婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柟闂寸绾剧粯绻涢幋鐑嗙劯婵炴垶鐟﹂崕鐔兼煏婵炲灝鍔氶柣搴弮濮婃椽宕楅懖鈹垮仦闂佸搫鎳忕划宀勬偩閻戣棄钃熼柕澶涚畱閳ь剛鏁婚弻銊モ攽閸℃侗鈧鏌$€n偆銆掔紒杈ㄥ浮閸┾偓妞ゆ帒瀚壕鍏兼叏濡灝浜归柛鐐垫暬閺岋綁鎮╅悜妯糕偓鍐偣閳ь剟鏁冮埀顒€宓勯梺鍛婄☉鏋ù婊勭矒閺屻劑寮村Δ鈧禍楣冩倵濞堝灝鏋涘褍閰i獮鎴﹀閻橆偅鏂€闁诲函缍嗘禍璺横缚婵犲洦鈷戠紓浣光棨椤忓嫷鍤曢悹铏规磪閹烘绠涢柣妤€鐗冮幏娲⒒閸屾氨澧涚紒瀣浮楠炴牠骞囬鐘殿啎閻庣懓澹婇崰鏍嵁閺嶎厽鐓熼柨婵嗘噹濡茬粯銇勯锝囩畼闁圭懓瀚伴幖褰掓偡閺夎法顔囬梻鍌氬€风欢姘跺焵椤掑倸浠滈柤娲诲灡閺呰埖瀵肩€涙ḿ鍘炬俊銈忕畳濞夋洜鑺遍崸妤佺厪闁搞儯鍔屾慨宥嗩殽閻愭潙娴鐐差儔閹粓宕卞鍡橈紙闂傚倸鍊搁崐椋庣矆娓氣偓楠炴牠顢曚綅閸ヮ剦鏁嶉柣鎰綑閳ь剝鍩栫换婵嬫濞戞艾顣哄銈冨劜瀹€鎼佸蓟濞戔懇鈧箓骞嬪┑鍥╀簮婵犵鍓濊ぐ鍐偋閹捐钃熼柨鐔哄Т缁€鍐煃閸濆嫬鈧悂寮冲Δ鍛拺濞村吋鐟х粔顒€霉濠婂骸澧版俊鍙夊姍楠炴帒螖閳ь剚鍎柣鐔哥矊闁帮絽顕i幎钘夌厸闁告劦浜為敍婊堟煛婢跺﹦澧戦柛鏂跨Ч钘熼柛顐犲劜閻撴稑霉閿濆牜娼愮€规洖鐭傞弻鈩冩媴鐟欏嫬纾抽梺杞扮劍閹瑰洭寮幘缁樻櫢闁跨噦鎷� [闂傚倸鍊搁崐鎼佸磹瀹勬噴褰掑炊椤掍礁鍓銈嗗姧缁犳垿鐛姀銈嗙厓閺夌偞澹嗛崝宥嗐亜閺傚灝顏紒杈ㄦ崌瀹曟帒顫濋钘変壕闁告縿鍎抽惌娆撴煕閺囥劌鐏犵紒鐙€鍨堕弻銊╂偆閸屾稑顏� | 闂傚倸鍊搁崐鎼佸磹閻戣姤鍤勯柤鍝ユ暩娴犳氨绱撻崒娆掑厡缂侇噮鍨跺畷婵單旈崘銊ョ亰闂佸搫鍟悧濠囧磹婵犳碍鐓㈡俊顖欒濡叉悂鏌f惔顔煎籍婵﹨娅g划娆撳箰鎼淬垺瀚抽梻浣虹《閺呮盯宕弶鎴殨闁归棿绀侀崘鈧銈嗘尵閸犳捇宕㈤鍛瘈闁汇垽娼ф禒婊堟煟韫囨梻绠炵€规洘绻傞~婵嬫嚋閻㈤潧骞愰梻浣呵归張顒勩€冮崨顔绢洸闁跨噦鎷�]

    • 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