掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥65.2
加入購(gòu)物車
機(jī)器學(xué)習(xí)中的基本算法 版權(quán)信息
- ISBN：9787030652027
- 條形碼：9787030652027 ; 978-7-03-065202-7
- 裝幀：簡(jiǎn)裝本
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
機(jī)器學(xué)習(xí)中的基本算法 本書特色
《機(jī)器學(xué)習(xí)中的基本算法》共八章.□□章和第2章簡(jiǎn)要介紹了機(jī)器學(xué)習(xí)的基本概念、研究?jī)?nèi)容、算法體系，以及相關(guān)的優(yōu)化理論與優(yōu)化算法.第3章和第4章詳細(xì)介紹了幾類作為分類器和回歸器的支持向量機(jī)算法，包括算法出發(fā)點(diǎn)、建模思想、理論推導(dǎo)和算法在數(shù)據(jù)分類、識(shí)別、擬合、預(yù)測(cè)等方面的應(yīng)用.第5章和第6章著重介紹了兩類常用的數(shù)據(jù)預(yù)處理方法，一類是數(shù)據(jù)的特征提取方法，另一類是數(shù)據(jù)的聚類方法.第7章和第8章介紹了幾類常用的神經(jīng)網(wǎng)絡(luò)算法和數(shù)據(jù)相關(guān)分析算法.
《機(jī)器學(xué)習(xí)中的基本算法》可用作數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)、人工智能與云計(jì)算、計(jì)算機(jī)科學(xué)與應(yīng)用、數(shù)學(xué)與應(yīng)用數(shù)學(xué)等本科專業(yè)中機(jī)器學(xué)習(xí)課程的教材，也可用作相關(guān)或相近學(xué)科研究生的參考教材.
機(jī)器學(xué)習(xí)中的基本算法 內(nèi)容簡(jiǎn)介
《機(jī)器學(xué)習(xí)中的基本算法》一書共分八章。、二章簡(jiǎn)要介紹了機(jī)器學(xué)習(xí)的基本概念、研究?jī)?nèi)容、算法體系，以及相關(guān)的優(yōu)化理論與優(yōu)化算法。第三至四章詳細(xì)介紹了幾類作為分類器和回歸器的支持向量機(jī)算法，包括算法出發(fā)點(diǎn)、建模思想、理論推導(dǎo)和算法在數(shù)據(jù)分類、識(shí)別、擬合、預(yù)測(cè)等方面的應(yīng)用。第五、六章著重介紹了兩類常用的數(shù)據(jù)預(yù)處理方法，一是數(shù)據(jù)的特征提取方法，另一是數(shù)據(jù)的聚類方法。第七、八章介紹了幾類常用的神經(jīng)網(wǎng)絡(luò)算法和數(shù)據(jù)相關(guān)分析算法。
機(jī)器學(xué)習(xí)中的基本算法 目錄
前言
□□章 機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1 機(jī)器學(xué)習(xí)的基本概念 1
1.1.1 何為機(jī)器學(xué)習(xí) 1
1.1.2 機(jī)器學(xué)習(xí)的發(fā)展歷程 2
1.1.3 機(jī)器學(xué)習(xí)與人工智能和深度學(xué)習(xí)之間的關(guān)系 3
1.1.4 機(jī)器學(xué)習(xí)的工作流程 4
1.2 兩個(gè)簡(jiǎn)單的例子 5
1.3 機(jī)器學(xué)習(xí)的研究?jī)?nèi)容 6
1.3.1 機(jī)器學(xué)習(xí)算法的種類 6
1.3.2 機(jī)器學(xué)習(xí)算法的評(píng)價(jià)標(biāo)準(zhǔn) 7
1.3.3 機(jī)器學(xué)習(xí)算法中的過(guò)擬合和欠擬合現(xiàn)象 8
1.4 機(jī)器學(xué)習(xí)算法概述 9
第2章 優(yōu)化的基本理論 14
