扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
中医基础理论
-
>
高校军事课教程
-
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)
-
>
中医内科学·全国中医药行业高等教育“十四五”规划教材
-
>
中医诊断学--新世纪第五版
-
>
中药学·全国中医药行业高等教育“十四五”规划教材
-
>
中医外科学——全国中医药行业高等教育“十四五”规划教材
机器学习导论(高等学校电子信息类专业系列教材) 版权信息
- ISBN：9787302594727
- 条形码：9787302594727 ; 978-7-302-59472-7
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
机器学习导论(高等学校电子信息类专业系列教材) 本书特色
机器学习具有多学科交叉的特点，是当前学术界和工业界均关注的热点领域，其应用范围十分广泛，已经成为一种解决诸多问题的有效工具。本书以理工科高年级本科生和低年级研究生的基础知识为立足点，以面向工程应用为目标，是一本综合性的机器学习教程。 本书既反映机器学习的基础知识和经典方法，又重视深度学习和强化学习的知识内容，使读者不仅能在机器学习领域打下坚实的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。本书的主要内容包括： ?? 机器学习理论概述； ?? 机器学习的统计与优化基础； ?? 基本回归与分类学习算法； ?? 支持向量机； ?? 决策树与集成学习； ?? 无监督学习算法； ?? 神经网络与深度学习； ?? 深度学习专题（GAN、Transformer等）； ?? 强化学习与深度强化学习。 教学资源 ?? 微课视频 ?? 教学大纲 ?? 教学课件 ?? 习题解答
机器学习导论(高等学校电子信息类专业系列教材) 内容简介
《机器学习导论/高等学校电子信息类专业系列教材》对机器学习的基础知识和基本算法进行了详细的介绍，对广泛应用的经典算法（如线性回归、逻辑回归、朴素贝叶斯、支持向量机、决策树和集成学习等）进行了深入的分析，并讨论了无监督学习的基本方法。用5章对深度学习和深度强化学习进行了相当全面的叙述，不仅深入地讨论了反向传播算法、多层感知机、卷积神经网络、循环神经网络和长短期记忆网络等深度神经网络的核心知识和结构，对于一些发展中的专题（如生成对抗网络和Transformer等）也给予了一定深度的介绍。对于强化学习，不仅介绍了经典表格方法，也较详细地讨论了深度强化学习。 《机器学习导论/高等学校电子信息类专业系列教材》对于基础和前沿、经典方法和热门技术尽可能平衡，使读者不仅能在机器学习领域打下一个良好的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。 《机器学习导论/高等学校电子信息类专业系列教材》是一本面向大学理工科和管理类各专业的宽口径、综合性的机器学习教材，可供高年级本科生和研究生使用，也可帮助科技人员、工程师和程序员自学机器学习的原理和算法。 机器学习具有多学科交叉的特点，是当前学术界和工业界均关注的热点领域，其应用范围十分广泛，已经成为一种解决诸多问题的有效工具。 《机器学习导论/高等学校电子信息类专业系列教材》以理工科高年级本科生和低年级研究生的基础知识为立足点，以面向工程应用为目标，是一本综合性的机器学习教程。 《机器学习导论/高等学校电子信息类专业系列教材》既反映机器学习的基础知识和经典方法，又重视深度学习和强化学习的知识内容，使读者不仅能在机器学习领域打下坚实的基础，同时也可以利用所学知识解决遇到的实际问题并进入学科前沿。
机器学习导论(高等学校电子信息类专业系列教材) 目录
第1章机器学习概述
1.1什么是机器学习
1.2机器学习的分类
1.2.1基本分类
1.2.2监督学习及其功能分类
1.3构建机器学习系统
1.3.1机器学习的基本元素
1.3.2机器学习的一些基本概念
1.3.3机器学习模型的性能评估
1.4通过简单示例理解机器学习
1.4.1一个简单的回归示例
1.4.2一个简单的分类示例
1.5训练、验证与测试
1.6深度学习简介
1.7本章小结
习题
第2章统计与优化基础
