自我提升
类型
可以朗读
语音朗读
385千字
字数
2022-11-01
发行日期
展开全部
主编推荐语
深入浅出的机器学习和深度学习基础知识。
内容简介
机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书涵盖了机器学习和深度学习的基础知识，主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、文本分析、分布式机器学习算法等经典的机器学习基础知识，还包括卷积神经网络、循环神经网络、生成对抗网络、目标检测、自编码器等深度学习的内容。
此外，本书还介绍了机器学习的热门应用领域推荐系统以及强化学习等主题。本书深入浅出、内容全面、案例丰富，每章都提供Python程序代码和习题，供读者巩固所学知识，并且为读者提供了配套的微课视频。
目录
- 版权信息
- 内容提要
- 推荐序
- 前言
- 第1章 机器学习基础
- 1.1 机器学习概述
- 1.1.1 机器学习简史
- 1.1.2 机器学习主要流派
- 1.2 机器学习、人工智能和数据挖掘
- 1.2.1 什么是人工智能
- 1.2.2 什么是数据挖掘
- 1.2.3 机器学习、人工智能和数据挖掘的关系
- 1.3 机器学习应用的典型领域
- 1.4 机器学习算法
- 1.5 机器学习的流程
- 习题
- 第2章 机器学习基本方法
- 2.1 统计分析
- 2.1.1 统计基础
- 2.1.2 常见概率分布
- 2.1.3 参数估计
- 2.1.4 假设检验
- 2.1.5 线性回归
- 2.1.6 逻辑回归
- 2.1.7 判别分析
- 2.1.8 非线性模型
- 2.2 高维数据降维
- 2.2.1 主成分分析
- 2.2.2 奇异值分解
- 2.2.3 线性判别分析
- 2.2.4 局部线性嵌入
- 2.2.5 拉普拉斯特征映射
- 2.3 特征工程
- 2.3.1 特征构造
- 2.3.2 特征选择
- 2.3.3 特征提取
- 2.4 模型训练
- 2.4.1 模型训练常见术语
- 2.4.2 训练数据收集
- 2.5 可视化分析
- 2.5.1 可视化分析的作用
- 2.5.2 可视化分析的基本流程
- 2.5.3 可视化分析方法
- 2.5.4 可视化分析常用工具
- 2.5.5 常见的可视化图表
- 2.5.6 可视化分析面临的挑战
- 习题
- 第3章 决策树与分类算法
- 3.1 决策树
- 3.1.1 分支处理
- 3.1.2 连续属性离散化
- 3.1.3 过拟合问题
- 3.1.4 分类性能评价
- 3.2 集成学习
- 3.2.1 装袋法
- 3.2.2 提升法
- 3.2.3 GBDT算法
- 3.2.4 XGBoost算法
- 3.2.5 随机森林算法
- 习题
- 第4章 聚类分析
- 4.1 聚类分析概述
- 4.1.1 聚类算法分类
- 4.1.2 良好聚类算法的特征
- 4.2 聚类分析的度量
- 4.2.1 外部指标
- 4.2.2 内部指标
- 4.3 基于划分的聚类
- 4.3.1 k-均值算法
- 4.3.2 k-medoids算法
- 4.3.3 k-prototype算法
- 4.4 基于密度的聚类
- 4.4.1 DBSCAN算法
- 4.4.2 OPTICS算法
- 4.5 基于层次的聚类
- 4.5.1 BIRCH聚类
- 4.5.2 CURE算法
- 4.6 基于网格的聚类
- 4.7 基于模型的聚类
- 4.7.1 基于概率模型的聚类
- 4.7.2 模糊聚类
- 4.7.3 基于Kohonen神经网络模型的聚类
- 习题
- 第5章 文本分析
- 5.1 文本分析概述
- 5.2 文本特征提取及表示
- 5.2.1 TF-IDF算法
- 5.2.2 信息增益
- 5.2.3 互信息
- 5.2.4 卡方统计量
- 5.2.5 词嵌入
- 5.2.6 语言模型
- 5.2.7 向量空间模型
- 5.3 知识图谱
- 5.3.1 知识图谱相关概念
- 5.3.2 知识图谱的存储
- 5.3.3 知识图谱的挖掘与计算
- 5.3.4 知识图谱的构建过程
- 5.4 词法分析
- 5.4.1 文本分词
- 5.4.2 命名实体识别
- 5.4.3 词义消歧
- 5.5 句法分析
- 5.6 语义分析
- 5.7 文本分析应用
- 5.7.1 文本分类
- 5.7.2 信息抽取
- 5.7.3 问答系统
