注册 | 登录读书好,好读书,读好书!
读书网-DuShu.com
当前位置: 首页出版图书科学技术计算机/网络人工智能机器学习算法及其应用

机器学习算法及其应用

机器学习算法及其应用

定 价:¥58.00

作 者: 吴梅梅 著
出版社: 机械工业出版社
丛编项:
标 签: 暂缺

购买这本书可以去


ISBN: 9787111654230 出版时间: 2020-07-01 包装: 平装
开本: 16开 页数: 146 字数:  

内容简介

  随着数字音乐内容的迅速增长以及人们对音乐鉴赏需求的日益提升,音乐信息的分类检索及个性化推荐受到广大网民和有关从业人员越来越广泛的关注,并成为研究及应用的新热点。 本书系统地阐述了机器学习中的常用分类与推荐方法,介绍了网络音乐自动分类与推荐的理论基础,重点探讨了SVM 和KNN 分类算法的改进,以及协同过滤推荐算法和基于马尔可夫模型推荐算法的改进,并对改进后的算法应用到音乐自动分类和个性化推荐领域进行了探索性研究。本书展现了机器学习常用算法的原理、改进及应用案例,适合机器学习、数据挖掘及大数据等领域的专业人员阅读。

作者简介

  吴梅梅(1980—),工学博士,中国传媒大学数据科学与智能媒体学院副教授,硕士生导师。长期致力于大数据分析、机器学习算法及网络新媒体技术研究。近年来主持并参与了多项和省部级研究课题,发表过多篇SCI、EI论文,并拥有多项发明专利。

图书目录

前言
第1章 机器学习简介1
 1.1 机器学习的概念1
 1.2 机器学习的发展2
 1.3 机器学习的研究现状3
1.3.1 传统机器学习的研究现状4
1.3.2 大数据环境下机器学习的研究现状5
 1.4 机器学习的分类5
  1.4.1 有监督学习6
  1.4.2 无监督学习7
1.4.3 半监督学习8
1.4.4 强化学习9
 1.5 本章小结11
第2章 音乐、数字音乐与网络音乐12
 2.1 音乐的艺术形式12
 2.2 音乐的产生及发展14
 2.3 音乐的要素15
 2.4 音乐的存储与表示17
2.4.1 数字音乐及其特点17
2.4.2 数字音乐文件的特点和格式19
 2.5 网络音乐的发展20
 2.6 网络音乐的特征22
 2.7 本章小结 23
第3章 网络音乐的分类与推荐基础 24
 3.1 基于内容的音乐信息检索24
3.1.1 音高与旋律25
3.1.2 音乐节奏26
  3.1.3 音乐和声 28
 3.2 音乐的分类 29
  3.2.1 按表达方式分类 30
  3.2.2 按旋律风格分类 31
  3.2.3 从音乐的历史角度分类 32
  3.2.4 按音乐流派分类 36
 3.3 网络音乐的自动分类 40
 3.4 网络音乐推荐算法综述 42
 3.5 本章小结 44
第4章 机器学习中的分类与推荐算法 45
 4.1 朴素贝叶斯 45
 4.2 决策树 47
 4.3 k ̄近邻 50
 4.4 支持向量机 51
 4.5 人工神经网络 53
 4.6 基于内容的推荐 57
 4.7 协同过滤推荐 60
 4.8 基于马尔可夫模型的推荐 62
 4.9 混合推荐64
 4.10 推荐算法评价 64
 4.11 本章小结 66
第5章 基于支持向量机的音乐流派分类 67
 5.1 音乐的数字描述 68
 5.2 特征提取 70
  5.2.1 数据预处理 71
  5.2.2 声学特征量 72
 5.3 特征选择77
  5.3.1 ReliefF78
5.3.2 顺序前进法79
5.3.3 ReliefF与SFS相结合的特征选择算法80
 5.4 SVM分类器81
5.4.1 线性可分支持向量机82
5.4.2 线性支持向量机83
5.4.3 非线性支持向量机85
5.4.4 数值求解87
5.4.5 ReliefF-SFSSVM分类实现88
 5.5 实验结果与分析88
  5.5.1 实验工具88
  5.5.2 数据集89
  5.5.3 评价标准及验证方法89
  5.5.4 实验方法89
  5.5.5 实验结果及分析90
 5.6 可扩展性分析94
 5.7 本章小结95
第6章 基于k-近邻的音乐流派自动推荐分类96
 6.1 k-近邻算法的理论基础96
  6.1.1 k-近邻算法96
6.1.2 k-近邻算法模型97
 6.2 算法的实现步骤及复杂度分析99
 6.3 DW-KNN算法99
6.3.1 KNN算法的改进100
6.3.2 二次加权KNN (DW-KNN)分类算法102
 6.4 实验结果与分析103
  6.4.1 实验方法103
  6.4.2 实验结果及分析104
 6.5 可扩展性分析107
 6.6 ReliefF-SFSSVM与DW-KNN的对比108
 6.7 本章小结108
第7章 基于社交网络与协同过滤的音乐推荐110
 7.1 协同过滤推荐算法110
  7.1.1 基于用户的协同过滤推荐算法111
  7.1.2 基于项目的协同过滤推荐算法111
  7.1.3 基于用户与基于项目的协同过滤推荐算法比较112
  7.1.4 协同过滤中存在的问题113
 7.2 SimRank算法113
  7.2.1 SimRank算法思想114   
  7.2.2 SimRank算法流程115  
7.3 社交网络的形成机制与表示方法116   
7.4 构建用户的信任集合进行推荐116
7.5 实验结果及分析118  
  7.5.1 数据获取和数据集118   
  7.5.2 评价指标119  
  7.5.3 实验结果分析120  
7.6 本章小结121  
第8章 基于用户即时兴趣的音乐推荐96
 8.1 相关研究122
 8.2 马尔可夫模型理论基础123
 8.3 基于用户即时行为的改进一阶马尔可夫音乐推荐模型124
  8.3.1 问题描述124
  8.3.2 指数衰减125
  8.3.3 指数衰减的马尔可夫模型125
  8.3.4 协同过滤的一阶马尔可夫推荐126
 8.4 实验结果与分析129
 8.5 可扩展性分析131
 8.6 本章小结131
附录132
 附录A ReliefF-SFSSVM分类参考代码132
 附录B DW-KNN算法参考代码134
 附录C 各分类算法的比较参考代码140
参考文献 145

本目录推荐