掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 現(xiàn)代機(jī)器學(xué)習(xí)
作者：王佳寧[等]主編
開(kāi)本：
23cm
頁(yè)數(shù)：
308頁(yè)
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)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(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥42.6
加入購(gòu)物車(chē)
現(xiàn)代機(jī)器學(xué)習(xí) 版權(quán)信息
- ISBN：9787560663265
- 條形碼：9787560663265 ; 978-7-5606-6326-5
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
現(xiàn)代機(jī)器學(xué)習(xí) 本書(shū)特色
本書(shū)是學(xué)術(shù)大咖焦李成老師組織策劃的人工智能前沿技術(shù)系列叢書(shū)之一。本書(shū)在介紹經(jīng)典機(jī)器學(xué)習(xí)方法的同時(shí)，對(duì)近年來(lái)新興的現(xiàn)代機(jī)器學(xué)習(xí)方法的理論、發(fā)展與應(yīng)用進(jìn)行全面介紹，以使讀者在學(xué)習(xí)經(jīng)典機(jī)器學(xué)習(xí)算法的同時(shí)掌握機(jī)器學(xué)習(xí)*新的趨勢(shì)與發(fā)展，在了解機(jī)器學(xué)習(xí)基礎(chǔ)理論的基礎(chǔ)上，能夠持續(xù)關(guān)注機(jī)器學(xué)習(xí)領(lǐng)域的*新發(fā)展與趨勢(shì)，這也是本書(shū)整體內(nèi)容安排與章節(jié)安排的基礎(chǔ)。
現(xiàn)代機(jī)器學(xué)習(xí) 內(nèi)容簡(jiǎn)介
本書(shū)作為機(jī)器學(xué)習(xí)入門(mén)、進(jìn)階與本碩博貫通式培養(yǎng)教材, 系統(tǒng)論述了機(jī)器學(xué)習(xí)研究的基本內(nèi)容、概念、算法、應(yīng)用以及*新發(fā)展。本書(shū)共18章, 分為經(jīng)典機(jī)器學(xué)習(xí)方法和現(xiàn)代機(jī)器學(xué)習(xí)方法兩大部分。經(jīng)典機(jī)器學(xué)習(xí)方法部分為第1-10章, 內(nèi)容分別為機(jī)器學(xué)習(xí)概述、數(shù)學(xué)基礎(chǔ)知識(shí)、線性回歸與分類(lèi)模型、特征提取與選擇、決策樹(shù)與集成學(xué)習(xí)、支持向量機(jī)、貝葉斯決策理論、神經(jīng)網(wǎng)絡(luò)、聚類(lèi)方法和半監(jiān)督學(xué)習(xí)等 ; 現(xiàn)代機(jī)器學(xué)習(xí)方法部分為第11-18章, 內(nèi)容涵蓋了近年來(lái)新興的與不斷發(fā)展的前沿算法, 如深度學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)、膠囊網(wǎng)絡(luò)、圖卷積神經(jīng)網(wǎng)絡(luò)、自監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)以及自動(dòng)機(jī)器學(xué)習(xí)等。
現(xiàn)代機(jī)器學(xué)習(xí) 目錄
第1章 機(jī)器學(xué)習(xí)概述 1
1.1 機(jī)器學(xué)習(xí)的基本概念 1
1.2 機(jī)器學(xué)習(xí)的基本類(lèi)別 1
1.2.1 經(jīng)典機(jī)器學(xué)習(xí) 1
1.2.2 現(xiàn)代機(jī)器學(xué)習(xí) 6
1.3 機(jī)器學(xué)習(xí)的評(píng)估指標(biāo) 7
1.3.1 機(jī)器學(xué)習(xí)三要素 8
1.3.2 評(píng)估方法 9
1.4 機(jī)器學(xué)習(xí)典型應(yīng)用 11
1.4.1 專(zhuān)家系統(tǒng) 11
1.4.2 語(yǔ)音識(shí)別 12