2.1 優(yōu)化問(wèn)題 14
2.2 基本概念與基本結(jié)論 18
2.3 優(yōu)性條件 22
2.4 優(yōu)化模型的 Wolfe 對(duì)偶形式 28
2.5 無(wú)約束優(yōu)化算法 31
2.5.1 速下降法 32
2.5.2 Newton 法 32
2.5.3 阻尼 Newton 法 33
2.5.4 FR 共軛梯度法 33
2.5.5 Newton-Armijo 法 34
2.6 求解二次規(guī)劃的兩種快速算法 35
2.6.1 對(duì)偶坐標(biāo)下降算法 35
2.6.2 逐次超松弛迭代算法 36
2.7 交替方向乘子法簡(jiǎn)介 38
2.7.1 乘子法 38
2.7.2 交替方向乘子法 39
2.7.3 全局一致性優(yōu)化 40
2.7.4 基于 1-范數(shù)的 ADMM 41
參考文獻(xiàn) 44
第3章 支持向量分類機(jī) 45
3.1 基本概念 45
3.2 硬間隔 SVM 47
3.3 軟間隔 SVM 50
3.4 小二乘 SVM 54
3.5 正則化小二乘 SVM 55
3.5.1 正則化 LSSVM 55
3.5.2 快速學(xué)習(xí) RLSSVM 的方法 57
3.6 正定核函數(shù) 58
3.7 再生核 Hilbert 空間 63
3.8 非線性 SVM 65
3.9 孿生 SVM 68
3.10 孿生有界 SVM 78
3.10.1 線性 TBSVM 78
3.10.2 非線性 TBSVM 81
習(xí)題與思考題 85
參考文獻(xiàn) 86
第4章 支持向量回歸機(jī) 88
4.1 回歸問(wèn)題的提出 88
4.2 線性 SVR 90
4.2.1 線性硬 ε-帶 SVR 91
4.2.2 線性 ε-SVR 93
4.3 非線性 SVR 94
4.4 孿生 SVR 96
4.4.1 線性 TSVR 96
4.4.2 非線性 TSVR 97
4.5 "-孿生 SVR 99
4.5.1 線性 ε-TSVR 99
4.5.2 非線性 ε-TSVR 100
4.6 TSVR 的兩種小二乘形式 102
4.6.1 小二乘 TSVR 102
4.6.2 孿生小二乘 SVR 104
習(xí)題與思考題 107
參考文獻(xiàn) 107
第5章 數(shù)據(jù)的特征組合方法 108
5.1 預(yù)備知識(shí) 108
5.1.1 矩陣的范數(shù) 108
5.1.2 矩陣的分解 110
5.1.3 類內(nèi)、類間和總體散陣 112
5.2 主成分分析 113
5.2.1 向量?jī)?nèi)積的幾何含義 113
5.2.2 坐標(biāo)系的變換 113
5.2.3 PCA 算法 115
5.3 線性判別分析 117
5.4 LDA 的推廣 122
5.4.1 經(jīng)典 LDA 123
5.4.2 不相關(guān) LDA 124
5.4.3 正交 LDA 125
5.4.4 正則化 LDA 126
習(xí)題與思考題 127
參考文獻(xiàn) 128
第6章 數(shù)據(jù)聚類方法 130
6.1 k-均值聚類與 k-中心聚類 130
6.1.1 k-均值聚類 130
6.1.2 k-中心聚類 133
6.2 凝聚聚類法 133
6.3 密度聚類法 135
6.4 譜聚類 139
6.4.1 基本概念 139
6.4.2 圖的分割原則 140
6.4.3 譜聚類流程 140
6.5 極大期望聚類法 141
習(xí)題與思考題 143
參考文獻(xiàn) 143
第7章 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 144
7.1 神經(jīng)元與激活函數(shù) 144
7.2 前饋神經(jīng)網(wǎng)絡(luò) 147
7.3 反向傳播算法 150
7.3.1 誤差的計(jì)算 151
7.3.2 梯度的計(jì)算 151
7.4 正則化極端學(xué)習(xí)機(jī) 152
7.4.1 線性 RELM 153
