书城首页 › 当代 › 工业 › 机器学习基础
当代·工业

机器学习基础

正版保障多仓发货48小时内发货2-3天送达可开发票
¥44.09 定价 ¥68.00 6.5折 立省 ¥23.91
现货库存 30 件 全新
商品参数
书名
机器学习基础
作者
刘胜蓝,王飞龙,闫刚 编著
出版社
电子工业出版社
出版时间
2025-10-01
ISBN
9787121514852
货号
1203979420
品相
全新
分类
当代·工业
购物车(0)
商品参数
书名
机器学习基础
作者
刘胜蓝,王飞龙,闫刚 编著
出版社
电子工业出版社
出版时间
2025-10-01
ISBN
9787121514852
货号
1203979420
品相
全新
分类
当代·工业
作者简介▼

刘胜蓝,男,博士,辽宁省优秀博士论文获得者,大连理工大学副教授,主要从事以人为中心的感知计算、机器学习以及数据可视化等领域的研究。目前,已发表论文50余篇,其中,在AAAI等顶级会议以及IEEE汇刊、数据领域顶级期刊Scientific Data等高水平期刊(IEEE Trans. On NNLS等)以第一作者及通讯作者发表论文20余篇;主持国家自然科学基金1项,CCF-百度松果基金1项,东软集团软件架构国家重点实验室开放课题1项,博士后面上资助1项,以及多项企业合作横向课题。

目录▼

第1章 数据与机器学习 1

1.1 数据 1

1.1.1 数据的来源 1

1.1.2 数据的类型 3

1.2 机器学习的任务 4

1.3 机器学习的场景 4

1.4 数据预处理 5

1.4.1 归一化 6

1.4.2 标准化 8

1.4.3 缺失值填充 8

1.5 机器学习模型的评价指标 9

1.6 本书的主要内容框架 10

1.7 参考文献 10

1.8 习题 11

第2章 数据可视化 12

2.1 基本类型 13

2.1.1 饼状图 13

2.1.2 柱状图 14

2.1.3 南丁格尔玫瑰图 16

2.1.4 折线图 17

2.1.5 雷达图 18

2.1.6 平行坐标图 20

2.1.7 桑基图 22

2.1.8 弦图 23

2.1.9 散点图 25

2.2 基本构成元素和设计思路 26

2.3 参考文献 27

2.4 习题 28

第3章 图像特征提取 29

3.1 灰度图像 30

3.1.1 图像的数字表示 30

3.1.2 灰度图像的数字表示 31

3.2 LBP 33

3.3 颜色特征提取 36

3.3.1 RGB颜色模型 37

3.3.2 HSV颜色模型 37

3.4 HSV特征提取 39

3.5 拓展知识点 42

3.6 参考文献 43

3.7 习题 44

第4章 数据分类――KNN分类 45

4.1 分类 45

4.2 KNN分类 46

4.3 分类结果的评价指标 50

4.4 拓展知识点 51

4.5 参考文献 53

4.6 习题 53

第5章 K-means聚类 54

5.1 聚类问题的阐述 54

5.2 K-means算法的基本原理 55

5.2.1 数据样本之间的相似性度量 55

5.2.2 K-means算法的基本步骤 58

5.2.3 K-means算法的特点 63

5.3 聚类结果的评价指标 65

5.3.1 聚类算法常见的内部评价指标 66

5.3.2 聚类算法常见的外部评价指标 68

5.4 拓展知识点:K-means算法的应用 69

5.5 参考文献 69

5.6 习题 70

第6章 综合应用案例――人机交互的数据可视化 71

6.1 聚类与人机交互的数据可视化 71

6.2 K-means聚类的交互数据可视化设计要点 75

6.3 参考文献 75

6.4 习题 75

第7章 线性回归与正则化 76

7.1 线性回归的问题定义 76

7.2 线性回归的求解 78

7.2.1 损失函数 78

7.2.2 线性回归的解 80

7.3 正则化线性回归 83

7.3.1 正则化的作用 83

7.3.2 L2正则化――岭回归 84

7.3.3 L1正则化――Lasso回归 84

7.4 R2度量――衡量回归拟合效果的重要指标 85

7.4.1 R2度量的引出 85

7.4.2 线性回归中的R2度量 86

7.5 参考文献 87

7.6 习题 88

第8章 逻辑回归 89

8.1 逻辑回归模型 89

8.2 多分类的Softmax回归模型 96

8.3 参考文献 97

8.4 习题 98

第9章 线性降维――主成分分析 99

9.1 特征选择与特征提取 99

9.2 度量视角的PCA 101

9.3 信息视角的PCA 104

9.4 概率统计视角的PCA 104

9.5 参考文献 108

9.6 习题 109

第10章 非线性降维及其应用 110

10.1 局部线性嵌入 111

10.2 拉普拉斯特征映射 118

10.3 LE的相关应用 120

10.4 降维方法的思维拓展 120

10.5 参考文献 121

10.6 习题 121

第11章 核函数及其应用 122

11.1 线性可分与高维映射 122

11.2 核函数 124

11.3 核回归 126

11.4 核PCA 129

11.5 拓展知识点 132

11.6 参考文献 133

11.7 习题 133

第12章 神经网络基础 134

12.1 神经元模型 134

12.1.1 神经元 134

12.1.2 Rosenblatt感知机 139

12.1.3 异或问题 140

12.2 神经网络 143

12.2.1 递归神经网络 144

12.2.2 前馈神经网络 144

12.3 参考文献 153

12.4 习题 153

第13章 反向传播神经网络 155

13.1 梯度下降法 156

13.2 随机梯度下降法 159

13.3 反向传播 160

13.4 梯度消失 166

13.5 参考文献 167

13.6 习题 168

第14章 深度神经网络 169

14.1 “深度”的意义 169

14.2 卷积神经网络的基本操作 170

14.2.1 卷积 171

14.2.2 池化 172

14.2.3 激活 172

14.3 经典卷积神经网络 173

14.3.1 AlexNet 174

14.3.2 VGG 176

14.3.3 GoogLeNet 177

14.3.4 ResNet 177

14.3.5 SENet 178

14.4 参考文献 179

14.5 习题 179

文摘▼

本书以机器学习的基本方法为主要内容,引入计算机视觉的一些基本概念和方法,形成以“数据—模型—任务”为主线的讲解思路.本书将人们日常生活中比较容易理解的一些案例作为机器学习方法的引入,循序渐进地开展模型的介绍,大部分章节都配有相关案例的代码供读者实践,使读者能够形成理论、案例与实践相结合的多角度理解。本书内容适合没有机器学习基础的大一至大二本科生学习。前7章大部分内容适合有一定线性代数、 数学分析和Python编程基础的学生学习,后7章内容适合有概率论与数理统计基础的学生学习。

¥44.09
🛒购物车