2.1概率基础
2.1.1离散随机变量
2.1.2连续随机变量
2.1.3随机变量的基本特征
2.1.4随机特征的蒙特卡洛逼近
2.2概率实例
2.2.1离散随机变量示例
2.2.2高斯分布
2.2.3指数族
2.2.4混合高斯过程
2.2.5马尔可夫过程
2.3*大似然估计
2.4贝叶斯估计——*大后验估计
2.5随机变量的熵特征
2.5.1熵的定义和基本性质
2.5.2KL散度、互信息和负熵
2.6非参数方法
2.7优化技术概述
2.7.1基本优化算法
2.7.2拉格朗日方法
2.8本章小结
习题
第3章贝叶斯决策
3.1机器学习中的决策
3.2分类的决策
3.2.1加权错误率准则
3.2.2拒绝判决
3.3回归的决策
3.4高斯情况下的分类决策
3.4.1相同协方差矩阵情况的二分类
3.4.2不同协方差矩阵情况的二分类
3.4.3多分类情况
3.5KNN方法
*3.6概率图模型概述
3.6.1贝叶斯网络
3.6.2无向图模型
3.6.3图模型的学习与推断
3.7本章小结
习题
第4章基本回归算法
4.1线性回归
4.1.1基本线性回归
4.1.2线性回归的递推学习
4.1.3正则化线性回归
4.1.4多输出线性回归
*4.2稀疏线性回归Lasso
4.2.1Lasso的循环坐标下降算法
4.2.2Lasso的LAR算法
4.3线性基函数回归
*4.4奇异值分解
4.5回归学习的误差分解
4.6本章小结
习题
第5章基本分类学习
5.1基本分类问题
5.2线性判别函数模型
5.2.1Fisher线性判别分析
*5.2.2感知机
5.3逻辑回归
5.3.1二分类问题的逻辑回归
5.3.2多分类问题的逻辑回归
5.4朴素贝叶斯方法
*5.5机器学习理论简介
5.5.1假设空间有限时的泛化误差界
5.5.2假设空间无限时的泛化误差界
5.6本章小结
习题
第6章支持向量机与核函数方法
6.1线性支持向量机
6.1.1不等式约束的优化
6.1.2线性可分情况的SVM
6.1.3不可分情况的SVM
6.1.4合页损失函数
6.1.5SVM用于多分类问题
6.2非线性支持向量机
6.2.1SVM分类算法小结
*6.2.2SMO算法
6.3支持向量回归
*6.4核函数方法
6.5本章小结
习题
第7章决策树
7.1基本决策树算法
7.1.1决策树的基本结构
7.1.2信息增益和ID3算法
7.1.3信息增益率和C4.5算法
7.2CART算法
7.2.1分类树
7.2.2回归树
7.3决策树的一些实际问题
7.3.1连续数值变量
7.3.2正则化和剪枝技术
7.3.3缺失属性的训练样本问题
7.4本章小结
习题
第8章集成学习
8.1Bagging和随机森林
8.1.1自助采样和Bagging算法
8.1.2随机森林算法
8.2提升和AdaBoost算法
8.2.1AdaBoost算法介绍
*8.2.2AdaBoost算法分析
8.3提升树算法
8.3.1加法模型和提升树
8.3.2梯度提升树
8.4本章小结
习题
第9章神经网络与深度学习之一： 基础
9.1神经网络的基本结构
9.1.1神经元结构
9.1.2多层神经网络解决异或问题
9.1.3多层感知机
9.1.4神经网络的逼近定理
9.2神经网络的目标函数和优化
9.2.1神经网络的目标函数
9.2.2神经网络的优化
9.3误差反向传播算法
9.3.1反向传播算法的推导
9.3.2反向传播算法的向量形式
9.3.3反向传播算法的扩展
9.4神经网络学习中的一些问题
9.4.1初始化
9.4.2正则化
9.4.3几类等价正则化技术
9.5本章小结
习题
第10章神经网络与深度学习之二： 结构
10.1卷积神经网络
10.1.1卷积运算及其物理意义
10.1.2基本CNN的结构
10.1.3CNN的参数学习
*10.1.4卷积的一些扩展结构
*10.1.5CNN示例介绍
10.2循环神经网络
10.2.1基本RNN
10.2.2RNN的计算和训练
*10.2.3长短期记忆模型
*10.2.4门控循环单元
10.3本章小结
习题
第11章神经网络与深度学习之三： 技术和应用
11.1深度学习中的优化算法
11.1.1小批量SGD算法
11.1.2动量SGD算法
11.1.3自适应学习率算法
11.2深度学习训练的正则化技术
11.2.1Dropout技术
11.2.2批归一化
