中图网

>

人工智能

机器学习算法及其应用

作者：吴梅梅

出版社：机械工业出版社出版时间：2020-07-01

开本： 16开 页数： 146

本类榜单：计算机/网络销量榜

中图价:¥31.9(5.5折) 定价 ~~¥58.0~~ 登录后可看到会员价

加入购物车收藏

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>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥11.3¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥28.2¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥55.2¥69
>
第一行代码Android

第一行代码Android

¥76.2¥99
>
C Primer Plus 第6版中文版

C Primer Plus 第6版中文版

¥75.6¥108
>
深度学习

深度学习

¥82.3¥168
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

¥43.5¥79

商品详情
商品评论(0条)

中图价:¥31.9 加入购物车

版权信息
内容简介
目录
作者简介

微信公众号

机器学习算法及其应用版权信息

ISBN：9787111654230
条形码：9787111654230 ; 978-7-111-65423-0
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
人工智能

机器学习算法及其应用内容简介

随着数字音乐内容的迅速增长以及人们对音乐鉴赏需求的日益提升，音乐信息的分类检索及个性化推荐受到广大网民和有关从业人员越来越广泛的关注,并成为研究及应用的新热点。本书系统地阐述了机器学习中的常用分类与推荐方法,介绍了网络音乐自动分类与推荐的理论基础，重点探讨了ＳＶＭ和ＫＮＮ分类算法的改进? 以及协同过滤推荐算法和基于马尔可夫模型推荐算法的改进，并对改进后的算法应用到音乐自动分类和个性化推荐领域进行了探索性研究。本书展现了机器学习常用算法的原理、改进及应用案例? 适合机器学习、数据挖掘及大数据等领域的专业人员阅读。

机器学习算法及其应用目录

前言
第１章机器学习简介１
　１.１机器学习的概念１
　１.２机器学习的发展２
　１.３机器学习的研究现状３
１.３.１传统机器学习的研究现状４
１.３.２大数据环境下机器学习的研究现状５
　１.４机器学习的分类５
　　１.４.１有监督学习６
　　１.４.２无监督学习７
１.４.３半监督学习８
１.４.４强化学习９
　１.５本章小结１１
第２章音乐、数字音乐与网络音乐１２
　２.１音乐的艺术形式１２
　２.２音乐的产生及发展１４
　２.３音乐的要素１５
　２.４音乐的存储与表示１７
２.４.１数字音乐及其特点１７
２.４.２数字音乐文件的特点和格式１９
　２.５网络音乐的发展２０
　２.６网络音乐的特征２２
　２.７本章小结２３
第３章网络音乐的分类与推荐基础２４
　３.１基于内容的音乐信息检索２４
３.１.１音高与旋律２５
３.１.２音乐节奏２６
　　３.１.３　音乐和声２８
　３.２　音乐的分类２９
　　３.２.１　按表达方式分类３０
　　３.２.２　按旋律风格分类３１
　　３.２.３　从音乐的历史角度分类３２
　　３.２.４　按音乐流派分类３６
　３.３　网络音乐的自动分类４０
　３.４　网络音乐推荐算法综述４２
　３.５　本章小结４４
第４章　机器学习中的分类与推荐算法４５
　４.１　朴素贝叶斯４５
　４.２　决策树４７
　４.３　ｋ￣近邻５０
　４.４　支持向量机５１
　４.５　人工神经网络５３
　４.６　基于内容的推荐５７
　４.７　协同过滤推荐６０
　４.８　基于马尔可夫模型的推荐６２
　４.９　混合推荐６４
　４.１０　推荐算法评价６４
　４.１１　本章小结６６
第５章　基于支持向量机的音乐流派分类６7
　５.１　音乐的数字描述６８
　５.２　特征提取７０
　　５.２.１　数据预处理７１
　　５.２.２　声学特征量７２
　５.３　特征选择７７
　　５.３.１　ＲｅｌｉｅｆＦ７８
５.３.２　顺序前进法７９
５.３.３　ＲｅｌｉｅｆＦ与ＳＦＳ相结合的特征选择算法80
　５.４　ＳＶＭ分类器８１
５.４.１　线性可分支持向量机８２
５.４.２　线性支持向量机８３
５.４.３　非线性支持向量机８５
５.４.４　数值求解８７
５.４.５　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类实现８８
　５.５　实验结果与分析８８
　　５.５.１　实验工具８８
　　５.５.２　数据集８９
　　５.５.３　评价标准及验证方法８９
　　５.５.４　实验方法８９
　　５.５.５　实验结果及分析９０
　５.６　可扩展性分析９４
　５.７　本章小结９５
第６章　基于ｋ-近邻的音乐流派自动推荐分类９６
　６.１　ｋ-近邻算法的理论基础９６
　　６.１.１　ｋ-近邻算法９６
６.１.２　ｋ-近邻算法模型９７
　６.２　算法的实现步骤及复杂度分析９９
　６.３　ＤＷ-ＫＮＮ算法９９
６.３.１　ＫＮＮ算法的改进１００
６.３.２　二次加权ＫＮＮ (ＤＷ-ＫＮＮ)分类算法１０２
　６.４　实验结果与分析１０３
　　６.４.１　实验方法１０３
　　６.４.２　实验结果及分析１０４
　６.５　可扩展性分析１０７
　６.６　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ与ＤＷ-ＫＮＮ的对比１０8
　６.７　本章小结１０８
第７章　基于社交网络与协同过滤的音乐推荐１１０
　７.１　协同过滤推荐算法１１０
　　７.１.１　基于用户的协同过滤推荐算法１１１
　　７.１.２　基于项目的协同过滤推荐算法１１１
　　７.１.３　基于用户与基于项目的协同过滤推荐算法比较１１２
　　７.１.４　协同过滤中存在的问题１１３
　７.２　ＳｉｍＲａｎｋ算法１１３
　　７.２.１　ＳｉｍＲａｎｋ算法思想１１４　　
　　７.２.２　ＳｉｍＲａｎｋ算法流程１１５　
７.３　社交网络的形成机制与表示方法１１６　　
７.４　构建用户的信任集合进行推荐１１６
７.５　实验结果及分析１１８　
　　７.５.１　数据获取和数据集１１８　　
　　７.５.２　评价指标１１９　
　　７.５.３　实验结果分析１２０　
７.６　本章小结１２１　
第８章　基于用户即时兴趣的音乐推荐９６
　８.１　相关研究１２２
　８.２　马尔可夫模型理论基础１２３
　８.３　基于用户即时行为的改进一阶马尔可夫音乐推荐模型１２４
　　８.３.１　问题描述１２４
　　８.３.２　指数衰减１２５
　　８．３．３　指数衰减的马尔可夫模型１２５
　　８.３.４　协同过滤的一阶马尔可夫推荐１２６
　８.４　实验结果与分析１２９
　８.５　可扩展性分析１３１
　８.６　本章小结１３１
附录１３２
　附录Ａ　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类参考代码１３２
　附录Ｂ　ＤＷ-ＫＮＮ算法参考代码１３４
　附录Ｃ　各分类算法的比较参考代码１４０
参考文献１４５

展开全部