新書推薦：
《
“口袋中的世界史”第一辑·冷战中的危机事件
》
售價：HK$
291.2
《
绝美的奥伦堡蕾丝披肩编织
》
售價：HK$
177.0
《
狂飙年代：18世纪俄国的新文化和旧文化（第二卷）
》
售價：HK$
177.0
《
万有引力书系 纳粹亿万富翁 德国财富家族的黑暗历史
》
售價：HK$
109.8
《
中国常见植物野外识别手册：青海册
》
售價：HK$
76.2
《
三星堆对话古遗址（从三星堆出发，横跨黄河流域，长江流域，对话11处古遗址，探源多元一体的中华文明）
》
售價：HK$
87.4
《
迷人的化学（迷人的科学丛书）
》
售價：HK$
143.4
《
宋代冠服图志（详尽展示宋代各类冠服 精美插图 考据严谨 细节丰富）
》
售價：HK$
87.4
|
| 編輯推薦： |
|
本书配套资源丰富，包括教学大纲、教学课件、电子教案、程序源码、习题答案，作者还为本书精心录制了600分钟的微课视频。
|
| 內容簡介： |
|
本书主要介绍经典的机器学习算法的原理和改进，以及Python的实例实现。本书的内容可以分成三部分： 第一部分是机器学习概念篇（第1章），充分介绍机器学习的相关概念，并且对机器学习的各种算法进行分类，以便读者对机器学习的知识框架有整体的了解，从而在后续的学习中更容易接受机器学习涉及的各类算法； 第二部分是Python机器学习基础篇（第2章和第3章），简单介绍Python的基本使用方法、机器学习库scikitlearn和人工智能工具集OpenAI Gym； 第三部分是机器学习算法与Python实践篇（第4~19章），对监督学习、无/非监督学习、强化学习三大类常用算法逐一讲解，包括机器学习算法的原理、算法的优缺点、算法的实例解释以及Python的实践应用。 本书适合对人工智能、机器学习感兴趣的读者，希望用机器学习完成设计的计算机或电子信息专业的学生，准备开设机器学习、深度学习实践课的授课老师，学习过C语言，且希望进一步提高编程水平的开发者，刚从事机器学习、语音、机器视觉、智能机器人研发的算法工程师阅读。
|
| 目錄：
|
第一部分机器学习概念篇
第1章机器学习基础
1.1机器学习概述
1.1.1机器学习概念
1.1.2机器学习的发展史
1.1.3机器学习的用途
1.1.4机器学习、数据挖掘及人工智能的关系
1.2机器学习的基本术语
1.3机器学习的任务及算法分类
1.4如何学习和运用机器学习
1.4.1软件平台的选择
1.4.2机器学习应用的实现流程
1.5数据预处理
1.5.1数据选取
1.5.2数据清理
1.5.3数据集成
1.5.4数据变换
1.5.5数据归约
本章参考文献
第二部分Python机器学习基础篇
第2章Python基础入门
2.1Python的安装方法
2.2Python学习工具介绍
2.2.1PyCharm的安装
2.2.2PyCharm界面介绍
2.2.3PyCharm例程的运行
2.3Python语法介绍
2.3.1语法的基本注意事项
2.3.2运算符
2.3.3基本语句
2.4Python基本绘图
2.4.1建立空白图
2.4.2散点图
2.4.3函数图
2.4.4扇形图
2.4.5柱状图
2.4.6三维散点
2.4.7三维曲线
2.4.8三维曲面
本章参考文献
第3章Python机器学习工具箱
3.1机器学习的利器——scikitlearn
3.1.1scikitlearn的基础知识
3.1.2scikitlearn的安装
3.1.3基本功能的介绍
3.2强化学习的利器——OpenAI Gym
本章参考文献
第三部分机器学习算法与Python实践篇
第4章k近邻算法
4.1k近邻算法的原理
4.1.1k近邻算法的实例解释
4.1.2k近邻算法的特点
4.2基于k近邻算法的算法改进
4.2.1快速KNN算法
4.2.2kd树KNN算法
4.3k近邻算法的Python实践
本章参考文献
第5章决策树
5.1决策树算法概述
5.1.1决策树算法的基本原理
5.1.2决策树算法的特点
5.1.3决策树剪枝
