新書推薦：
《
英国教育史研究丛书——延续与新变：英国斯图亚特时期贵族教育研究
》
售價：NT$
505.0
《
更易上手！钢琴弹唱经典老歌（五线谱版）
》
售價：NT$
254.0
《
哲学叙事：中国与西方
》
售價：NT$
500.0
《
一人商业模式 创富新路径个人经济自由创业变现方法书
》
售價：NT$
254.0
《
经典与想象：中国古代传说新解
》
售價：NT$
398.0
《
祠堂与教堂：中西传统核心价值观比较研究（第3版）
》
售價：NT$
551.0
《
极简德国东方看世界·极简德国史
》
售價：NT$
347.0
《
舌尖上的中国新编视频版营养师妈妈教你做婴幼儿餐
》
售價：NT$
296.0
|
| 編輯推薦： |
|
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
|
| 內容簡介： |
本书系统地讲解了机器学习的理论与方法，内容主要包括EM算法和高斯混合模型、主题模型、采样与非参数贝叶斯方法、聚类分析、支持向量机、概率无向图模型、概率有向图模型、矩阵与张量分解、多层感知机与卷积神经网络、序列神经网络，以及强化学习。本书旨在使读者了解机器学习的发展过程，理解和掌握机器学习的基本原理、方法与主要应用。本书内容丰富，着重于讲解机器学习理论的推导与证明，并通过实例进行方法分析与比较；本书强调机器学习的系统性、完整性、方法的时效性，可读性强；同时，作为新形态教材，本书配备了大量的数字化资源，可以实现线上线下学习的无缝衔接。
本书既可以作为国内各高等学校、科研院所本科生、研究生的教材，也可供国内外从事机器学习研究和工程应用的人员使用。
|
| 目錄：
|
前言
第1章 绪论 1
1.1 机器学习的定义 1
1.2 机器学习的发展历史 2
1.3 机器学习的分类 5
1.3.1 基于学习系统的反馈分类 5
1.3.2 基于所获取知识的表示形式分类 6
1.3.3 基于应用领域分类 7
1.3.4 综合分类 7
1.4 性能度量 9
1.4.1 数据集 9
1.4.2 误差 10
1.4.3 过拟合与欠拟合 10
1.4.4 评估方法 10
1.4.5 性能度量 11
本章小结 16
习题 17
参考文献 17
第2章 EM算法和高斯混合模型 19
2.1 EM算法 19
2.1.1 极大似然估计 19
2.1.2 EM算法的引入 20
2.1.3 EM算法的推导 21
2.1.4 EM算法的步骤 23
2.1.5 EM算法的收敛性 24
2.2 高斯混合模型 25
2.2.1 单高斯模型 25
2.2.2 高斯混合模型 26
2.2.3 GMM参数估计 27
本章小结 29
习题 29
参考文献 29
第3章 主题模型 31
3.1 传统的主题模型 31
3.1.1 VSM 31
3.1.2 LSI模型 32
3.2 概率主题模型 33
3.2.1 LDA主题模型 33
3.2.2 HDP-LDA主题模型 40
3.3 具有Zipf定律性质的主题模型 44
3.3.1 PY过程 45
3.3.2 PHTM主题模型 46
3.4 PHTM推理算法 48
本章小结 51
习题 51
参考文献 52
第4章 采样与非参数贝叶斯方法 54
4.1 单个随机变量采样 54
4.1.1 通过逆累积分布函数采样 55
4.1.2 拒绝采样（Rejection Sampling） 56
4.1.3 重要性采样（Importance Sampling） 57
4.2 序列随机变量采样与马尔可夫链蒙特卡罗 58
4.2.1 MH算法 59
4.2.2 吉布斯采样 60
4.2.3 切片采样（Slice Sampling） 60
4.3 非参数贝叶斯与狄利克雷过程 61
4.3.1 非参数贝叶斯 61
4.3.2 狄利克雷过程 62
4.4 狄利克雷过程的构造方式 63
4.4.1 波利亚坛子过程 63
4.4.2 折棍子过程 64