1.4.3 機(jī)器翻譯 12
1.4.4 自動(dòng)駕駛 13
1.4.5 人臉檢測(cè) 13
本章小結(jié) 14
習(xí)題 14
參考文獻(xiàn) 14
第2章 數(shù)學(xué)基礎(chǔ)知識(shí) 15
2.1 矩陣論基礎(chǔ) 15
2.1.1 矩陣代數(shù)基礎(chǔ) 15
2.1.2 矩陣方程求解 18
2.1.3 矩陣分析 19
2.2 *優(yōu)化基礎(chǔ) 21
2.2.1 *小二乘與線性規(guī)劃 21
2.2.2 凸優(yōu)化 22
2.2.3 非線性?xún)?yōu)化 23
2.3 統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ) 25
2.3.1 條件概率 25
2.3.2 期望與方差 25
2.3.3 *大似然估計(jì) 26
本章小結(jié) 27
習(xí)題 27
參考文獻(xiàn) 28
第3章 線性回歸與分類(lèi)模型 29
3.1 線性回歸模型 29
3.1.1 線性函數(shù)模型 30
3.1.2 偏置與方差分解 37
3.2 貝葉斯線性回歸 38
3.2.1 問(wèn)題定義 38
3.2.2 問(wèn)題求解 39
3.3 正則化線性回歸 41
3.3.1 嶺回歸 42
3.3.2 Lasso回歸 44
3.3.3 邏輯回歸 45
3.4 線性分類(lèi)模型 46
3.4.1 生成式模型與判別式模型 47
3.4.2 線性判別分析 47
3.4.3 廣義線性判別分析 48
本章小結(jié) 49
習(xí)題 49
參考文獻(xiàn) 49
第4章 特征提取與選擇 51
4.1 經(jīng)典特征提取方法 52
4.1.1 主成分分析法 52
4.1.2 線性判別方法 54
4.1.3 流形學(xué)習(xí)方法 55
4.2 經(jīng)典特征選擇算法 58
4.2.1 特征選擇基本步驟 58
4.2.2 特征選擇搜索策略 61
4.2.3 特征選擇評(píng)價(jià)準(zhǔn)則 65
4.3 稀疏表示與字典學(xué)習(xí) 68
4.3.1 稀疏表示 69
4.3.2 字典學(xué)習(xí) 70
本章小結(jié) 71
習(xí)題 71
參考文獻(xiàn) 72
第5章 決策樹(shù)與集成學(xué)習(xí) 73
5.1 決策樹(shù) 73
5.2 經(jīng)典決策樹(shù)算法 74
5.2.1 ID3算法 74
5.2.2 C4.5算法 75
5.2.3 CART算法 75
5.3 決策樹(shù)的剪枝 76
5.3.1 預(yù)剪枝 77
5.3.2 后剪枝 77
5.4 集成學(xué)習(xí) 78
5.4.1 Bagging 80
5.4.2 Boosting 81
5.4.4 Stacking 83
5.4.5 深度集成學(xué)習(xí) 83
本章小結(jié) 87
習(xí)題 87
參考文獻(xiàn) 89
第6章 支持向量機(jī) 91
6.1 支持向量機(jī)簡(jiǎn)介 91
6.2 線性支持向量機(jī) 91
6.2.1 函數(shù)間隔與幾何間隔 92
6.2.2 線性可分問(wèn)題 93
6.2.3 對(duì)偶問(wèn)題 94
6.3 非線性支持向量機(jī) 96
6.3.1 核方法 97
6.3.2 常用核函數(shù) 98
6.3.3 非線性支持向量分類(lèi) 99
6.4 支持向量機(jī)的應(yīng)用 99
本章小結(jié) 100
習(xí)題 100
參考文獻(xiàn) 100
第7章 貝葉斯決策理論 101
7.1 貝葉斯分類(lèi)器 101
7.1.1 貝葉斯決策理論 101
7.1.2 *小風(fēng)險(xiǎn)貝葉斯決策規(guī)則 103
7.2 樸素貝葉斯分類(lèi)器 105
7.3 貝葉斯網(wǎng)絡(luò) 106
7.4 EM算法 106
本章小結(jié) 107
習(xí)題 107
參考文獻(xiàn) 108
第8章 神經(jīng)網(wǎng)絡(luò) 109
8.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 109
8.1.1 神經(jīng)網(wǎng)絡(luò)發(fā)展史 109
8.1.2 神經(jīng)元 110
8.1.3 感知器 110