5.1.4分类决策树与回归决策树
5.2基于决策树算法的算法改进
5.2.1ID3决策树
5.2.2C4.5决策树
5.2.3分类回归树
5.2.4随机森林
5.3决策树算法的Python实现
本章参考文献
第6章支持向量机
6.1支持向量机算法概述
6.1.1支持向量机概述
6.1.2支持向量机算法及推导
6.1.3支持向量机的核函数
6.2改进的支持向量机算法
6.3支持向量机算法的Python实践
本章参考文献
第7章朴素贝叶斯
7.1贝叶斯定理
7.2朴素贝叶斯分类算法
7.3朴素贝叶斯实例分析
7.4朴素贝叶斯分类算法的改进
7.4.1半朴素贝叶斯分类模型
7.4.2树增强朴素贝叶斯分类模型
7.4.3贝叶斯网络
7.4.4朴素贝叶斯树
7.4.5属性加权朴素贝叶斯分类算法
7.5朴素贝叶斯算法的Python实践
本章参考文献
第8章线性回归
8.1线性回归的原理
8.1.1简单线性回归
8.1.2线性回归实例
8.2多元线性回归
8.3线性回归算法的Python实践
本章参考文献
第9章逻辑回归
9.1逻辑回归的原理
9.1.1Sigmoid函数
9.1.2梯度下降法
9.2逻辑回归及公式推导
9.2.1公式推导
9.2.2向量化
9.2.3算法的步骤
9.2.4逻辑回归的优缺点
9.3逻辑回归算法的改进
9.3.1逻辑回归的正则化
9.3.2主成分改进的逻辑回归方法
9.4逻辑回归的Python实践
本章参考文献
第10章神经网络
10.1神经网络算法概述
10.1.1神经网络的工作原理
10.1.2神经网络的特点
10.1.3人工神经元模型
10.2前向神经网络
10.2.1感知器
10.2.2BP算法
10.3基于神经网络的算法扩展
10.3.1深度学习
10.3.2极限学习机
10.4神经网络的Python实践
本章参考文献
第11章AdaBoost算法
11.1集成学习方法简介
11.1.1集成学习方法的分类
11.1.2集成学习之Boosting算法
11.2AdaBoost算法概述
11.2.1AdaBoost算法的思想
11.2.2AdaBoost算法的理论推导
11.2.3AdaBoost算法的步骤
11.2.4AdaBoost算法的特点
11.2.5通过实例理解AdaBoost算法
11.3AdaBoost算法的改进
11.3.1Real AdaBoost算法
11.3.2Gentle AdaBoost算法
11.3.3LogitBoost算法
11.4AdaBoost算法的Python实践
本章参考文献
第12章k均值算法
12.1k均值算法概述
12.1.1k均值算法的基本原理
12.1.2k均值算法的实现步骤
12.1.3k均值算法的实例
12.1.4k均值算法的特点
12.2基于k均值算法的改进
12.2.1改进k值选取方式的k均值改进算法
12.2.2改进初始聚类中心选择方式的k均值改进算法
12.3k均值算法的Python实践
本章参考文献
第13章期望最大化算法
13.1EM算法
13.1.1EM算法的思想
13.1.2似然函数和极大似然估计
13.1.3Jensen不等式
13.1.4EM算法的理论和公式推导
13.1.5EM算法的收敛速度
13.1.6EM算法的特点
13.2EM算法的改进
13.2.1Monte Carlo EM算法
13.2.2ECM算法
13.2.3ECME算法
13.3EM算法的Python实践
本章参考文献
第14章k中心点算法
14.1经典k中心点算法——PAM算法
14.1.1PAM算法的原理
14.1.2PAM算法的实例
14.1.3PAM算法的特点
14.2k中心点算法的改进
14.3k中心点算法的Python实践
本章参考文献
第15章关联规则挖掘的Apriori算法
15.1关联规则概述
15.1.1关联规则的基本概念
15.1.2关联规则的分类
15.2Apriori算法的原理
15.3Apriori算法的改进
15.3.1基于分片的并行方法
15.3.2基于hash的方法
