欢迎光临中图网 请 | 注册
> >
智能科学与技术丛书机器学习:算法视角(原书第2版)

智能科学与技术丛书机器学习:算法视角(原书第2版)

出版社:机械工业出版社出版时间:2019-04-01
开本: 16开 页数: 312
中 图 价:¥87.1(8.8折) 定价  ¥99.0 登录后可看到会员价
暂时缺货 收藏
运费6元,满69元免运费
?快递不能达地区使用邮政小包,运费14元起
云南、广西、海南、新疆、青海、西藏六省,部分地区快递不可达
本类五星书更多>

智能科学与技术丛书机器学习:算法视角(原书第2版) 版权信息

  • ISBN:9787111622260
  • 条形码:9787111622260 ; 978-7-111-62226-0
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

智能科学与技术丛书机器学习:算法视角(原书第2版) 本书特色

机器学习融合了计算机科学、统计学、数学、工程学等多个学科,应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题,聚焦于机器学习中的算法,清晰呈现算法背后的数学和统计学知识,同时提供必要的编程技巧和实验方法。
书中全面涵盖各类算法,如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新,以反映机器学习的新发展,新增了两个章节来讨论深度置信网络和高斯过程,此外,还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。
本书的代码示例采用Python语言编写,所有代码均可从stephenmonika.net免费下载。

智能科学与技术丛书机器学习:算法视角(原书第2版) 内容简介

本书不要求读者具备很多统计背景知识,而是旨在帮助读者理解机器学习的算法,并能动手编程和实现。涵盖了大量的不同种类的机器学习算法实现,既给出了数学描述和伪代码,又包含了能执行的源代码。适合作为一学期的机器学习导论教材,鼓励学生自己动手编程实现。