8.2 卷積神經(jīng)網(wǎng)絡(luò) 111
8.3 前饋神經(jīng)網(wǎng)絡(luò) 113
8.4 反向傳播算法 114
8.5 其他常見(jiàn)神經(jīng)網(wǎng)絡(luò) 115
8.5.1 RBF網(wǎng)絡(luò) 115
8.5.2 SOM網(wǎng)絡(luò) 115
8.5.3 Hopfield網(wǎng)絡(luò) 116
本章小結(jié) 118
習(xí)題 119
參考文獻(xiàn) 119
第9章 聚類(lèi)方法 121
9.1 聚類(lèi)方法概述 121
9.2 K均值聚類(lèi) 122
9.3 層次聚類(lèi) 124
9.4 密度聚類(lèi) 125
9.4.1 DBSCAN算法 126
9.4.2 OPTICS算法 126
9.4.3 Mean Shift算法 127
9.5 稀疏子空間聚類(lèi) 128
本章小結(jié) 129
習(xí)題 129
參考文獻(xiàn) 130
第10章 半監(jiān)督學(xué)習(xí) 131
10.1 半監(jiān)督學(xué)習(xí)概述 131
10.2 半監(jiān)督分類(lèi)方法 132
10.2.1 增量學(xué)習(xí) 132
10.2.2 生成式半監(jiān)督學(xué)習(xí) 132
10.2.3 半監(jiān)督支持向量機(jī) 133
10.2.4 基于圖的半監(jiān)督學(xué)習(xí) 134
10.2.5 基于分歧的半監(jiān)督學(xué)習(xí) 136
10.3 半監(jiān)督聚類(lèi)方法 136
本章小結(jié) 137
習(xí)題 138
參考文獻(xiàn) 138
第11章 深度學(xué)習(xí) 139
11.1 深度學(xué)習(xí)簡(jiǎn)介 139
11.2 深度卷積神經(jīng)網(wǎng)絡(luò) 141
11.2.1 卷積層 141
11.2.2 非線性激活層 143
11.2.3 池化層 143
11.2.4 全連接層 144
11.3 受限玻耳茲曼機(jī)(RBM)與
深度信念網(wǎng)絡(luò)(DBN) 146
11.3.1 玻耳茲曼機(jī) 146
11.3.2 受限玻耳茲曼機(jī) 147
11.3.3 深度信念網(wǎng)絡(luò) 148
11.4 深度自編碼器 151
11.4.1 欠完備自編碼器 152
11.4.2 正則自編碼器 153
11.4.3 自編碼器的應(yīng)用 154
11.5 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)與
長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò) 155
11.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 155
11.5.2 長(zhǎng)短期記憶網(wǎng)絡(luò) 157
本章小結(jié) 160
習(xí)題 161
參考文獻(xiàn) 161
第12章 深度強(qiáng)化學(xué)習(xí) 165
12.1 任務(wù)與獎(jiǎng)賞 166
12.2 多臂老虎機(jī) 167
12.2.1 守成與探索 167
12.2.2 多臂老虎機(jī)問(wèn)題建模及
ε貪婪法 168
12.3 馬爾可夫決策過(guò)程(MDP) 169
12.3.1 引入MDP的原因 169
12.3.2 MDP的價(jià)值函數(shù) 170
12.3.3 狀態(tài)價(jià)值函數(shù)與動(dòng)作價(jià)值函數(shù)的
關(guān)系 170
12.3.4 *優(yōu)價(jià)值函數(shù) 171
12.4 動(dòng)態(tài)規(guī)劃 172
12.5 蒙特卡羅法 173
12.5.1 不基于模型的強(qiáng)化學(xué)習(xí) 173
12.5.2 預(yù)測(cè)問(wèn)題 174
12.5.3 控制問(wèn)題 174
本章小結(jié) 175
習(xí)題 175
參考文獻(xiàn) 176
第13章 生成對(duì)抗網(wǎng)絡(luò) 179
13.1 生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介 179