4.4.3 中国餐馆过程 66
本章小结 68
习题 68
参考文献 69
第5章 聚类分析 70
5.1 数据相似性度量 70
5.2 经典聚类算法 75
5.2.1 划分方法 75
5.2.2 层次聚类 75
5.2.3 基于密度的聚类 76
5.2.4 基于网格的方法 77
5.2.5 基于模型的方法 78
5.3 k-means、k中心点方法及其改进方法 79
5.3.1 k-means 79
5.3.2 k中心点 80
5.3.3 核k-means 81
5.3.4 EM聚类 84
5.3.5 基于随机搜索应用于大型应用的聚类算法CLARANS 87
5.4 谱聚类 88
5.4.1 相似图 89
5.4.2 拉普拉斯矩阵 89
5.4.3 谱聚类算法 91
5.5 基于约束的聚类 92
5.5.1 含有障碍物的对象聚类 93
5.5.2 用户约束的聚类分析 93
5.5.3 半监督聚类分析 94
5.6 在线聚类 94
5.7 聚类与降维 95
本章小结 97
习题 97
参考文献 98
第6章 支持向量机 100
6.1 统计学习理论 100
6.1.1 经验风险最小化 100
6.1.2 VC维 101
6.1.3 结构风险最小化 102
6.2 支持向量机的基本原理 103
6.3 支持向量机分类器 104
6.3.1 线性支持向量机分类器 104
6.3.2 非线性可分的支持向量机分类器 107
6.3.3 一类分类 109
6.3.4 多类分类 110
6.4 核函数 113
6.4.1 核函数的定义 114
6.4.2 核函数的构造 114
6.4.3 几种常用的核函数 116
6.5 支持向量回归机 117
6.6 支持向量机的应用实例 120
6.6.1 图像分类 120
6.6.2 其他应用 124
本章小结 124
习题 125
参考文献 125
第7章 概率无向图模型 127
7.1 概率无向图模型 127
7.2 对数线性模型 129
7.2.1 逻辑斯蒂回归模型 129
7.2.2 最大熵模型 132
7.2.3 马尔可夫随机场 137
7.3 条件随机场 137
7.3.1 模型 137
7.3.2 条件随机场的关键问题 139
本章小结 143
习题 143
参考文献 143
第8章 概率有向图模型 145
8.1 概率有向图模型 145
8.2 贝叶斯网络 146
8.2.1 贝叶斯定理 147
8.2.2 有向分离 148
8.2.3 贝叶斯网络构造 150
8.2.4 贝叶斯网络学习 150
8.3 隐马尔可夫模型 162
8.3.1 隐马尔可夫模型描述 162
8.3.2 隐马尔可夫模型的三个基本问题 164
本章小结 171
习题 172
参考文献 172
第9章 矩阵与张量分解 174
9.1 等值与低秩矩阵分解 174
9.2 非负矩阵分解 176
9.3 矩阵分解与推荐系统 180
9.4 张量分解 181
9.5 非负张量分解 185
本章小结 187
习题 187
参考文献 189
第10章 多层感知机与卷积神经网络 190
10.1 感知机 190
10.2 多层感知机 193
10.2.1 误差反传算法 193
10.2.2 多层感知机的优势和局限性 197
10.2.3 误差反传算法的改进 198
10.3 卷积神经网络 203
10.3.1 卷积神经网络的生物学基础 203
10.3.2 卷积的基本操作 204
10.3.3 典型卷积神经网络 209
10.3.4 卷积神经网络的训练技巧 215
本章小结 217
习题 217
参考文献 218
第11章 序列神经网络 220
11.1 循环神经网络结构 220
11.2 循环神经网络的训练 222
11.2.1 损失函数 222
11.2.2 时间反向传播算法 222
11.2.3 梯度消失与梯度爆炸 224
11.3 双向循环神经网
|
| 內容試閱：