*11.2.3层归一化
*11.3对抗训练
*11.4自编码器
11.4.1自编码器的基本结构
11.4.2自编码器的一些扩展
*11.5生成对抗网络
*11.6注意力机制和Transformer
11.6.1注意力机制
11.6.2序列到序列模型
11.6.3Transformer
11.7本章小结
第12章聚类和EM算法
12.1聚类算法
12.1.1K均值聚类算法
12.1.2DBSCAN聚类算法
12.1.3其他度量和聚类算法
12.2EM算法
12.2.1EM算法的隐变量形式
12.2.2独立同分布情况
*12.2.3EM算法扩展到MAP估计
*12.2.4通过KL散度对EM算法的解释
12.3基于EM算法的高斯混合模型参数估计
12.3.1GMM参数估计
12.3.2GMM的软聚类
12.4本章小结
习题
第13章降维和连续隐变量学习
13.1主分量分析
13.1.1主分量分析原理
13.1.2广义Hebb算法
*13.2样本向量的白化和正交化
13.2.1样本向量的白化
13.2.2向量集的正交化
*13.3独立分量分析
13.3.1独立分量分析的原理和目标函数
13.3.2不动点算法FastICA
13.3.3自然梯度算法
13.3.4仿真实验举例
13.4本章小结
习题
第14章强化学习之一： 经典方法
14.1强化学习的基本问题
14.2马尔可夫决策过程
14.2.1MDP的定义
14.2.2贝尔曼方程
14.2.3*优策略
14.2.4强化学习的类型
14.2.5探索与利用
14.3动态规划
14.3.1策略迭代方法
14.3.2值函数迭代方法
14.4强化学习的蒙特卡洛方法
14.4.1MC部分策略评估
14.4.2MC策略改进
14.4.3在轨策略和离轨策略
14.5强化学习的时序差分方法
14.5.1基本时序差分学习和Sarsa算法
14.5.2离轨策略和Q学习
14.5.3DP、MC和TD算法的简单比较
*14.5.4多步时序差分学习和资格迹算法
*14.6多臂赌博机
14.7本章小结
习题
第15章强化学习之二： 深度强化学习
15.1强化学习的值函数逼近
15.1.1基本线性值函数逼近
*15.1.2线性值函数逼近的*小二乘策略迭代算法
15.1.3深度Q网络
15.2策略梯度方法
15.2.1MC策略梯度算法Reinforce
15.2.2行动器评判器方法
*15.3连续动作确定性策略梯度方法
15.3.1DPG算法
15.3.2DDPG算法
15.3.3连续动作DRL的一些进展概述
15.4本章小结
习题
附录A课程的实践型作业实例
A.1第1次实践作业
A.2第2次实践作业
A.3第3次实践作业
附录B函数对向量和矩阵的求导
术语表
参考文献
展开全部
机器学习导论(高等学校电子信息类专业系列教材) 作者简介
张旭东，清华大学电子工程系长聘教授，博士生导师，主要研究方向为信号处理和机器学习。先后承担国家、省部级和国际合作项目数十项，在IEEE、IET、ACM等重要刊物和NIPS、AAAI、ICASSP、SIGIR等重要会议上发表学术论文150余篇，出版著作5部。获得Elsevier的引用奖（The Most Cited Paper Award）和IET国际雷达年会论文奖，两次获得清华大学教学成果一等奖，3次获得清华大学优秀教材奖。
书友推荐
- >
二体千字文
二体千字文
¥14.0¥40.0 - >
烟与镜
烟与镜
¥18.2¥48.0 - >
月亮与六便士
月亮与六便士
¥13.4¥42.0 - >
李白与唐代文化
李白与唐代文化
¥11.9¥29.8 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥19.9¥49.8 - >
中国人在乌苏里边疆区:历史与人类学概述
中国人在乌苏里边疆区:历史与人类学概述
¥24.0¥48.0 - >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0
本类畅销
-
家居设计解剖书
¥27.3¥39 -
网络安全基础
¥27.7¥39.5 -
家具造型设计
¥34.3¥49 -
工程硕士研究生英语基础教程学生用书
¥45.6¥68 -
国外电子与通信教材系列信号与系统(第二版)
¥69.3¥99 -
工程机械维修
¥30.8¥40