- 5.7.4 情感分析
- 5.7.5 自动摘要
- 习题
- 第6章 神经网络
- 6.1 神经网络概述
- 6.1.1 前馈神经网络
- 6.1.2 反馈神经网络
- 6.1.3 自组织神经网络
- 6.2 神经网络相关概念
- 6.2.1 激活函数
- 6.2.2 损失函数
- 6.2.3 学习率
- 6.2.4 过拟合与正则化
- 6.2.5 数据预处理
- 6.2.6 训练方式
- 6.2.7 神经网络模型训练中的问题
- 6.2.8 网络模型效果评价
- 6.3 神经网络应用
- 习题
- 第7章 贝叶斯网络
- 7.1 贝叶斯定理
- 7.2 朴素贝叶斯分类模型
- 7.3 贝叶斯网络推理
- 7.4 贝叶斯网络的应用
- 7.4.1 中文分词
- 7.4.2 机器翻译
- 7.4.3 故障诊断
- 7.4.4 疾病诊断
- 习题
- 第8章 支持向量机
- 8.1 线性可分支持向量机
- 8.1.1 间隔与超平面
- 8.1.2 支持向量
- 8.1.3 对偶问题求解
- 8.1.4 软间隔
- 8.2 非线性可分支持向量机
- 8.2.1 非线性可分支持向量机原理
- 8.2.2 常见核函数
- 8.3 支持向量机应用
- 习题
- 第9章 分布式机器学习
- 9.1 分布式机器学习基础
- 9.2 分布式机器学习框架
- 9.3 并行决策树
- 9.4 并行k-均值算法
- 习题
- 第10章 深度学习基础
- 10.1 卷积神经网络
- 10.1.1 卷积神经网络概述
- 10.1.2 卷积神经网络的结构
- 10.1.3 卷积神经网络的训练
- 10.1.4 常见卷积神经网络
- 10.2 目标检测
- 10.2.1 目标检测基本概念
- 10.2.2 目标检测典型算法
- 10.3 图像分割
- 10.3.1 全卷积神经网络
- 10.3.2 U-Net算法
- 10.3.3 Mask R-CNN
- 10.4 循环神经网络
- 10.4.1 循环神经网络基本原理
- 10.4.2 长短期记忆网络
- 10.4.3 门限循环单元
- 10.4.4 循环神经网络的其他改进
- 10.5 深度学习流行框架
- 习题
- 第11章 高级深度学习
- 11.1 自注意力和BERT模型
- 11.1.1 常见词嵌入模型
- 11.1.2 自注意力
- 11.1.3 多头注意力
- 11.1.4 Transformer模型
- 11.1.5 BERT模型
- 11.2 无监督深度学习
- 11.2.1 深度信念网络
- 11.2.2 自动编码器网络
- 11.3 生成对抗网络
- 11.3.1 生成对抗网络基本原理
- 11.3.2 常见的生成对抗网络
- 11.4 迁移学习
- 11.5 对偶学习
- 11.6 知识蒸馏
- 11.7 小样本学习
- 习题
- 第12章 推荐系统
- 12.1 推荐系统概述
- 12.1.1 推荐系统的应用场景
- 12.1.2 相似度计算
- 12.2 推荐系统通用模型
- 12.2.1 推荐系统结构
- 12.2.2 基于人口统计学的推荐
- 12.2.3 基于内容的推荐
- 12.2.4 基于协同过滤的推荐
- 12.2.5 基于图的推荐
- 12.2.6 基于关联规则的推荐
- 12.2.7 基于知识的推荐
- 12.2.8 基于标签的推荐
- 12.3 推荐系统评测
- 12.3.1 评测方法
- 12.3.2 评测指标
- 12.4 推荐系统常见问题
- 12.5 推荐系统实例
- 12.6 深度学习在推荐系统中的应用
- 习题
- 第13章 强化学习
- 13.1 强化学习概述
- 13.2 强化学习基础
- 13.2.1 马尔可夫链
- 13.2.2 强化学习基本概念
- 13.2.3 强化学习的目标函数
- 13.2.4 价值函数
- 13.3 强化学习基本算法
- 13.3.1 蒙特卡洛强化学习
- 13.3.2 时序差分算法
- 13.3.3 SARSA算法
- 13.3.4 Q-Learning算法
- 13.4 深度强化学习
- 13.4.1 DQN算法
- 13.4.2 演员-评论家算法
- 习题
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
人民邮电出版社
人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。
