TOP
0
0
魅麗。花火原創小說66折起
機器學習從原理到應用(簡體書)
滿額折

機器學習從原理到應用(簡體書)

人民幣定價:55 元
定  價:NT$ 330 元
優惠價:87287
領券後再享88折
無庫存,下單後進貨(採購期約45個工作天)
可得紅利積點:8 點
相關商品
商品簡介
作者簡介
名人/編輯推薦
目次

商品簡介

本書共11章,主要介紹機器學習的基本概念和兩大類常用的機器學習模型,即監督學習模型和非監督學習模型。針對監督學習模型,本書介紹了線性模型(線性回歸、Logistic回歸)、非線性模型(SVM、生成式分類器、決策樹)、集成學習模型和神經網絡模型及其訓練;針對非監督學習模型,本書講解了常用的降維技術(線性降維技術與非線性降維技術)和聚類算法(如均值聚類、GMM、層次聚類、均值漂移聚類、DBSCAN和基於密度峰值的聚類等)。
本書可作為高等院校計算機應用、人工智能等專業的機器學習相關課程的教材,也可作為計算機應用與人工智能等領域從業人員的學習參考用書。

作者簡介

卿來雲,中國科學院研究生院計算機博士,中國科學院大學計算機學院教授,長期從事機器學習、計算機視覺和數據壓縮方面的科研與教學工作,主要研究領域涉及機器學習、圖像識別和視頻內容分析等。
黃慶明,中國科學院大學講席教授、博導,國家傑出青年科學基金獲得者,百千萬人才工程***人選,被授予“有突出貢獻中青年專家”榮譽稱號,享受國務院政府特殊津貼。IEEE Fellow,IEEE CASS北京分會主席,CCF理事,CCF會士,北京市圖像圖形學會副理事長。主要研究方向涉及機器學習、計算機視覺、多媒體計算、圖像與視頻分析、模式識別等。主持國家重點研發計劃、973課題等項目20余項,多次獲得省部級科技獎勵。

名人/編輯推薦

(1)本書系統而詳細地介紹了常用的機器學習模型。對於每個機器學習模型,介紹了模型的表示形式、目標函數(損失函數和正則項)、優化方法、模型評估和超參數調優、以及模型的應用案例。
(2)本書模型原理和優化方法中涉及的公式推導詳盡,可極大程度減少讀者額外的工作。
(3)本書案例分析中,選用了Kaggle平臺上提供的數據,代碼給出了機器學習項目的完整步驟,包括對數據的探索式分析、特徵工程、模型訓練、超參數調優和模型應用。

目次

01
機器學習簡介
1.1 什麼是機器學習 2
1.2 機器學習簡史 2
1.3 機器學習任務的類型 6
1.3.1 監督學習 6
1.3.2 無監督學習 10
1.4 機器學習項目的一般步驟 10
1.5 模型評估 11
1.5.1 交叉驗證 12
1.5.2 超參數調優 13
1.6 本章小結 14
1.7 習題 14

02
線性回歸
2.1 線性回歸簡介 16
2.2 線性回歸模型的目標函數 17
2.2.1 回歸模型的損失函數 17
2.2.2 線性回歸模型的正則函數 20
2.3 線性回歸模型的優化求解 23
2.3.1 解析求解法 24
2.3.2 梯度下降法 26
2.3.3 坐標軸下降法 28
2.4 回歸任務的性能指標 31
2.5 線性回歸模型的超參數調優 32
2.6 案例分析1:廣告費用與銷量預測 33
2.7 案例分析2:共享單車騎行量預測 36
2.8 本章小結 38
2.9 習題 38

03
Logistic回歸
3.1 Logistic回歸模型 42
3.2 Logistic回歸模型的目標函數 44
3.3 Logistic回歸目標函數優化求解 45
3.3.1 梯度下降法 45
3.3.2 牛頓法 46
3.3.3 擬牛頓法 48
3.4 多類分類任務 50
3.5 分類任務的性能指標 51
3.6 數據不均衡分類問題 55
3.6.1 重採樣 55
3.6.2 代價敏感學習 56
3.7 案例分析:奧拓商品分類 57
3.8 本章小結 58
3.9 習題 59

04
SVM
4.1 SVM的基本型 64
4.1.1 最大間隔 64
4.1.2 SVM的對偶問題 67
4.2 帶鬆弛因子的SVM 69
4.3 合頁損失函數 72
4.4 核方法 73
4.4.1 核技巧 73
4.4.2 核函數構造 75
4.5 SVM優化求解:SMO 77
4.5.1 SMO算法原理 77
4.5.2 對原始解進行修剪 79
4.5.3 α選擇 80
4.5.4 更新截距項b 81
4.5.5 SMO小結 82
4.6 支持向量回歸 83
4.6.1 不敏感損失函數 83
4.6.2 支持向量回歸 83
4.7 案例分析1:奧拓商品分類 85
4.8 案例分析2:共享單車騎行量預測 86
4.9 本章小結 87
4.10 習題 88

