- 机器学习--数据表示学习及应用(高等学校大数据专业系列教材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:张春阳//陈俊龙|责编:陈景辉//张爱华
  - 出版社：清华大学
  - ISBN：9787302680185
  - 出版日期：2025/01/01
  - 页数：195
- 售价：23.96

内容大纲
本书从数据表示学习角度介绍机器学习及其应用。全书共7章，分别介绍数据表示学习与数学基础、传统降维方法、分布式表示学习和聚类算法、稀疏表示学习、神经网络中的特征提取、生成式表示学习和对比式表示学习。本书涉及的数据表示学习算法的具体应用领域包括计算机视觉、自然语言处理以及图网络分析等。
本书主要面向广大从事人工智能、机器学习或深度学习、数据挖掘、模式识别等领域的专业人员，从事高等教育的专任教师，高等院校的在读学生及相关领域的广大科研人员。
作者介绍
目录
第1章  绪论
  1.1  机器学习简介
  1.2  特征工程与数据表示学习
  1.3  数学与概率基础
第2章  传统降维方法
  2.1  主成分分析
    2.1.1  标准的主成分分析
    2.1.2  核主成分分析
  2.2  多维尺度变换
    2.2.1  多维尺度变换的定义
    2.2.2  多维尺度变换的求解
  2.3  流形学习
    2.3.1  等距特征映射
    2.3.2  局部线性嵌入
    2.3.3  拉普拉斯特征映射
  2,3.4  局部切空间排列
    2.3.5  生成拓扑映射
  2.4  t分布随机邻域嵌入
  2.5  自编码器
    2.5.1  基本概念
    2.5.2  输出层的激活函数
    2.5.3  损失函数
    2.5.4  自编码器与主成分分析的比较
  参考文献
第3章  分布式表示学习和聚类算法
  3.1  分布式表示学习的概念
  3.2  K-means算法和K近邻算法
    3.2.1  K-means算法
    3.2.2  K-means的改进
    3.2.3  K近邻算法
    3.2.4  KNN的改进
  3.3  原型聚类算法
    3.3.1  学习向量量化算法
    3.3.2  高斯混合聚类算法
  3.4  基于密度的聚类算法
    3.4.1  DBSCAN算法
    3.4.2  OPTICS算法
    3.4.3  DENCLUE算法
  3.5  层次聚类
    3.5.1  层次聚类方法链接
    3.5.2  经典层次聚类算法的步骤
    3.5.3  层次聚类的改进算法
  参考文献
第4章  稀疏表示学习
  4.1  引言
  4.2  稀疏表示学习简介
    4.2.1  专业名词解析
    4.2.2  L1正则化
    4.2.3  奇异值分解
    4.2.4  缺失数据和矩阵填充

    4.2.5  有限等距性质
    4.2.6  信号与稀疏表示
    4.2.7  正交基
    4.2.8  用正交基通近
    4.2.9  用过完备基重构
  4.3  匹配追踪算法
    4.3.1  字典构建
    4.3.2  通过DCT基构建字典
    4.3.3  基于DCT字典图像稀疏去噪算法学习
    4.3.4  通过学习来构建字典
    4.3.5  重构算法介绍
    4.3.6  凸松弛重构算法
    4.3.7  贪婪算法
  4.4  迭代加权最小二乘法
  4.5  压缩感知
    4.5.1  基本思想介绍
    4.5.2  结构化稀疏重构模型
    4.5.3  压缩感知架构
    4.5.4  基于字典的稀疏表示
    4.5.5  分块压缩感知
    4.5.6  结构化压缩感知模型
    4.5.7  商品推荐应用
    4.5.8  信号传输应用
  参考文献
第5章  神经网络中的特征提取
  5.1  神经网络简介
    5.1.1  生物神经网络
    5.1.2  人工神经元
    5.1.3  人工神经网络
  5.2  多层神经网络
    5.2.1  前向传播
    5.2.2  反向传播算法
    5.2.3  神经网络之特征提取Word2Vec
  5.3  卷积神经网络
    5.3.1  卷积层
    5.3.2  池化层
    5.3.3  全连接层
    5.3.4  卷积神经网络的特点
  5.4  循环神经网络
    5.4.1  序列数据
  5,4.2  循环神经网络
    5.4.3  循环神经网络的变体
    5.4.4  双向LSTM之特征提取ELMo
  5.5  图神经网络
    5.5.1  图结构定义
    5.5.2  通用的图神经网络框架
    5.5.3  图卷积网络
    5.5.4  GraphSAGE
    5.5.5  图注意力网络
  参考文献

第6章  生成式表示学习
  6.1  贝叶斯学习
    6.1.1  概率论基础
    6.1.2  贝叶斯定理
    6.1.3  最大似然估计和KL散度
    6.1.4  贝叶斯分类
    6.1.5  概率生成式模型
    6.1.6  最大似然解
  6.2  近似推断
    6.2.1  马尔可夫链蒙特卡洛采样
    6.2.2  证据下界
    6.2.3  变分推断
  6.3  概率图模型
    6.3.1  盘式记法
    6.3.2  马尔可夫随机场
    6.3.3  有向图模型
    6.3.4  变分自编码器
    6.3.5  混合概率图模型
  6.4  生成对抗网络
    6.4.1  二项分布的最大似然估计
    6.4.2  生成器
    6.4.3  生成对抗网络的交替优化
    6.4.4  GAN的训练问题
  6.5  扩散模型
    6.5.1  扩散模型简介
    6.5.2  前向过程
    6.5.3  逆向过程
    6.5.4  模型训练
  参考文献
第7章  对比式表示学习
  7.1  无监督表示学习
  7.2  对比式表示学习概述
  7.3  数据增强
    7.3.1  计算机视觉中的数据增强
    7.3.2  自然语言处理中的数据增强
    7.3.3  图网络分析中的数据增强
  7.4  正负样本的选择
    7.4.1  正样本采样
    7.4.2  负样本采样
  7.5  相似性度量
    7.5.1  传统的度量方式
    7.5.2  互信息度量
    7.5.3  理论分析
  7.6  对比框架
    7.6.1  计算机视觉中的对比式表示学习
    7.6.2  图网络分析中的对比式表示学习
    7.6.3  自然语言处理中的对比式表示学习
  7.7  挑战和未来工作
  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