新書推薦:
《
脂砚斋重评石头记甲戌校本(九次修订)
》
售價:HK$
80.2
《
一战全史
》
售價:HK$
74.8
《
二战全史
》
售價:HK$
74.8
《
把执行做到极致破解管理难题引爆团队执行力
》
售價:HK$
41.8
《
天地会的仪式与神话:创造认同(学衡社会史丛书)
》
售價:HK$
140.8
《
重回1500-1800:西方崛起时代的中国元素(原沈阳故宫博物院院长武斌,五大维度再现中西文化交流的历史场景,探讨丝绸之路、大航海时代、中国知识传播等)
》
售價:HK$
140.8
《
大横断 寻找川滇藏 第2版
》
售價:HK$
261.8
《
戏语 图解中国戏曲
》
售價:HK$
140.8
編輯推薦:
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念,融入思政元素,注重理论与实践相结合。
內容簡介:
本书从具体的应用实例出发,由浅入深,力求系统全面而又简明扼要地阐述机器学习的基本概念、理论、方法和算法,并提供必要的数学推导和详细算法描述,便于读者掌握机器学习方法的本质。本书主要介绍了线性回归、逻辑回归、决策树、支持向量机、聚类等经典机器学习方法,并对卷积神经网络、循环神经网络和Transformer等深度学习方法进行了简要介绍。本书结合编者多年从事人工智能科研和教学的经验,注重内容的实用性和先进性,并通过丰富的应用实例引导读者动手实现算法,使读者能够更好地理解理论知识,将其应用于实际场景中,培养读者解决实际问题的能力。
來源:香港大書城megBookStore,http://www.megbook.com.hk 本书适合作为普通高校人工智能、计算机、自动化、电子信息、机器人等专业的教材,也可作为广大从事人工智能应用系统开发的工程技术人员的参考书。
本书配有教学课件、教学大纲、习题答案和教学视频等教学资源,欢迎选用本书作教材的教师登录www.cmpedu.com注册后下载,或发邮件至jinacmp@163.com索取。
關於作者:
主要从事图像视频编码和人工智能应用研究。主持6项国家自然科学基金、1项863计划子课题、1项北京市自然科学基金项目和多项北京市科委项目等。在TPAMI、TIP、TMM、TCSVT、CVPR、ACM MM 等期刊和会议上发表论文50多篇,获授权国家发明专利三十余项。提出的多维稀疏表示模型(IEEE TPAMI, 2018, 40(1)), IEEE Fellow, C. L. Philip Chen 评价“该工作是张量数据表示方法在机器学习领域应用的代表性工作”(IEEE TCYB 2018)。 曾经主讲《机器学习》、《数字信号处理》、《编码理论》、《数据结构》、《数据库原理》、《汇编语言》、《线性代数与空间解析几何》、《计算方法》、《C程序设计》和《Python程序设计》等本科课程以及《多媒体技术》、《图论》和《算法分析与设计》等研究生课程。撰写2篇教学研究论文。
目錄 :
目录机器学习前言
第1章绪论1
导读1
本章知识点1
1.1机器学习简述1
1.2机器学习发展历史3
1.3机器学习基本概念6
1.3.1机器学习术语6
1.3.2机器学习基本要素7
1.3.3过拟合与欠拟合10
1.3.4评估方法与性能度量12
1.4机器学习应用现状15
思考题与习题16
参考文献16
第2章机器学习的数学基础18
导读18
本章知识点18
2.1线性代数 18
2.1.1线性空间18
2.1.2范数19
2.1.3矩阵20
2.1.4特征值与特征向量21
2.1.5奇异值分解22
2.2概率与信息论22
2.2.1随机变量与概率分布22
2.2.2期望、方差与协方差24
2.2.3常用概率分布25
2.2.4熵、互信息、KL散度27
2.3最优化理论28
2.3.1多元函数28
2.3.2梯度下降法32
2.3.3拉格朗日对偶性33
思考题与习题35
参考文献36
第3章回归模型37
导读37
本章知识点37
3.1引言37
3.2一元线性回归38
3.3多元线性回归41
3.3.1线性回归模型41
3.3.2最小二乘法41
3.3.3梯度下降算法42
3.4多项式回归44
3.5正则化方法46
3.6逻辑回归48
3.6.1逻辑回归模型48
3.6.2交叉熵损失50
3.7应用案例51
3.7.1简单的逻辑回归51
3.7.2多元线性回归52
思考题与习题52
参考文献52
第4章决策树54
导读54
本章知识点54
4.1引言54
4.2决策树学习算法的基本框架57
4.2.1终止条件57
4.2.2基本框架62
4.3属性选择63
4.3.1数据集的熵64
4.3.2信息增益65
4.3.3信息增益率66
4.4属性测试72
4.5剪枝处理74
4.5.1过拟合74
4.5.2预剪枝75
4.6应用案例81
思考题与习题82
参考文献82
第5章支持向量机84
导读84
本章知识点84
5.1引言85
