機器學習：微課視頻版（Python+sklearn+TensorFlow 2.0）

定　價：￥69.90

作　者：	王衡軍著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥61.20)

ISBN：	9787302559283	出版時間：	2020-09-01	包裝：	平裝
開本：	16	頁數(shù)：	252	字數(shù)：

內(nèi)容簡介

　　本書討論了機器學習的基本問題和基本算法。從方便學習的目的出發(fā)，本書主要以聚類任務、回歸任務、分類任務、標注任務、概率模型、神經(jīng)網(wǎng)絡模型、深度學習模型七個主題對相關內(nèi)容進行組織。前四個主題以機器學習的四個主要任務為核心討論相關算法及基礎知識。概率類模型和神經(jīng)網(wǎng)絡類模型可以完成聚類、回歸、分類和標注等多類任務，但它們各有自成體系的基礎知識，因此各設一個主題進行集中討論，可能更方便讀者理解。深度學習模型屬于神經(jīng)網(wǎng)絡模型，但它具有明顯的特征和廣泛的應用，是機器學習領域的后起之秀

作者簡介

暫缺《機器學習：微課視頻版（Python+sklearn+TensorFlow 2.0）》作者簡介

圖書目錄

目錄
第1章緒論

1.1機器學習是什么

1.2機器學習算法

1.2.1機器學習算法分類

1.2.2機器學習算法的術語

1.3本書的學習之路

1.4編程環(huán)境及工具包

第2章聚類

2.1k均值聚類算法及應用示例

2.1.1算法及實現(xiàn)

2.1.2在手機機主身份識別中的應用示例

2.1.3進一步討論

2.1.4改進算法

2.2聚類算法基礎

2.2.1聚類任務

2.2.2樣本點常用距離度量

2.2.3聚類算法評價指標

2.2.4聚類算法分類

2.3DBSCAN及其派生算法

2.3.1相關概念及算法流程

2.3.2鄰域參數(shù)ε和MinPts的確定

2.3.3OPTICS算法

2.4AGNES算法

2.4.1簇之間的距離度量

2.4.2算法流程

2.5練習題

第3章回歸

3.1回歸任務、評價與線性回歸模型

3.1.1回歸任務

3.1.2線性回歸模型與回歸評價指標

3.1.3最小二乘法求解線性回歸模型

3.2機器學習中的最優(yōu)化方法

3.2.1最優(yōu)化模型

3.2.2迭代法

3.2.3梯度下降法

3.2.4全局最優(yōu)與凸優(yōu)化

3.2.5牛頓法

3.3多項式回歸

3.4過擬合與泛化

3.4.1欠擬合、過擬合與泛化能力

3.4.2泛化能力評估方法

3.4.3過擬合抑制

3.5向量相關性與嶺回歸

3.5.1向量的相關性

3.5.2嶺回歸算法

3.6局部回歸

3.6.1局部加權線性回歸

3.6.2K近鄰法

3.7練習題

第4章分類

4.1決策樹、隨機森林及其應用

4.1.1決策樹分類算法

4.1.2隨機森林算法

4.1.3在O2O優(yōu)惠券使用預測示例中的應用

4.1.4進一步討論

4.1.5回歸樹

4.2分類算法基礎

4.2.1分類任務

4.2.2分類模型的評價指標

4.3邏輯回歸

4.3.1平面上二分類的線性邏輯回歸

4.3.2邏輯回歸模型

4.3.3多分類邏輯回歸

4.4Softmax回歸

4.4.1Softmax函數(shù)

4.4.2Softmax回歸模型

4.4.3進一步討論

4.5集成學習與類別不平衡問題

4.5.1裝袋方法及應用

4.5.2提升方法及應用

4.5.3投票方法及應用

4.5.4類別不平衡問題

4.6練習題

第5章特征工程、降維與超參數(shù)調(diào)優(yōu)

5.1特征工程

5.1.1數(shù)據(jù)總體分析

5.1.2數(shù)據(jù)可視化

5.1.3數(shù)據(jù)預處理

5.2線性降維

5.2.1奇異值分解

5.2.2主成分分析

5.3超參數(shù)調(diào)優(yōu)

5.3.1網(wǎng)格搜索

5.3.2隨機搜索

5.4練習題

第6章概率模型與標注

6.1概率模型

6.1.1分類、聚類和標注任務的概率模型

6.1.2生成模型和判別模型

6.1.3概率模型的簡化假定

6.2邏輯回歸模型的概率分析

6.3樸素貝葉斯分類

6.3.1條件概率估計難題

6.3.2特征條件獨立假定

6.3.3樸素貝葉斯法的算法流程及示例

6.3.4樸素貝葉斯分類器

6.4EM算法與高斯混合聚類

6.4.1EM算法示例

6.4.2EM算法及其流程

6.4.3高斯混合聚類

6.5隱馬爾可夫模型

6.5.1馬爾可夫鏈

6.5.2隱馬爾可夫模型及示例

6.5.3前向后向算法

6.5.4維特比算法

6.6條件隨機場模型

6.7練習題

第7章神經(jīng)網(wǎng)絡

7.1神經(jīng)網(wǎng)絡模型

7.1.1神經(jīng)元

7.1.2神經(jīng)網(wǎng)絡

7.1.3分類、聚類、回歸、標注任務的神經(jīng)網(wǎng)絡模型

7.2多層神經(jīng)網(wǎng)絡

7.2.1三層感知機的誤差反向傳播學習示例

7.2.2誤差反向傳播學習算法

7.2.3多層神經(jīng)網(wǎng)絡常用損失函數(shù)

7.2.4多層神經(jīng)網(wǎng)絡常用優(yōu)化算法

7.2.5多層神經(jīng)網(wǎng)絡中過擬合的抑制

7.2.6進一步討論

7.3競爭學習和自組織特征映射網(wǎng)絡

7.3.1競爭學習

7.3.2自組織特征映射網(wǎng)絡的結構與學習

7.4練習題

第8章深度學習

8.1概述

8.2卷積神經(jīng)網(wǎng)絡

8.2.1卷積神經(jīng)網(wǎng)絡示例

8.2.2卷積層

8.2.3池化層和Flatten層

8.2.4批標準化層

8.2.5典型卷積神經(jīng)網(wǎng)絡

8.3循環(huán)神經(jīng)網(wǎng)絡

8.3.1基本單元

8.3.2網(wǎng)絡結構

8.3.3長短時記憶網(wǎng)絡

8.3.4雙向循環(huán)神經(jīng)網(wǎng)絡和深度循環(huán)神經(jīng)網(wǎng)絡

8.3.5序列標注示例

8.4練習題

參考文獻