定 价:¥79.00
作 者: | 杨云,段宗涛 |
出版社: | 清华大学出版社 |
丛编项: | 人工智能科学与技术丛书 |
标 签: | 暂缺 |
ISBN: | 9787302550648 | 出版时间: | 2020-07-01 | 包装: | |
开本: | 16开 | 页数: | 300 | 字数: |
目录
第1章机器学习简介
1.1什么是机器学习
1.2有监督学习
1.3无监督学习
1.4强化学习
1.5深度学习
1.6机器学习算法的应用趋势
1.6.1机器学习算法在物联网的应用
1.6.2机器学习算法在其他领域的应用
1.7安装MATLAB或Octave
1.8Python语言和C/C++语言简介
1.8.1Python语言简介
1.8.2C/C++语言简介
1.9习题
第2章线性回归
2.1线性回归模型
2.2代价函数
2.3梯度下降法
2.4线性回归中的梯度下降
2.5特征归一化
2.6最小二乘正规方程
2.7线性回归实例分析
2.7.1实例一: 一元线性回归模型与代价函数理解
2.7.2实例二: 多元线性回归模型与代价函数理解
2.8习题
第3章逻辑回归
3.1逻辑回归模型
3.2逻辑回归的代价函数
3.3优化函数
3.4逻辑回归解决分类问题
3.4.1实例一: 牛顿法实现逻辑回归模型
3.4.2实例二: 逻辑回归解决二分类问题
3.5正则化
3.6正则化后的线性回归和逻辑回归模型实例分析
3.6.1实例一: 最小二乘正规方程法优化正则化线性回归模型
3.6.2实例二: 牛顿法优化正则化逻辑回归模型
3.6.3参考解决方案
3.7习题
第4章朴素贝叶斯
4.1数学基础
4.2朴素贝叶斯分类
4.3朴素贝叶斯分类实例分析
4.3.1实例一: 多项式朴素贝叶斯用于邮件分类
4.3.2实例二: 朴素贝叶斯解决多分类问题
4.4习题
第5章支持向量机
5.1支持向量机模型
5.2支持向量机代价函数
5.3支持向量机实例分析
5.3.1实例一: SVM 解决线性可分问题
5.3.2实例二: SVM解决邮件分类问题
5.3.3实例三: 核函数SVM解决线性不可分问题
5.4习题
第6章神经网络
6.1神经网络模型
6.2反向传播算法
6.3神经网络实例分析
6.3.1实例一: 神经网络实现简单分类问题
6.3.2实例二: 神经网络解决预测问题
6.4习题
第7章K近邻算法
7.1K近邻算法原理
7.2K近邻算法实例分析
7.2.1实例一: K近邻算法解决二分类问题
7.2.2实例二: K近邻算法解决多分类问题
7.3习题
第8章K均值算法
8.1K均值算法原理
8.2K均值算法实例分析
8.2.1实例一: K均值算法实现简单聚类
8.2.2实例二: K均值算法解决病毒聚类问题
8.3习题
第9章高斯混合模型
9.1高斯混合模型原理
9.2最大期望算法
9.3高斯混合模型实例分析
9.3.1实例一: 高斯混合模型聚类原理分析
9.3.2实例二: 高斯混合模型实现鸢尾花数据聚类
9.4习题
第10章降维算法
10.1降维算法原理
10.2降维算法实例分析
10.2.1实例一: 线性判别分析(LDA)降维算法实现
10.2.2实例二: 主成分分析(PCA)降维算法实现
10.3线性判别分析与主成分分析对比
10.4习题
第11章隐马尔可夫模型
11.1隐马尔可夫模型定义
11.2隐马尔可夫模型实例分析
11.2.1实例一: HMM实现简单序列预测
11.2.2实例二: HMM 解决车流预测问题
11.3习题
第12章强化学习
12.1Qlearning强化学习算法原理
12.2Qlearning实例分析
12.2.1实例一: Qlearning解决走迷宫问题
12.2.2实例二: Qlearning解决小车爬坡问题
12.3习题
第13章决策树
13.1决策树构造原理
13.2决策树实例分析
13.2.1实例一: 应用CART算法构造决策树
13.2.2实例二: 决策树算法拟合曲线
13.3习题
第14章启发式优化算法
14.1遗传算法原理
14.2优化算法对比实例分析
14.2.1实例一: 粒子群(PSO)算法
14.2.2实例二: 差分进化(DE)算法
14.2.3实例三: 人工蜂群(ABC)算法
14.2.4实例四: 对比粒子群、差分进化和人工蜂群算法
14.3习题
第15章深度学习
15.1卷积神经网络
15.1.1卷积层
15.1.2池化层
15.1.3CNN模型
15.1.4实例一: CNN实现手写数字识别
15.2循环神经网络
15.2.1RNN网络概述
15.2.2LSTM网络
15.2.3实例一: RNN实现时序数据预测
15.2.4实例二: LSTM预测交通流量
15.3深度学习算法物联网硬件加速
15.3.1FPGA硬件平台简介
15.3.2开发软件环境简介
15.3.3实例一: RNN时序数据预测物联网平台实现
15.4习题
第16章集成学习
16.1集成学习算法
16.1.1随机森林算法
16.1.2Adaboost算法
16.2集成学习算法实例分析
16.2.1实例一: 集成学习Stacking实现
16.2.2实例二: 集成学习解决预测问题
16.3习题
第17章推荐系统
17.1推荐算法原理
17.2知识图谱与推荐系统
17.2.1知识图谱定义
17.2.2知识图谱特征学习
17.2.3知识图谱用于推荐系统
17.3推荐系统实例分析
17.3.1实例一: 基于线性混合深度网络的推荐系统实现
17.3.2实例二: 基于知识图谱的多任务神经网络智能推荐系统
17.4习题
附录A专用符号和名词解释
附录B机器学习资源列表
附录C数学推导BPTT算法
参考文献