智能科学与技术丛书机器学习:算法视角(原书第2版) 目录

Machine Learning: An Algorithmic Perspective, Second Edition 第2版前言 第1版前言 第1章 绪论11.1 如果数据有质量,地球将成为黑洞11.2 学习31.2.1 机器学习31.3 机器学习的类别41.4 监督学习51.4.1 回归51.4.2 分类61.5 机器学习过程71.6 关于编程的注意事项81.7 本书的学习路线 9拓展阅读10 第2章 预备知识112.1 专业术语112.1.1 权重空间112.1.2 维度灾难122.2 知你所知:测试机器学习算法132.2.1 过拟合142.2.2 训练集、测试集和验证集142.2.3 混淆矩阵152.2.4 精度指标162.2.5 受试者工作特征曲线172.2.6 不平衡数据集172.2.7 度量精度182.3 数据与概率的转换192.3.1 *小化风险202.3.2 朴素贝叶斯分类212.4 基本统计概念222.4.1 平均值222.4.2 方差与协方差222.4.3 高斯分布242.5 权衡偏差与方差24拓展阅读26习题26 第3章 神经元、神经网络和线性判别273.1 大脑和神经元273.1.1 Hebb法则273.1.2 McCulloch和Pitts神经元283.1.3 McCulloch和Pitts神经元模型的局限性293.2 神经网络303.3 感知器313.3.1 学习速率η323.3.2 输入偏置323.3.3 感知器学习算法333.3.4 感知器学习示例343.3.5 具体实现353.4 线性可分性393.4.1 感知器收敛定理403.4.2 XOR函数413.4.3 有用的领悟423.4.4 另一个示例:皮马印第安人数据集433.4.5 数据预处理443.5 线性回归453.5.1 示例46拓展阅读47习题48 第4章 多层感知器494.1 前向504.1.1 偏置504.2 后向:误差的反向传播504.2.1 多层感知器算法534.2.2 初始化权重554.2.3 不同的输出激活函数564.2.4 顺序和批量训练574.2.5 局部*小574.2.6 利用冲量584.2.7 小批量和随机梯度下降584.2.8 其他改善方法594.3 实践中的MLP594.3.1 训练数据的量594.3.2 隐藏层的数目594.3.3 什么时候停止学习604.4 MLP应用示例614.4.1 回归问题614.4.2 使用MLP分类634.4.3 分类示例:iris数据集644.4.4 时间序列预测664.4.5 数据压缩:自动关联网络684.5 MLP使用指南694.6 反向传播的推导704.6.1 网络输出704.6.2 网络误差704.6.3 激活函数的要求714.6.4 误差的后向传播724.6.5 输出激活函数744.6.6 误差函数的另一种形式75拓展阅读75习题76 第5章 径向基函数和样条函数775.1 感受野775.2 径向基函数网络795.2.1 训练RBF网络805.3 插值和基函数825.3.1 基和基扩展835.3.2 三次样条函数845.3.3 用样条拟合数据845.3.4 平滑样条855.3.5 更高维度865.3.6 边界之外86拓展阅读87习题87 第6章 维度约简886.1 线性判别分析896.2 主成分分析916.2.1 PCA算法与多层感知器的关系946.2.2 核PCA946.3 因素分析966.4 独立成分分析976.5 局部线性嵌入986.6 ISOMAP算法1006.6.1 多维标度法101拓展阅读102习题103 第7章 概率学习1047.1 高斯混合模型1047.1.1 期望*大化算法1057.1.2 信息准则1077.2 *近邻法1087.2.1 近邻平滑1097.2.2 有效的距离计算:KD-Tree1107.2.3 距离度量112拓展阅读114习题114 第8章 支持向量机1158.1 *优分割1158.1.1 间隔和支持向量1168.1.2 约束优化问题1178.1.3 非线性可分问题的松弛变量1198.2 核1208.2.1 选择核1218.2.2 示例:XOR1228.3 支持向量机算法1228.3.1 实现1238.3.2 示例1258.4 支持向量机的拓展1268.4.1 多类分类1268.4.2 支持向量机回归1278.4.3 其他优势128拓展阅读128习题128 第9章 优化和搜索1309.1 下山法1309.1.1 泰勒展开1329.2 *小二乘优化1339.2.1 Levenberg-Marquardt算法1339.3 共轭梯度法1379.3.1 示例1399.3.2 共轭梯度和MLP1399.4 搜索:三种基本方法1419.4.1 穷举法1419.4.2 贪婪搜索1429.4.3 爬山法1429.5 开发和探索1439.6 模拟退火法1439.6.1 算法比较144拓展阅读145习题145 第10章 进化学习14610.1 遗传算法14710.1.1 字符串表示14710.1.2 评价适应度14810.1.3 种群14810.1.4 产生后代:选择父母14910.2 产生后代:遗传算子15010.2.1 交叉15010.2.2 变异15110.2.3 精英法、比赛法和小生境15110.3 使用遗传算法15310.3.1 图着色15310.3.2 间断平衡15410.3.3 示例:背包问题15510.3.4 示例:四峰问题15510.3.5 遗传算法的缺陷15610.3.6 用遗传算法训练神经网络15610.4 遗传程序15710.5 与采样结合的进化学习158拓展阅读159习题160 第11章 强化学习16111.1 概述16111.2 示例:迷路16211.2.1 状态和动作空间16311.2.2 胡萝卜和棍子:奖赏函数16411.2.3 折扣16511.2.4 动作选择16511.2.5 策略16611.3 马尔可夫决策过程16611.3.1 马尔可夫性16611.3.2 马尔可夫决策过程中的概率16711.4 值16711.5 回到迷路的示例:利用强化学习17011.6 sarsa和Q-learning的不同17111.7 强化学习的用处172拓展阅读172习题173 第12章 树的学习17412.1 使用决策树17412.2 构建决策树17512.2.1 快速入门:信息论中的熵17512.2.2 ID317612.2.3 基于Python的树和图的实现17812.2.4 决策树的实现17812.2.5 处理连续变量18012.2.6 计算复杂度18012.3 分类和回归树18112.3.1 基尼不纯度18112.3.2 树回归18212.4 分类示例182拓展阅读184习题184 第13章 委员会决策:集成学习18613.1 boosting18713.1.1 AdaBoost18713.1.2 掘根19013.2 bagging19013.2.1 subagging19113.3 随机森林19213.3.1 与boosting方法比较19313.4 组合分类器的不同方法194拓展阅读195习题196 第14章 无监督学习19714.1 k-means算法19714.1.1 处理噪点20014.1.2 k-means神经网络20014.1.3 归一化20114.1.4 一个更好的权重更新规则20214.1.5 示例:iris数据20314.1.6 使用竞争学习来聚类20314.2 向量量化20414.3 自组织特征映射20414.3.1 SOM算法20614.3.2 近邻连接20714.3.3 自组织20814.3.4 网络维度和边界条件20814.3.5 SOM应用示例209拓展阅读211习题211 第15章 马尔可夫链蒙特卡罗方法21315.1 采样21315.1.1 随机数21315.1.2 高斯随机数21415.2 蒙特卡罗21615.3 建议分布21615.4 马尔可夫链蒙特卡罗21915.4.1 马尔可夫链21915.4.2 Metropolis-Hastings算法22015.4.3 模拟退火22215.4.4 Gibbs采样223拓展阅读224习题225 第16章 图模型22616.1 贝叶斯网络22716.1.1 示例:考试恐惧22716.1.2 近似推断23016.1.3 创建贝叶斯网络23216.2 马尔可夫随机场23316.3 隐马尔可夫模型23416.3.1 前向算法23616.3.2 Viterbi算法23816.3.3 Baum-Welch或前向后向算法23916.4 跟踪方法24216.4.1 卡尔曼滤波24216.4.2 粒子滤波247拓展阅读249习题250 第17章 对称权重与深度置信网络25117.1 积极学习:Hopfield网络25217.1.1 联想记忆25217.1.2 实现联想记忆25217.1.3 能量函数25517.1.4 Hopfield网络的容量25617.1.5 连续Hopfield网络25717.2 随机神经元:玻尔兹曼机25717.2.1 受限玻尔兹曼机25917.2.2 CD算法的推导26217.2.3 监督学习26517.2.4 RBM作为定向置信网络26717.3 深度学习26817.3.1 深度置信网络270拓展阅读273习题273 第18章 高斯过程27418.1 高斯过程回归27518.1.1 添加噪声27618.1.2 高斯过程回归的实现(一)27818.1.3 学习参数27918.1.4 高斯过程回归的实现(二)28018.1.5 选择(一组)协方差函数28218.2 高斯过程分类28218.2.1 拉普拉斯近似28318.2.2 计算后验28318.2.3 高斯过程分类的实现285拓展阅读286习题287 附录 Python入门288
展开全部