7.4.2 非線性 RELM 155
7.4.3 在 RELM 中常用的激活函數(shù)和核函數(shù) 157
7.5 卷積神經(jīng)網(wǎng)絡(luò) 158
7.5.1 卷積核的工作原理 159
7.5.2 如何利用權(quán)值和不為 1 的卷積核得到一個(gè)灰度圖像 162
7.5.3 卷積核權(quán)值的確定 162
7.5.4 池化層的作用 164
習(xí)題與思考題 166
參考文獻(xiàn) 166
第8章 典型相關(guān)分析 167
8.1 預(yù)備知識(shí) 167
8.1.1 隨機(jī)變量的方差、協(xié)方差和相關(guān)系數(shù) 167
8.1.2 隨機(jī)向量的方差、協(xié)方差和相關(guān)系數(shù) 168
8.1.3 隨機(jī)矩陣的方差、協(xié)方差和相關(guān)系數(shù) 169
8.2 經(jīng)典 CCA 170
8.2.1 經(jīng)典 CCA 的數(shù)學(xué)模型 170
8.2.2 經(jīng)典 CCA 的幾何解釋 172
8.2.3 經(jīng)典 CCA 的求解算法 172
8.3 監(jiān)督 CCA 175
習(xí)題與思考題 177
參考文獻(xiàn) 177
彩圖
□□章 機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1 機(jī)器學(xué)習(xí)的基本概念 1
1.1.1 何為機(jī)器學(xué)習(xí) 1
1.1.2 機(jī)器學(xué)習(xí)的發(fā)展歷程 2
1.1.3 機(jī)器學(xué)習(xí)與人工智能和深度學(xué)習(xí)之間的關(guān)系 3
1.1.4 機(jī)器學(xué)習(xí)的工作流程 4
1.2 兩個(gè)簡(jiǎn)單的例子 5
1.3 機(jī)器學(xué)習(xí)的研究?jī)?nèi)容 6
1.3.1 機(jī)器學(xué)習(xí)算法的種類 6
1.3.2 機(jī)器學(xué)習(xí)算法的評(píng)價(jià)標(biāo)準(zhǔn) 7
1.3.3 機(jī)器學(xué)習(xí)算法中的過(guò)擬合和欠擬合現(xiàn)象 8
1.4 機(jī)器學(xué)習(xí)算法概述 9
第2章 優(yōu)化的基本理論 14
2.1 優(yōu)化問(wèn)題 14
2.2 基本概念與基本結(jié)論 18
2.3 優(yōu)性條件 22
2.4 優(yōu)化模型的 Wolfe 對(duì)偶形式 28
2.5 無(wú)約束優(yōu)化算法 31
2.5.1 速下降法 32
2.5.2 Newton 法 32
2.5.3 阻尼 Newton 法 33
2.5.4 FR 共軛梯度法 33
2.5.5 Newton-Armijo 法 34
2.6 求解二次規(guī)劃的兩種快速算法 35
2.6.1 對(duì)偶坐標(biāo)下降算法 35
2.6.2 逐次超松弛迭代算法 36
2.7 交替方向乘子法簡(jiǎn)介 38
2.7.1 乘子法 38
2.7.2 交替方向乘子法 39
2.7.3 全局一致性優(yōu)化 40
2.7.4 基于 1-范數(shù)的 ADMM 41
參考文獻(xiàn) 44
第3章 支持向量分類機(jī) 45
3.1 基本概念 45
3.2 硬間隔 SVM 47
3.3 軟間隔 SVM 50
3.4 小二乘 SVM 54
3.5 正則化小二乘 SVM 55
3.5.1 正則化 LSSVM 55
3.5.2 快速學(xué)習(xí) RLSSVM 的方法 57
3.6 正定核函數(shù) 58
3.7 再生核 Hilbert 空間 63
3.8 非線性 SVM 65
3.9 孿生 SVM 68
3.10 孿生有界 SVM 78
3.10.1 線性 TBSVM 78
3.10.2 非線性 TBSVM 81
習(xí)題與思考題 85
參考文獻(xiàn) 86
第4章 支持向量回歸機(jī) 88
4.1 回歸問(wèn)題的提出 88
