新書推薦：
《
孤独与相遇的社会学
》
售價：HK$
59.8
《
精微植物艺术表现技法大全
》
售價：HK$
227.7
《
坦克行动：一名装甲部队指挥官的战争（1944年至1945年）
》
售價：HK$
114.8
《
翻译的危险：清代中国与大英帝国之间两位译者的非凡人生
》
售價：HK$
94.3
《
论法拉比与迈蒙尼德：施特劳斯讲演与论文集：卷三
》
售價：HK$
109.3
《
实验之火：锻造英格兰炼金术（1300—1700年）
》
售價：HK$
124.2
《
高功率激光推进
》
售價：HK$
110.4
《
藩镇时代的政治与社会
》
售價：HK$
112.7
|
| 編輯推薦： |
遵循“从浅到深，理论到实践；以案例为主，理论为辅”的编写原则，在机器学习主流算法的理论框架基础上，使学习者快速掌握主流算法的理论框架，通过相应案例讲解，培养学习者解决实际问题的能力。每章内容配有相应的教案、课件和题库，以及重要章节或知识点的讲解视频。
本书侧重案例讲解，内容新颖，深入浅出，图文并茂，语言通俗易懂，注重理论联系实际。在编写形式上，引入丰富的案例，注重理论与实践的结合，通过各章节配有的相应算法案例，使读者更加快速、深入地理解和掌握机器学习主要算法，提高其运用机器学习主要算法解决实际问题的能力。
|
| 內容簡介： |
本书以案例为载体，介绍了目前机器学习的部分主流算法及其应用，简要概括部分主流算法的基本原理，详细说明应用算法过程中需要注意的问题，通过实际案例的解析使学生更好地掌握主流算法。
全书共四部分。第一部分（第1章）为理论基础，着重介绍机器学习的发展及主流应用，还详细介绍了本书中全部案例运行环境的搭建方法。第二部分（第2~7章）为监督学习模型，着重介绍了贝叶斯分类器、线性模型、决策结、K近邻、支持向量机和随机森林的基本原理。第三部分（第8、9章）为无监督学习模型，详细介绍了数据降维和K均值聚类。第四部分（第10~12章）为神经网络与深度学习，介绍了几类目前流行的神经网络和深度学习网络。全书提供了大量应用案例，每章后均附有习题。
本书适合作为各类高等院校计算机、人工智能专业的教材，也适合作为相关专业研究生的入门教材，还可供人工智能和数据挖掘方向的开发人员、广大科技工作者和研究人员参考。
|
| 目錄：
|
第一部分理 论 基 础
第1章绪论
1.1机器学习概述
1.2机器学习应用基础
1.3机器学习应用系统
1.4机器学习发展
1.5机器学习中的观点和问题
1.6模型评价常用指标
1.7目前主流应用
1.7.1数据挖掘
1.7.2计算机视觉
1.7.3自然语言处理
1.7.4语音识别
1.7.5推荐系统
1.8运行环境搭建
1.8.1Python安装
1.8.2PyCharm安装模块文件
1.8.3Anaconda安装
1.9知识扩展
1.10习题
第二部分监督学习模型
第2章贝叶斯分类器
2.1贝叶斯分类器基本思想
2.2朴素贝叶斯分类器
2.2.1朴素贝叶斯分类器原理
2.2.2朴素贝叶斯分类器案例——垃圾邮件过滤
2.3正态贝叶斯分类器
2.3.1正态贝叶斯分类器原理
2.3.2正态贝叶斯分类器案例——训练资料分类
2.4知识扩展
2.5习题
第3章线性模型
3.1回归预测
3.2线性回归
3.2.1线性回归的基本原理
3.2.2线性回归的案例——波士顿房价预测Ⅰ
3.3逻辑回归
3.3.1逻辑回归的基本原理
3.3.2逻辑回归的损失函数
3.3.3逻辑回归的案例——泰坦尼克号乘客预测
3.4其他回归模型
3.4.1套索回归
3.4.2岭回归
3.4.3套索回归和岭回归的案例——波士顿房价预测Ⅱ
3.5知识扩展
3.6习题
第4章决策树
4.1什么是决策树
4.2构建决策树
4.2.1构建决策树的基本过程
4.2.2基尼系数
4.2.3信息熵和信息增益
4.3修剪决策树
4.3.1预剪枝
4.3.2后剪枝
4.4决策树案例——员工流失分析
4.5决策树回归问题
4.6知识扩展
4.7习题
第5章K近邻
5.1K近邻算法的基本思想
5.2K近邻算法中的距离度量
5.3选择合适的K值
5.4K近邻案例——鸢尾花分类
5.5知识扩展
5.6习题
第6章支持向量机
6.1SVM的基本原理
6.1.1线性SVM分类器
6.1.2硬间隔与软间隔
6.1.3非线性SVM分类器
6.2核函数
6.2.1核函数原理
6.2.2几种常见的核函数
6.3SVM案例——手写数字图像识别
6.4KSVM案例——人脸图像识别
6.5知识扩展
6.6习题
第7章随机森林
7.1集成学习原理
7.2算法流程
7.2.1Bagging集成算法
7.2.2Boosting集成算法
7.3随机森林算法
7.3.1随机森林原理
7.3.2随机森林案例——红酒分类
7.4知识扩展
7.5习题
第三部分无监督学习模型
第8章数据降维
8.1降维与重构算法思想
8.2PCA
8.2.1PCA算法原理
8.2.2PCA算法案例——图像降维和重建
8.3随机近邻嵌入
8.3.1随机近邻嵌入算法原理
8.3.2随机近邻嵌入案例——手写数字图像降维
8.4知识扩展
8.5习题
第9章K均值聚类
9.1K均值聚类基本思想
9.2K均值聚类算法流程
9.3K均值聚类案例——图像的分割和压缩
9.4知识扩展
9.5习题
第四部分神经网络与深度学习
第10章神经网络