13.2 網(wǎng)絡(luò)結(jié)構(gòu) 180
13.3 訓(xùn)練過(guò)程 181
13.4 評(píng)價(jià)指標(biāo) 182
13.4.1 Inception Score(IS) 183
13.4.2 Mode Score(MS) 183
13.4.3 Fréchet Inception
Distance(FID) 184
13.5 訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)面臨的
挑戰(zhàn) 184
13.5.1 模式崩潰 184
13.5.2 不收斂和不穩(wěn)定性 185
13.5.3 生成器梯度消失 185
13.6 生成對(duì)抗網(wǎng)絡(luò)經(jīng)典算法 185
13.6.1 InfoGAN 185
13.6.2 Conditional GAN(cGAN) 186
13.6.3 Deep Convolutional
GAN(DCGAN) 188
13.7 生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用 190
13.7.1 圖像超分辨 190
13.7.2 人臉生成 192
13.7.3 紋理合成 192
13.7.4 視頻領(lǐng)域的應(yīng)用 192
13.7.5 應(yīng)用于自然語(yǔ)言處理 193
本章小結(jié) 193
習(xí)題 193
參考文獻(xiàn) 194
第14章 膠囊網(wǎng)絡(luò) 195
14.1 膠囊網(wǎng)絡(luò)簡(jiǎn)介 195
14.2 膠囊的定義 196
14.3 膠囊網(wǎng)絡(luò)的結(jié)構(gòu) 196
14.4 動(dòng)態(tài)路由算法 198
14.5 膠囊網(wǎng)絡(luò)的損失函數(shù) 200
14.5.1 編碼器的損失函數(shù) 200
14.5.2 解碼器的損失函數(shù) 200
14.6 膠囊網(wǎng)絡(luò)典型算法 201
14.6.1 CapsuleGAN 201
14.6.2 DeepConvCapsule 202
14.6.3 Faster MSCapsNet 203
14.6.4 MSCapsNet 205
14.7 膠囊網(wǎng)絡(luò)的應(yīng)用 207
14.7.1 醫(yī)學(xué)圖像 207
14.7.2 關(guān)系抽取 208
14.7.3 對(duì)抗性攻擊 208
本章小結(jié) 208
習(xí)題 209
參考文獻(xiàn) 209
第15章 圖卷積神經(jīng)網(wǎng)絡(luò) 211
15.1 符號(hào)的定義 212
15.2 圖卷積和圖池化的構(gòu)建 213
15.2.1 圖卷積的構(gòu)建 213
15.2.2 圖池化的構(gòu)建 217
15.3 圖卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 218
15.3.1 深層圖卷積神經(jīng)網(wǎng)絡(luò) 218
15.3.2 大規(guī)模網(wǎng)絡(luò)圖卷積技術(shù) 219
15.3.3 半監(jiān)督節(jié)點(diǎn)分類(lèi)問(wèn)題的
訓(xùn)練技術(shù) 220
15.4 圖卷積神經(jīng)網(wǎng)絡(luò)的典型算法 220
15.4.1 半監(jiān)督圖卷積網(wǎng)絡(luò) 220
15.4.2 HAGCN 222
15.4.3 GAT 224
15.5 圖卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用 225
15.5.1 網(wǎng)絡(luò)分析 225
15.5.2 社區(qū)發(fā)現(xiàn) 225
15.5.3 推薦系統(tǒng) 225
15.5.4 交通預(yù)測(cè) 226
15.5.5 生物化學(xué) 227
15.5.6 計(jì)算機(jī)視覺(jué) 228
15.5.7 自然語(yǔ)言處理 229
15.6 圖卷積神經(jīng)網(wǎng)絡(luò)的未來(lái)發(fā)展方向 229
15.6.1 深層的網(wǎng)絡(luò)結(jié)構(gòu) 229
15.6.2 大規(guī)模數(shù)據(jù) 230