5.2硬间隔线性支持向量机86
5.2.1基本问题86
5.2.2函数间隔与几何间隔87
5.2.3最大间隔分类器87
5.2.4求解支持向量机的原始问题89
5.2.5支持向量机的对偶问题89
5.3软间隔线性支持向量机92
5.3.1软间隔在实际问题中的优化92
5.3.2合页损失94
5.4核支持向量机95
5.4.1模型96
5.4.2常用的核函数97
5.5应用案例98
思考题与习题99
参考文献100
第6章贝叶斯分类器101
导读101
本章知识点101
6.1引言101
6.2贝叶斯决策论101
6.3极大似然估计102
6.4朴素贝叶斯分类器103
6.5应用案例106
思考题与习题107
参考文献108
第7章聚类109
导读109
本章知识点109
7.1引言109
7.2聚类基本原理110
7.2.1聚类任务描述110
7.2.2相似性度量111
7.2.3类间距离112
7.3聚类算法113
7.3.1Kmeans聚类算法113
7.3.2DBSCAN聚类算法115
7.3.3层次聚类算法120
7.4应用案例120
思考题与习题122
参考文献123
第8章集成学习125
导读125
本章知识点125
8.1引言125
8.2集成学习基本原理126
8.2.1集成学习的结构126
8.2.2集成学习理论分析127
8.2.3集成学习的类型132
8.3集成策略133
8.3.1平均法133
8.3.2投票法133
8.3.3学习法134
8.4集成学习主要算法135
8.4.1Bagging方法135
8.4.2Boosting方法138
8.4.3Stacking方法141
8.5应用案例142
思考题与习题143
参考文献144
第9章降维145
导读145
本章知识点145
9.1引言145
9.2线性降维方法146
9.2.1主成分分析法147
9.2.2线性判别分析150
9.2.3多维尺度变换152
9.3非线性降维方法154
9.3.1等度量映射155
9.3.2局部线性嵌入156
9.4应用案例158
思考题与习题161
参考文献161
第10章神经网络163
导读163
本章知识点164
10.1前馈神经网络164
10.1.1神经网络基本概念164
10.1.2感知机和前馈神经网络165
10.1.3神经网络训练167
10.1.4激活函数168
10.2卷积神经网络171
10.2.1卷积神经网络组成171
10.2.2卷积层172
10.2.3池化层178
10.2.4全连接层179
10.2.5应用案例179
10.3循环神经网络181
10.3.1循环神经网络181
10.3.2长短期记忆网络185
10.3.3门控循环单元网络186
10.3.4应用案例187
10.4Transformer189
10.4.1位置编码190
10.4.2自注意力机制191
10.4.3多头注意力机制193
10.4.4应用案例194
思考题与习题197
参考文献198
內容試閱 :
本书是用通俗易懂的语言进行撰写的,即便是机器学习领域的初学者也能轻松掌握机器学习复杂的概念和模型。书中采用了大量源自实际生活的应用案例,引导学生通过亲自实践来深入领悟机器学习的方法和技术。本书借助生动形象的图表,将抽象理论具象化、复杂知识简单化,有效地促进学生对于机器学习内容的快速吸收与熟练运用。本书的内容涵盖机器学习的核心知识体系,确保知识的完整性和系统性。
全书共分10章:第1章介绍了机器学习的发展历史、基本概念和应用现状;第2章回顾了机器学习的数学基础;第3章讲述了几类经典的机器学习回归模型;第4章介绍了基于分而治之算法构造的决策树学习方法;第5章介绍了基于最优化理论的支持向量机;第6章介绍了贝叶斯分类器;第7章介绍了聚类的思想和三类典型的聚类算法;第8章介绍了集成学习的思想、集成策略和三类经典的集成学习算法;第9章介绍了线性降维与非线性降维;第10章介绍了传统前馈神经网络和几类经典的深度学习网络。
本书主要面向相关专业的本科生和研究生,同时也适合作为机器学习领域的科研人员和工程技术人员的参考书籍。本书的编者拥有不同的学科背景,他们不仅在人工智能领域拥有丰富的科研经历,还具备长期一线的教学经验。
本书编写分工如下:北京工业大学施云惠编写了第3章的部分内容、第4章和第5章,北京交通大学张英俊编写了第1章、第6章的部分内容、第10章的部分内容,北京工业大学王少帆编写了第2章,北京工业大学王瑾编写了实验、第3章的部分内容,北京交通大学杨燕燕编写了第6章的部分内容和第7章,华南理工大学李彬编写了第8章,山西师范大学宋彩芳编写了第9章,北京工业大学的姜华杰编写了第10章的部分内容,北京工业大学的李敬华编写了思考题与习题,北京工业大学的丁兴建编写了应用案例。本书由施云惠和张英俊统稿。
感谢本书编写过程中引用的各类参考文献和资料的原作者及其单位。鉴于编者对机器学习课程相关内容的理解有限,书中不足之处在所难免,敬请读者批评指正。
编者