10.1神经网络基本思想
10.2反向传播算法
10.2.1反向传播算法原理
10.2.2反向传播算法案例——手写数字图像预测
10.3知识扩展
10.4习题
第11章自编码器图像降噪
11.1图像噪声的处理办法
11.2卷积自编码器图像降噪
11.2.1卷积自编码器原理简述
11.2.2卷积自编码器降噪原理
11.2.3卷积自编码器降噪案例
11.3稀疏自编码器图像降噪
11.3.1稀疏自编码器原理简介
11.3.2稀疏自编码器图像降噪案例
11.4知识扩展
11.5习题
第12章几种深度学习网络
12.1开启深度学习之旅
12.2卷积神经网络
12.2.1卷积神经网络原理简介
12.2.2深度卷积神经网络案例——图像目标检测
12.3循环神经网络
12.3.1循环神经网络原理简介
12.3.2循环神经网络的几种实现
12.3.3循环神经网络案例——航空旅客数量预测
12.4生成对抗网络
12.4.1生成对抗网络原理简述
12.4.2生成对抗网络案例——提高图像分辨率
12.5概率图模型
12.5.1概率图模型简述
12.5.2高斯混合模型概述
12.5.3高斯混合模型案例——图像分割
12.6知识扩展
12.7习题
参考文献
|
| 內容試閱：
|
新一轮科技革命和产业变革带动了传统产业的升级改造。党的二十大报告强调“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势”。建设高质量高等教育体系是摆在高等教育面前的重大历史使命和政治责任。高等教育要坚持国家战略引领，聚焦重大需求布局，推进新工科、新医科、新农科、新文科建设，加快培养紧缺型人才。
作为一种自动化、智能化的深度分析技术，机器学习旨在从由数据代表的现实世界中探索和挖掘潜在规律和隐含机理。机器学习不仅是许多高校人工智能专业的核心课程，也被纳入相关专业的课程体系。伴随着人工智能技术的快速发展，各行业对于智能算法的需求不断增长，对于拥有智能算法技术的专业人才需求也日益迫切。这为相应的人才培养和专业发展的课程目标及教材内容提出了新的要求。因此，从适应技术发展、专业发展和人才培养的需求出发，编写具有系统性、实用性和推广价值的智能算法教材，以适应新形势下的教材建设，具有极其重要的意义。
一方面本书围绕以“智能算法”为核心的课程内容体系和以“算法应用”为导向的两个核心内容进行编写。首先，教材重点讲解现应用场景中主流的智能算法基本原理，旨在帮助学习者理解并掌握这些基础理论； 其次，介绍和掌握机器学习中的主流方法，使学习者能够针对实际应用场景进行问题分析，并设计出相应的解决方案； 最后，教材注重在实际运行环境中实现算法的操作，以实现从理论到实践的转化。
另一方面，在人才培养和专业发展的推动下，本书在编写过程中注重课程内容与毕业要求的支撑关系，并通过实验和案例强化学生解决复杂工程问题的能力，体现“面向产出”的工程教育理念。
本书具有如下特点：
（1） 体系以“智能算法”为中心，保留经典算法理论，增加目前火热的深度学习新知识。既注重系统全面地介绍主流算法基本原理，又注重将主流算法融入应用场景中。
（2） 可用作教材，理论内容、实验及案例设计均以“面向产出”为中心。
（3） 突出算法与应用紧密结合的特点，结合应用案例及开发环境，强化能力训练。本书各章介绍的理论内容都融合了具体应用案例，在改善纯理论学习枯燥的同时，为学生自主实验的顺利开展提供良好的支撑，强化解决实际问题的能力训练。
（4） 案例的设计侧重对主流算法的理解与使用，对应用问题的分析与评价两方面的能力训练。
（5） 不仅面向在校人工智能及相关专业的学生，还面向致力从事与人工智能、数据挖掘等相关领域的学习者。
本书内容由四部分共12章组成，每章（除第1章外）最后都有详细的案例解析以及代码分析，使读者可以轻松完成理论到实践的转化，提升解决实际问题的能力，增强学习者动手解决问题的成就感。
第一部分理论基础，包括第1章，主要介绍机器学习发展历程、主流的应用场景和如何搭建算法实现的运行环境。
第二部分监督学习模型，包括第2～7章，主要介绍目前主流的六类智能算法的基本原理及案例，包括贝叶斯分类器、线性模型、决策树、K近邻、支持向量机和随机森林。
第三部分无监督学习模型，包括第8、9章，主要介绍两类无监督学习算法： 主成分分析和K均值聚类。
第四部分神经网络与深度学习，包括第10～12章，主要介绍几类目前流行的神经网络和深度学习框架，包括BP算法、卷积自编码网络、稀疏自编码网络、深度卷积神经网络、循环神经网络、生成对抗网络以及概率图模型。
在使用本书作为教材时，可以根据专业特性和课时数量对内容进行适当取舍，同时，每章后的参考文献可以供学习者查阅，这将有助于他们更好地理解和掌握课程内容。为方便教学，本书配有教学大纲、教案、教学课件、主要内容的教学视频、习题解答、案例程序源码和实验指导等教学资源。
本书的作者为袁建军，参与编写的还有西南大学人工智能学院陈睿、程静及重庆文理学院刘礼培。
在本书的编写过程中，参考了许多优秀的机器学习教材及相关文献资料，获益良多，特此表示最诚挚的感谢。
由于编者水平有限，书中难免存在缺点和错误，敬请广大读者及各位专家指正，不胜感谢。
编者
2024年4月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