05
生成式分類器
5.1 生成式分類器 92
5.2 貝葉斯規則 92
5.2.1 貝葉斯公式 92
5.2.2 樸素貝葉斯分類器 93
5.2.3 樸素貝葉斯分類器的訓練 94
5.2.4 案例分析1:奧拓商品分類 98
5.2.5 案例分析2:新聞分類 99
5.3 高斯判別分析 100
5.3.1 高斯判別分析的基本原理 100
5.3.2 高斯判別分析的模型訓練 102
5.3.3 案例分析3:MNIST手寫數字識別 102
5.4 本章小結 102
5.5 習題 103

06
決策樹
6.1 決策樹基本原理 106
6.2 建樹 107
6.2.1 ID3和C4.5 107
6.2.2 CART 111
6.3 剪枝 113
6.4 提前終止 114
6.5 案例分析1:蘑菇分類 114
6.6 案例分析2:共享單車騎行量預測 116
6.7 本章小結 117
6.8 習題 117

07
集成學習
7.1 誤差的偏差-方差分解 120
7.1.1 點估計的偏差-方差分解 120
7.1.2 預測誤差的偏差-方差分解 120
7.2 Bagging 122
7.3 隨機森林 124
7.3.1 隨機森林的基本原理 124
7.3.2 案例分析:奧拓商品分類 124
7.4 梯度提升 124
7.5 XGBoost 126
7.5.1 XGBoost基本原理 126
7.5.2 XGBoost優化 129
7.5.3 XGBoost使用指南 129
7.5.4 案例分析:奧拓商品分類 132
7.6 LightGBM 133
7.6.1 基於直方圖的決策樹構造算法 133
7.6.2 直方圖加速:基於梯度的單邊採樣算法 134
7.6.3 直方圖加速:互斥特徵捆綁算法 135
7.6.4 支持離散型特徵 136
7.6.5 帶深度限制的按葉子生長策略 137
7.6.6 案例分析:奧拓商品分類 137
7.7 融合 137
7.8 本章小結 138
7.9 習題 138

08
神經網絡結構
8.1 神經元的基本結構 142
8.2 前饋全連接神經網絡 142
8.3 卷積神經網絡 143
8.3.1 卷積層 143
8.3.2 池化層 146
8.3.3 CNN示例:AlexNet 146
8.4 循環神經網絡 148
8.4.1 簡單循環神經網絡 148
8.4.2 長短時記憶網絡 149
8.5 殘差神經網絡 151
8.6 丟棄法 152
8.7 本章小結 153
8.8 習題 154

09
深度神經模型訓練
9.1 梯度計算:反向傳播 156
9.1.1 微積分中的鏈式法則 156
9.1.2 計算圖和反向傳播 157
9.1.3 DNN的反向傳播算法 158
9.1.4 DNN的計算圖 160
9.1.5 CNN的反向傳播算法 162
9.1.6 循環神經網絡的反向傳播算法 164
9.2 激活函數 168
9.3 深度學習中的優化算法 171
9.3.1 動量法 172
9.3.2 自適應學習率 174
9.4 權重初始化 175
9.5 減弱過擬合策略 179
9.6 案例分析:MNIST手寫數字識別 180
9.7 本章小結 182
9.8 習題 182

10
降維
10.1 主成分分析 186
10.2 自編碼器 188
10.3 多維縮放 191
10.4 等度量映射 193
10.5 局部線性嵌入 194
10.6 拉普拉斯特徵映射 196
10.7 基於T分佈的隨機鄰域嵌入 197
10.8 案例分析:MNIST數據集 199
10.9 本章小結 202
10.10 習題 202

11
聚類
11.1 聚類算法的性能指標 204
11.1.1 外部指標 204
11.1.2 內部指標 206
11.2 相似性度量 207
11.3 K均值聚類 210
11.4 高斯混合模型 212
11.5 層次聚類 215
11.5.1 凝聚式層次聚類 215
11.5.2 分裂式層次聚類 217
11.6 均值漂移聚類 217
11.7 DBSCAN 218
11.8 基於密度峰值的聚類 220
11.9 基於深度學習的聚類 222
11.10 案例分析:MNIST數據集聚類 222
11.11 本章小結 224
11.12 習題 224

附錄 225

A 奇異值分解 226
A.1 特徵值和特徵向量 226
A.2 SVD的定義 226

B 拉格朗日乘子法和卡羅需-庫恩-塔克條件 227
B.1 拉格朗日乘子法 227
B.2 為什麼拉格朗日乘子法能夠求得最優值 228
B.3 KKT條件 228

C 對偶問題 230
C.1 原始問題 230
C.2 對偶問題 231
C.3 原始問題和對偶問題的關係 231

參考文獻 233

您曾經瀏覽過的商品

購物須知

大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。

特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。

無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。

為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。

若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。

優惠價:87 287
無庫存,下單後進貨
(採購期約45個工作天)

暢銷榜

客服中心

收藏

會員專區