15.6.3 多尺度的圖上任務(wù) 230
15.6.4 動(dòng)態(tài)變化的圖數(shù)據(jù) 230
15.6.5 圖神經(jīng)網(wǎng)絡(luò)的可解釋性 230
本章小結(jié) 231
習(xí)題 231
參考文獻(xiàn) 231
第16章 自監(jiān)督學(xué)習(xí) 233
16.1 自監(jiān)督學(xué)習(xí)概述 233
16.1.1 自監(jiān)督學(xué)習(xí)背景 233
16.1.2 術(shù)語(yǔ)解釋 235
16.1.3 自監(jiān)督學(xué)習(xí)前置任務(wù) 235
16.1.4 自監(jiān)督學(xué)習(xí)下游任務(wù) 238
16.1.5 自監(jiān)督學(xué)習(xí)數(shù)據(jù)集 240
16.2 自監(jiān)督學(xué)習(xí)方法 240
16.2.1 基于對(duì)比的自監(jiān)督學(xué)習(xí) 240
16.2.2 基于上下文的自監(jiān)督學(xué)習(xí) 245
16.2.3 基于時(shí)序的自監(jiān)督學(xué)習(xí) 248
16.3 自監(jiān)督學(xué)習(xí)的應(yīng)用拓展 249
16.3.1 自監(jiān)督學(xué)習(xí)輔助的知識(shí)蒸餾 249
16.3.2 自監(jiān)督半監(jiān)督學(xué)習(xí) 253
本章小結(jié) 255
習(xí)題 256
參考文獻(xiàn) 256
第17章 遷移學(xué)習(xí) 259
17.1 遷移學(xué)習(xí)概述 259
17.1.1 遷移學(xué)習(xí)的歷史 260
17.1.2 遷移學(xué)習(xí)的本質(zhì) 261
17.2 遷移學(xué)習(xí) 262
17.2.1 基于實(shí)例的遷移學(xué)習(xí) 263
17.2.2 基于特征的遷移學(xué)習(xí) 264
17.2.3 基于參數(shù)的遷移學(xué)習(xí) 266
17.2.4 基于關(guān)系的遷移學(xué)習(xí) 267
17.3 深度遷移學(xué)習(xí) 269
17.3.1 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí) 269
17.3.2 基于生成對(duì)抗網(wǎng)絡(luò)的
深度遷移學(xué)習(xí) 272
17.4 遷移學(xué)習(xí)的應(yīng)用 274
本章小結(jié) 277
習(xí)題 277
參考文獻(xiàn) 278
第18章 自動(dòng)機(jī)器學(xué)習(xí) 281
18.1 自動(dòng)機(jī)器學(xué)習(xí)基礎(chǔ) 281
18.1.1 初識(shí)自動(dòng)機(jī)器學(xué)習(xí) 281
18.1.2 自動(dòng)機(jī)器學(xué)習(xí)的構(gòu)成 282
18.2 數(shù)據(jù)準(zhǔn)備 283
18.2.1 數(shù)據(jù)收集 284
18.2.2 數(shù)據(jù)清理 284
18.2.3 數(shù)據(jù)增強(qiáng) 284
18.3 模型生成 285
18.3.1 傳統(tǒng)模型 285
18.3.2 NAS 286
18.3.3 模型優(yōu)化 293
18.4 模型評(píng)估 299
18.4.1 低保真 299
18.4.2 權(quán)重共享 300
18.4.3 代理模型 300
18.4.4 早停法 300
18.4.5 資源感知 300
18.5 經(jīng)典N(xiāo)AS算法 301
18.5.1 NASNet 301
18.5.2 PNAS 303
18.5.3 DARTS 304
本章小結(jié) 306
習(xí)題 307
參考文獻(xiàn) 307
展開(kāi)全部
書(shū)友推薦
- >
巴金－再思錄
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
我從未如此眷戀人間
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
有舍有得是人生
- >
姑媽的寶刀
- >
名家?guī)阕x魯迅:故事新編
- >
自卑與超越
本類(lèi)暢銷(xiāo)
