新書推薦：
《
故事力：TED演讲者助力，当代青年克服表达难题（两位TED专业讲者教你掌握故事五大力）
》
售價：NT$
381.0
《
中国民间神话故事绘（套装共15册）
》
售價：NT$
2128.0
《
无限可能的身体
》
售價：NT$
336.0
《
中国人工智能系列研究报告：大型语言模型的教育应用
》
售價：NT$
325.0
《
北洋大学与近代中国（第2辑）
》
售價：NT$
717.0
《
汗青堂丛书048·科举史（新）
》
售價：NT$
370.0
《
新形势下海事综合风险管控理论与实践
》
售價：NT$
448.0
《
数码港元：Web3.0构建香港新金融
》
售價：NT$
420.0
|
| 編輯推薦： |
|
本书从易于学生学习的角度逐步讲解了诸如决策树学习、贝叶斯学习、支持向量机、压缩感知以及深度学习等知识，不同于以往的书籍中理论过于繁琐，公式推导过于复杂的特点，本书重点强调实用性，书中加入了大量的例子来实现算法，使得读者可以在学习示例的基础上去学习算法和理论。本书的内容安排每一章为比较独立的一个整体，这些章节不仅包括传统的理论和方法，也融入了作者自己发表在*会议上的一些算法和*近比较流行的深度学习理论，使得学生们可以知道机器学习的新方向和新进展。
|
| 內容簡介： |
|
本书旨在通过对机器学习主要原理和方法的介绍，并且结合作者多年来在视觉感知方面的研究成果，对于其他书籍未涉及的一些前沿研究进行补充阐述。本书面向有一定数学基础的模式识别专业的本科生和研究生，以及有志于钻研模式识别相关领域，包括机器学习和视觉感知等方向的读者，通过对于基础理论循序渐进、深入浅出的讲解，帮助读者更快速地掌握机器学习的基本方法，在此基础上每章的内容由易到难，读者可以根据自己的掌握程度以及兴趣，选择特定的方向进行更深入的学习。
|
| 關於作者： |
张宝昌，
北京航空航天大学自动化学院副教授。北航自动化学院，主讲本科生核心专业课程模式识别与机器学习、本科生课程现代控制导论、研究生课程机器学习理论与应用、研究生学位课程图像处理系列实验等课程。主持一项本科生教改项目。
主要从事模式识别与智能系统相关理论研究与应用，先后三次访问Griffith
University，以及访问香港理工大学，香港中文大学，建立深入的合作关系。
|
| 目錄：
|
第1章机器学习的发展史1
引言1
1.1机器学习1
1.1.1基本简介1
1.1.2机器学习的定义和研究意义2
1.1.3机器学习的发展史3
1.1.4机器学习的主要策略3
1.1.5机器学习系统的基本结构4
1.1.6机器学习的分类4
1.1.7目前研究领域8
1.2统计模式识别问题9
1.2.1机器学习问题的表示9
1.2.2经验风险最小化11
1.2.3复杂性与推广能力11
1.3统计学习理论的核心内容12
1.3.1学习过程一致性的条件13
1.3.2推广性的界13
1.3.3结构风险最小化15
小结17第2章PAC模型18
引言18
2.1基本的PAC模型18
2.1.1PAC简介18
2.1.2基本概念18
2.1.3问题框架19
2.2PAC模型样本复杂度分析20
2.2.1有限空间样本复杂度20
2.2.2无限空间样本复杂度21小结22第3章决策树学习23
引言23
3.1决策树学习概述23
3.1.1决策树24
3.1.2性质25
3.1.3应用25
3.1.4学习26
3.2决策树设计26
3.2.1决策树的特点27
3.2.2决策树的生成27
小结33第4章贝叶斯学习34
引言34
4.1贝叶斯学习34
4.1.1贝叶斯公式34
4.1.2最小误差决策35
4.1.3正态密度35
4.1.4最大似然估计36
4.1.5实验结果37
4.2朴素贝叶斯原理及应用40
4.2.1贝叶斯最佳假设原理40
4.2.2Naive Bayes 分类41
4.2.3基于Naive Bayes的文本分类器41
4.3HMM（隐性马氏模型）及应用44
4.3.1马尔科夫性44
4.3.2马尔科夫链44
4.3.3转移概率矩阵44
4.3.4HMM（隐性马氏模型）及应用45
小结47第5章支持向量机49
引言49
5.1支持向量机49
5.2支持向量机的实现算法54
5.3支持向量机的实例55
5.4多类支持向量机58
小结58第6章AdaBoost59
引言59
6.1AdaBoost与目标检测59
6.1.1AdaBoost算法59
6.1.2初始化61
6.2具有强鲁棒性的实时目标检测63
6.2.1矩形特征选取63
6.2.2积分图64
6.2.3训练结果65
6.2.4级联66
6.3运用统计学的目标检测67
6.4随机森林68
6.4.1原理阐述68
6.4.2算法详解68
6.4.3算法分析68
小结69第7章压缩感知70
引言70
7.1压缩感知理论框架70
7.2压缩感知的基本理论及核心问题71
7.2.1压缩感知的数学模型71
7.2.2信号的稀疏表示71
7.2.3信号的观测矩阵72
7.2.4信号的重构算法73
7.3压缩感知的应用与仿真73
7.3.1应用73
7.3.2人脸识别74
小结76第8章子空间77
引言77
8.1基于主成分分析的特征提取77
8.2数学模型79
8.3主成分的数学上的计算80
8.3.1两个线性代数的结论80
8.3.2基于协方差矩阵的特征值分解80
8.3.3主成分分析的步骤81
8.4主成分分析的性质82
8.5基于主成分分析的人脸识别方法83
小结84第9章深度学习与神经网络85
引言85
9.1神经网络及其主要算法85
9.1.1前馈神经网络85
9.1.2感知器85
9.1.3三层前馈网络87
9.1.4反向传播算法88
9.2深度学习90
9.2.1深度学习概述90
9.2.2自编码算法AutoEncoder91
9.2.3自组织编码深度网络92
9.2.4卷积神经网络模型93
小结96第10章强化学习97
引言97
10.1强化学习概述97
10.2强化学习过程98
10.2.1马尔科夫性98
10.2.2奖励98
10.2.3估价函数99
10.2.4动态规划99
10.2.5蒙特卡洛方法100
10.2.6时序差分学习100
10.2.7QLearning102
10.2.8Q学习算法的改进103
10.3程序实现105参考文献109
|
|
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