15.3.3基于采样的方法
15.3.4减少交易个数的方法
15.4Apriori算法的Python实践
本章参考文献
第16章高斯混合模型算法
16.1高斯混合模型的原理
16.1.1单高斯模型
16.1.2高斯混合模型
16.1.3模型的建立
16.1.4模型参数的求解
16.2高斯混合模型算法的Python实践
本章参考文献
第17章DBSCAN算法
17.1DBSCAN算法概述
17.1.1DBSCAN算法的基本概念
17.1.2DBSCAN算法的原理
17.1.3DBSCAN算法的实现步骤
17.1.4DBSCAN算法的优缺点
17.2DBSCAN算法的改进
17.2.1DPDGA算法
17.2.2并行DBSCAN算法
17.3DBSCAN算法的Python实践
本章参考文献
第18章策略迭代和值迭代
18.1基本概念
18.1.1强化学习的基本模型
18.1.2马尔可夫决策过程
18.1.3策略
18.1.4值函数
18.1.5贝尔曼方程
18.2策略迭代算法的原理
18.3值迭代算法的原理
18.4策略迭代和值迭代算法的Python实践
18.4.1FrozenLake问题
18.4.2OpenAI Gym库的介绍
18.4.3FrozenLake环境的实现过程
18.4.4策略迭代算法的实现
18.4.5值迭代算法的实现
本章参考文献
第19章SARSA算法和Q学习算法
19.1SARSA算法的原理
19.2SARSA算法的Python实践
19.2.1迷宫问题
19.2.2SARSA算法的实现
19.3Q学习算法的原理
19.4Q学习算法的Python实践
本章参考文献
|
| 內容試閱：
|
近年来，随着计算机技术及互联网技术的发展，人工智能技术也取得了重要的突破。作为人工智能的核心技术，机器学习已经广泛地应用于各行各业中，如图像识别、语言识别、文本分类、智能推荐、网络安全等。未来，伴随着信息技术的进一步发展，机器学习技术将会更加深入地应用到生产、生活的方方面面。
机器学习是高校计算机、电子信息、工商管理、金融分析等相关专业的必修课程。在学习机器学习之初，不少读者被其中的大量数学公式或众多算法名称吓得退避三舍，进而迷茫和无从下手，主要原因在于学习相关算法前，未对各类算法进行框架式的分类，或者未结合实例进行算法的理解。
针对上述问题，本书将分三部分介绍。第一部分为机器学习概念篇（第1章），为读者构建机器学习方法的基本概念、方法分类、基本处理流程等；第二部分为Python机器学习基础篇（第2章和第3章），为读者详细讲解如何使用Python语言及相应的工具包实现机器学习算法； 第三部分为机器学习算法与Python实践篇（第4~19章），依次讲解常用的机器学习算法，包括算法推导过程、算法优缺点、Python实例等。
本书特点：
（1） 内容循序渐进，从基础概念到分类，再到详细讲解，便于读者构建知识体系。
（2） 算法讲解由浅入深，重点突出，通俗易懂。
（3） 理论与实践结合，通过大量实例阐述各类算法的基本原理，使读者不仅掌握理论知识，而且掌握实用案例。
（4） 本书配套提供了实例源代码，扫描目录上方的二维码可以下载。
本书的出版得到了清华大学出版社工作人员的大力支持，作者在此表示衷心的感谢。此外，学术界、产业界同仁们的不断探索推动机器学习技术走到今天，本书的完成得力于此，作者在此一并表示衷心感谢。
一方面，机器学习内容极为庞大和复杂，存在大量的交叉算法，且依据的应用领域不同，不同的算法也会有不同的表现； 另一方面，机器学习领域的发展极其迅速，不断取得新的研究成果。因此，作者只能尽力将现有机器学习的框架关系以及主要算法原理和其实现展现给读者，以起到抛砖引玉的作用，给机器学习的初学者提供一定的指导。读者在后期的机器学习中需要阅读大量的文献，并在实践中进行摸索。
由于作者学识有限，本书疏漏和不当之处在所难免，敬请读者和同行们批评、指正。
作者2023年3月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