智能科学与技术丛书机器学习:算法视角(原书第2版) 作者简介

作者简介: 史蒂芬·马斯兰(Stephen Marsland)新西兰惠灵顿维多利亚大学数学与统计学院教授,兼任新西兰复杂系统卓越研究中心项目主管,负责复杂性、风险与不确定性等相关主题的研究工作。研究兴趣是几何和复杂系统的应用,主要涉及形状空间、机器学习和算法。

译者简介: 高阳 教授/博导,目前任南京大学计算机科学与技术系副主任,中国计算机学会机器学习专委会副主任。1997年开始从事人工智能、机器学习、多Agent系统、大数据、图像和视频分析等方向的学术研究。2010年入选教育部新世纪优秀人才计划。曾获2017年度中国人工智能学会吴文俊自然科学奖二等奖、2018年度江苏省科学技术奖二等奖。 商琳 博士/副教授,1998年起任教于南京大学计算机科学与技术系,长期从事人工智能、机器学习、计算智能、文本挖掘、图像与视频理解等领域的教学与科研工作。目前担任中国计算机学会人工智能与模式识别专委会委员,中国人工智能学会粒计算与知识发现专委会副秘书长。

商品评论(0条)
暂无评论……
书友推荐
编辑推荐
返回顶部
中图网
在线客服