欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 机器学习习题参考(南京大学人工智能系列教材)
      • 作者:叶翰嘉//詹德川|责编:姚蕾
      • 出版社:机械工业
      • ISBN:9787111767145
      • 出版日期:2025/01/01
      • 页数:467
    • 售价:39.6
  • 内容大纲

        机器学习是人工智能的核心领域之一,本书配套周志华教授所著的《机器学习》教材,通过大量习题考查读者对机器学习相关知识点的理解与掌握。本书分为两个部分:第一部分习题对应《机器学习》第1~10章的内容,包括绪论、模型评估与选择、线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习;第二部分包含6章应用专题,通过综合题的形式对知识点进行多角度考查,包括线性模型的优化与复用、面向类别不平衡数据的分类、神经网络的优化与应用、EM算法及其应用、集成学习的过拟合现象研究、度量学习及其应用。书中包含简答题、计算题和编程题,涵盖不同难度级别。机器学习初学者可以通过这些习题深入了解和巩固教材的关键概念,对机器学习有一定基础的读者也可以通过习题发现对一些知识点不同角度的解读,为后续机器学习的深入研究打下基础。
        本书面向《机器学习》读者以及广大机器学习爱好者,可作为高等院校人工智能、计算机、自动化及相关专业的本科生或研究生的教学辅助书籍,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
  • 作者介绍

  • 目录

    推荐序
    前言
    基础考评篇
      第1章  绪论
        1.1  基本术语
        1.2  假设空间
        1.3  归纳偏好
        1.4  矩阵、优化和概率分布
        参考文献
      第2章  模型评估与选择
        2.1  经验误差与过拟合
        2.2  评估方法
        2.3  性能度量
        2.4  比较检验
        2.5  偏差与方差
        参考文献
      第3章  线性模型
        3.1  线性回归
        3.2  对数几率回归
        3.3  线性判别分析
        3.4  多分类学习
        参考文献
      第4章  决策树
        4.1  基本流程
        4.2  划分选择
        4.3  剪枝处理
        4.4  连续与缺失值
        4.5  多变量决策树
        参考文献
      第5章  神经网络
        5.1  感知机与多层网络
        5.2  误差逆传播算法
        5.3  全局最小与局部极小
        5.4  其他常见神经网络
        参考文献
      第6章  支持向量机
        6.1  间隔、支持向量与对偶问题
        6.2  软间隔与正则化
        6.3  核函数
        6.4  核方法
        参考文献
      第7章  贝叶斯分类器
        7.1  贝叶斯决策论
        7.2  极大似然估计
        7.3  朴素贝叶斯分类器
        7.4  贝叶斯网
        参考文献
      第8章  集成学习
        8.1  Boosting
        8.2  Bagging与随机森林

        8.3  结合策略
        8.4  多样性
        8.5  集成剪枝
        参考文献
      第9章  聚类
        9.1  距离计算
        9.2  k均值算法
        9.3  高斯混合聚类
        9.4  性能度量
        9.5  密度聚类与层次聚类
        参考文献
      第10章  降维与度量学习
        10.1  k近邻学习
        10.2  维数灾难
        10.3  主成分分析
        10.4  核化线性降维
        10.5  低维嵌入与流形学习
        10.6  度量学习
        参考文献
    综合应用篇
      第11章  线性模型的优化与复用
        11.1  数据获取和预处理
        11.2  岭回归分类器的优化方法探究
        11.3  线性模型的参数选择
        11.4  线性模型的参数复用
        参考文献
      第12章  面向类别不平衡数据的分类
        12.1  类别不平衡现象与评价指标
        12.2  类别不平衡模型初探
        12.3  基于采样的“再缩放”方法
        12.4  类别不平衡问题的多分类扩展
        参考文献
      第13章  神经网络的优化与应用
        13.1  数值求导和自动求导
        13.2  神经网络优化实例
        13.3  BP算法的回顾与思考
        13.4  SOM神经网络
        参考文献
      第14章  EM算法及其应用
        14.1  数据中的隐变量
        14.2  EM算法的迭代优化视角
        14.3  EM算法的隐变量视角
        14.4  EM算法应用实例——缺失值处理
        参考文献
      第15章  集成学习的过拟合现象研究
        15.1  分布有偏移数据集的构造和划分
        15.2  机器学习中的过拟合现象
        15.3  AdaBoost的多分类算法实现
        15.4  AdaBoost是否会过拟合
        参考文献

      第16章  度量学习及其应用
        16.1  近邻分类器
        16.2  降维方法的评价
        16.3  度量学习
        16.4  度量学习的回顾与思考
        参考文献