4.2 線性 SVR 90
4.2.1 線性硬 ε-帶 SVR 91
4.2.2 線性 ε-SVR 93
4.3 非線性 SVR 94
4.4 孿生 SVR 96
4.4.1 線性 TSVR 96
4.4.2 非線性 TSVR 97
4.5 "-孿生 SVR 99
4.5.1 線性 ε-TSVR 99
4.5.2 非線性 ε-TSVR 100
4.6 TSVR 的兩種小二乘形式 102
4.6.1 小二乘 TSVR 102
4.6.2 孿生小二乘 SVR 104
習(xí)題與思考題 107
參考文獻(xiàn) 107
第5章 數(shù)據(jù)的特征組合方法 108
5.1 預(yù)備知識(shí) 108
5.1.1 矩陣的范數(shù) 108
5.1.2 矩陣的分解 110
5.1.3 類內(nèi)、類間和總體散陣 112
5.2 主成分分析 113
5.2.1 向量?jī)?nèi)積的幾何含義 113
5.2.2 坐標(biāo)系的變換 113
5.2.3 PCA 算法 115
5.3 線性判別分析 117
5.4 LDA 的推廣 122
5.4.1 經(jīng)典 LDA 123
5.4.2 不相關(guān) LDA 124
5.4.3 正交 LDA 125
5.4.4 正則化 LDA 126
習(xí)題與思考題 127
參考文獻(xiàn) 128
第6章 數(shù)據(jù)聚類方法 130
6.1 k-均值聚類與 k-中心聚類 130
6.1.1 k-均值聚類 130
6.1.2 k-中心聚類 133
6.2 凝聚聚類法 133
6.3 密度聚類法 135
6.4 譜聚類 139
6.4.1 基本概念 139
6.4.2 圖的分割原則 140
6.4.3 譜聚類流程 140
6.5 極大期望聚類法 141
習(xí)題與思考題 143
參考文獻(xiàn) 143
第7章 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 144
7.1 神經(jīng)元與激活函數(shù) 144
7.2 前饋神經(jīng)網(wǎng)絡(luò) 147
7.3 反向傳播算法 150
7.3.1 誤差的計(jì)算 151
7.3.2 梯度的計(jì)算 151
7.4 正則化極端學(xué)習(xí)機(jī) 152
7.4.1 線性 RELM 153
7.4.2 非線性 RELM 155
7.4.3 在 RELM 中常用的激活函數(shù)和核函數(shù) 157
7.5 卷積神經(jīng)網(wǎng)絡(luò) 158
7.5.1 卷積核的工作原理 159
7.5.2 如何利用權(quán)值和不為 1 的卷積核得到一個(gè)灰度圖像 162
7.5.3 卷積核權(quán)值的確定 162
7.5.4 池化層的作用 164
習(xí)題與思考題 166
參考文獻(xiàn) 166
第8章 典型相關(guān)分析 167
8.1 預(yù)備知識(shí) 167
8.1.1 隨機(jī)變量的方差、協(xié)方差和相關(guān)系數(shù) 167
8.1.2 隨機(jī)向量的方差、協(xié)方差和相關(guān)系數(shù) 168
8.1.3 隨機(jī)矩陣的方差、協(xié)方差和相關(guān)系數(shù) 169
8.2 經(jīng)典 CCA 170
8.2.1 經(jīng)典 CCA 的數(shù)學(xué)模型 170
8.2.2 經(jīng)典 CCA 的幾何解釋 172
8.2.3 經(jīng)典 CCA 的求解算法 172
8.3 監(jiān)督 CCA 175
習(xí)題與思考題 177
參考文獻(xiàn) 177
彩圖
展開全部
書友推薦
- >
中國(guó)歷史的瞬間
- >
有舍有得是人生
- >
朝聞道
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
回憶愛瑪儂
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語(yǔ))
本類暢銷
