机器学习应用案例与设计
内容涉及机器学习的算法非常全面,除了经典的算法之外,还有**的机器学习大模型等应用与案例介绍

作者:罗光圣、方志军

丛书名:应用型高校产教融合系列教材·大电类专业系列

定价:65元

印次:1-1

ISBN:9787302672937

出版日期:2024.09.01

印刷日期:2024.09.14

图书责编:王欣

图书分类:教材

电子书
在线购买
分享
内容简介
作者简介
前言序言
资源下载
查看详情 查看详情 查看详情

机器学习是人工智能的重要技术基础,涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识,主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识,也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外,还介绍了机器学习的热门应用领域技术,并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富,每章后都有习题和参考文献,便于巩固学习,适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材,也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。

罗光圣,男,1982年 7月2日出生,博士、博士后,国家科技部2030重大专项课题组核心成员、国家自然科学基金核心成员,银行等金融核心系统开发工程师、医疗应用系统资深架构师、国内人工智能知名企业首席技术官。开展计算机应用研发工作15多年,长期从事计算机应用与方法的研究工作,在国内外发表高质量科研论文多篇,主持或参与国家和省部级项目多项,企业横向项目若干项,目前受理发明专利10项,已获授权发明专利2项,其中软件著作权十几项。

前言 机器学习(machine learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,主要使用归纳、综合而不是演绎,是使计算机具有智能的根本途径,已经遍及人工智能的各个领域。目前机器学习已经有了十分广泛的应用,如数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等。 本书是“应用型高校产教融合系列教材·大电类专业系列”的其中一本。根据应用型高校培养应用技术型人才的需要,本书注重循序渐进、理论联系实际的原则,内容以适量、实用为度,重视理论知识的运用,着重培养学生应用理论知识分析和解决人工智能实际问题的能力。作为教材,本书力求叙述简练,概念清晰,通俗易懂,便于自学。对于机器学习的算法分析,做到步骤清楚,结果正确,在例题的选择上更接近实际应用并具有典型性,是一本体系创新、深浅适度、重在应用、着重能力培养的应用型本科教材。 本书共11章,主要内容有: 机器学习绪论; 数据降维与特征工程; 决策树与分类算法; 聚类分析; 文本分析; 神经网络; 贝叶斯网络; 支持向量机; 联邦机器学习; 深度学习基础; 高级深度学习。 本书可作为高等学校计算机类相关专业和人工智能专业的本科生教材,也可作为研究生、成人教育及自学考试用教材,或作为人工智能工程技术人员的参考用书。 本...

暂无课件

样章下载

暂无网络资源

扫描二维码
下载APP了解更多

目录
荐语
查看详情 查看详情
目录

第1章机器学习绪论

1.1机器学习简介 / 

1.1.1机器学习简史 / 

1.1.2机器学习主要流派 / 

1.2人工智能与机器学习的关系 / 

1.2.1什么是人工智能 / 

1.2.2机器学习、人工智能的关系 / 

1.3典型机器学习应用领域 / 

1.4机器学习算法 / 

1.4.1线性回归 / 

1.4.2逻辑回归 / 

1.4.3决策树 / 

1.4.4支持向量机 / 

1.4.5线性支持向量机 / 

1.4.6非线性支持向量机 / 

1.4.7随机森林 / 

1.4.8k-均值算法 / 

1.4.9PCA算法 / 

1.4.10关联规则学习算法 / 

1.5机器学习的一般流程 / 

习题 / 

第2章数据降维与特征工程

2.1数据降维的基本概念 / 

2.1.1数据降维的目的 / 

2.1.2数据降维的一般原理 / 

2.1.3数据降维的本质 / 

2.1.4特征工程的基本概念 / 

2.1.5特征工程的目标 / 

2.1.6特征工程的本质 / 

2.1.7特征工程的特征选取方法 / 

2.1.8特征工程的基本原理 / 

2.2高维数据降维 / 

2.2.1主成分分析 / 

2.2.2奇异值分解 / 

2.2.3线性判别分析 / 

2.2.4局部线性嵌入 / 

2.2.5拉普拉斯特征映射 / 

2.3特征工程分析 / 

2.3.1特征构造 / 

2.3.2特征选择 / 

2.3.3特征提取 / 

2.4模型训练 / 

2.4.1模型训练常见术语 / 

2.4.2训...

机器学习是人工智能的重要技术基础,涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识,主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识,也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外,还介绍了机器学习的热门应用领域技术,并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富,每章后都有习题和参考文献,便于巩固学习,适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材,也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。