3.2  集成学习
        3.2.1  装袋法
        3.2.2  提升法
        3.2.3  梯度提升决策树
      ……
    第4章  聚类分析
    第5章  文本分析
    第6章  神经网络
    第7章  贝叶斯网络
    第8章  支持向量机
    第9章  联邦机器学习
    第10章  深度学习基础
    第11章  高级深度学习
    参考文献