- 机器学习中的样例选择
- - 作者：翟俊海|责编:张敏
  - 出版社：北京大学
  - ISBN：9787301357194
  - 出版日期：2024/11/01
  - 页数：226
- 售价：19.2

内容大纲
随着数据存储技术、无线传感技术和网络技术的快速发展，数据正以前所未有的速度在不断地增长和积累。在各种实际应用中，需要处理的数据量越来越大，而样例选择是解决大数据问题的一种有效策略，是机器学习的重要数据预处理步骤，对后续学习算法的训练及性能有很大的影响。在机器学习中，样例选择有两种场景：一是主动学习中的样例选择，二是监督学习中的样例选择，本书将重点介绍这两种场景的样例选择，包括它们之间的区别与联系，样例选择的准则与启发式算法，还将介绍面向大数据机器学习的样例选择及模糊样例选择。
本书可作为从事机器学习和数据挖掘研究科研人员的参考书，也可以作为人工智能、数据科学与技术、应用数学、计算机科学与技术等专业高年级本科生和研究生机器学习和数据挖掘课程的教学参考书。
作者介绍
目录
第1章  机器学习基础
  1.1  分类问题
  1.2  K-近邻算法
  1.3  决策树
  1.4  神经网络
  1.5  极限学习机
  1.6  支持向量机
第2章  主动学习中的样例选择
  2.1  主动学习概述
  2.2  样例选择准则
  2.3  基于信息熵的主动学习
  2.4  基于投票熵的主动学习
  2.5  基于在线序列极限学习机的主动学习
第3章  监督学习中的样例选择
  3.1  监督学习中的样例选择概述
  3.2  压缩近邻算法及其变体
  3.3  基于组合先验熵和预测熵的样例选择算法
  3.4  基于监督聚类的样例选择算法
  3.5  基于概率神经网络的样例选择算法
  3.6  基于交叉验证策略的样例选择算法
第4章  大数据样例选择
  4.1  大数据与大数据样例选择概述
  4.2  大数据主动学习
  4.3  基于MapReduce和投票机制的大数据样例选择
  4.4  基于局部敏感哈希和双投票机制的大数据样例选择
  4.5  基于遗传算法和开源框架的大数据样例选择
第5章  模糊样例选择
  5.1  压缩模糊K-近邻样例选择算法
  5.2  基于MapReduce和Spark的大数据CFKNN算法
  5.3  基于模糊粗糙集技术的样例选择算法
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