|
在这个日新月异的时代，机器学习已成为推动科技发展的重要力量。它不仅改变了我们的生活方式，还在各个行业中扮演着关键角色。机器学习是人工智能领域的重要分支，机器学习理论与方法对人工智能系统的技术实现起着重要的支撑作用。机器学习主要研究计算机怎样模拟或实现人类的学习行为，使计算机能够获取新的知识或技能，并不断改善自身的性能。发展人工智能已经上升为国家战略层面，机器学习相关产业的发展迅猛，相关的人才需求量显著增长，培养人才需要专业的书籍。因此，撰写一本全面介绍机器学习理论与方法的教材具有重要意义。
本书由12章组成，系统地讲解机器学习的理论与方法。第1章概述机器学习的定义、发展历史、分类以及性能度量。第2章阐述EM算法和高斯混合模型，讨论极大似然估计，推导EM算法，分析高斯混合模型，并采用EM算法估计高斯混合模型参数。第3章讨论主题模型，重点介绍概率主题模型，讨论PY过程的理论基础及其性质，给出具有Zipf定律性质的主题模型，讲解PHTM推理算法。第4章重点论述单个随机变量采样、序列随机变量采样、非参数贝叶斯模型和狄利克雷过程以及狄利克雷过程的构造方式。第5章介绍聚类分析，主要包括经典聚类算法和谱聚类等内容。第6章讨论支持向量机，分析统计学习理论，重点阐述支持向量机的基本原理、支持向量机分类器、核函数以及支持向量回归机等，并给出支持向量机的应用实例。第7章阐述概率无向图模型，主要包括逻辑斯蒂回归模型、最大熵模型和条件随机场等典型的概率无向图模型。第8章阐述概率有向图模型，先从完整数据结构学习和缺失（不完整）数据结构学习两方面介绍贝叶斯网络，然后讨论隐马尔可夫模型及其三个基本问题，并给出隐马尔可夫模型的算法。第9章讨论矩阵与张量分解，主要包括等值与低秩矩阵分解、非负矩阵分解、非负张量分解等，并给出相关的应用实例。第10章分析全连接神经网络，主要讨论多层感知机，重点介绍误差反传算法、BP算法的改进等，以及讨论部分连接神经网络，主要介绍卷积神经网络，重点包括卷积神经网络的生物学基础和结构元件、典型的卷积神经网络、卷积神经网络的训练技巧等。第11章讨论序列神经网络，重点讨论循环神经网络，主要包括循环神经网络结构、循环神经网络的训练、长短期记忆网络和门控循环单元等，以及Transformer。第12章讲解强化学习，先简要介绍强化学习模型及基本要素，然后重点讲解TD学习、MC学习、Q学习、双Q学习、SARSA学习和Actor-Critic等强化学习及深度强化学习方法。
本书内容全面，体系完整，涵盖了机器学习的基本概念、原理、算法和应用等多个方面，为读者呈现一个完整的机器学习知识体系。本书注重理论与实践相结合，不仅介绍了各种算法的原理和数学基础，还提供了大量的实验案例和代码实现，读者可以通过亲手实践，加深对算法的理解和掌握，提高解决实际问题的能力。本书注重前沿性和实用性，随着技术的不断发展，机器学习领域也在不断涌现新的研究成果和应用场景，本书注重跟踪前沿动态，及时介绍最新的研究成果和趋势。本书强调可读性和可教性，充分考虑了读者的阅读体验和教师的教学需求，同时，提供了丰富的教学资源，如课件、习题、实验指导等，方便教师进行课堂教学和实验教学。本书数字化资源丰富，学习体验升级，作为新形态教材，本书配备了大量的数字化资源，如视频教程等。这些资源不仅能够帮助读者更直观地理解复杂的概念和算法，还能够提升学习的趣味性和互动性。读者可以通过扫描教材中的二维码或访问指定网站获取这些数字化资源，实现线上线下学习的无缝衔接。
本书既可以作为国内各高等学校、科研院所本科生、研究生的教材，也可供国内外从事机器学习的研究人员和工程人员使用。希望读者通过阅读本书，学会各种机器学习方法，体验机器学习的乐趣。
感谢为本书的出版付出辛勤工作的相关人员。
由于编者水平有限，书中难免有疏漏和不足之处，敬请广大读者批评指正。
李 侃
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
