孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 占位居中 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台
商品
拍卖区
在售
已售
搜索历史
搜索
高级搜索

机器学习技术及应用

机器学习技术及应用
分享
扫描下方二维码分享到微信
打开微信，点击右上角”+“，
使用”扫一扫“即可将网页分享到朋友圈。
作者:
出版社: 电子工业出版社
2023-02
版次: 1
ISBN: 9787121449154
定价: 68.00
装帧: 其他
页数: 252页
分类: 计算机与互联网
3人买过
  • 机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\\pycharm\\python软件的安装及使用，以及常见机器学习库的介绍和安装使用方法；第3章介绍了监督学习的4个经典算法：线性回归、决策树、k近邻和支持向量机算法，其重点在算法的应用；第4章介绍了主成分分析降维算法、Kmeans聚类算法；第5章介绍人工神经网络基础，并通过房价预测和手写数字识别实例进行验证；第6章介绍强化学习的基本概念，有模型学习和无模型学习，最后介绍了Q-Learning算法和Sarsa算法。本书由人工智能技术专业教师和英特尔FPGA中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，涵盖大部分机器学习算法，教师和学生可以根据应用需求，选择对应的知识点和算法。本书所有程序均已经在英特尔FPGA中国创新中心AILab实训平台上验证实现。本书可作为高职高专院校电子信息类相关专业教材，也可作为科技人员的参考用书。 徐宏英，女，工学硕士，重庆电子工程职业学院骨干教师，参研国家自然科学基金一项，参研省级重点科技攻关项目一项，主持省级教改课题一项，参研省部级项目8项，第一主编出版教材1部，发表论文10余篇，申请专利8项，指导学生参加全国大学生电子设计大赛获全国二等奖1项，指导学生参加职业技能竞赛获全国二等奖1项，省部级电子设计大赛、职业技能大赛10余项。 第1章  机器学习介绍001

    1.1  机器学习简介002

    1.1.1  机器学习的基本概念003

    1.1.2  机器学习的发展历史005

    1.2  机器学习的分类及典型算法010

    1.2.1  机器学习的分类010

    1.2.2  监督学习011

    1.2.3  非监督学习014

    1.2.4  半监督学习015

    1.2.5  强化学习018

    本章小结019

    习题020

    第2章  基于Python语言的机器学习环境搭建与配置023

    2.1  机器学习相关软件介绍024

    2.1.1  机器学习开发语言024

    2.1.2  机器学习开发工具028

    2.2  机器学习开发环境搭建036

    2.2.1  Python的安装及使用036

    2.2.2  Anaconda的安装及使用041

    2.2.3  PyCharm的安装及使用052

    2.3  常见机器学习库函数功能介绍059

    2.3.1  基础科学计算库（NumPy）059

    2.3.2  科学计算工具集（Scipy）068

    2.3.3  数据分析库（Pandas）074

    2.3.4  图形绘制库（Matplotlib）079

    2.3.5  机器学习常用算法库（Scikit-learn）080

    本章小结083

    习题084

    第3章  监督学习087

    3.1  线性回归算法088

    3.1.1  常用损失函数089

    3.1.2  最小二乘法091

    3.1.3  梯度下降法092

    3.1.4  线性回归算法实例094

    3.2  决策树算法098

    3.2.1  分类准则099

    3.2.2  ID3算法102

    3.2.3  C4.5算法108

    3.2.4  CART算法111

    3.2.5  决策树算法实例113

    3.3  k近邻算法116

    3.3.1  k值的选取及特征归一化117

    3.3.2  kd树120

    3.3.3  k近邻算法实例128

    3.4  支持向量机算法133

    3.4.1  线性可分性133

    3.4.2  对偶问题136

    3.4.3  核函数139

    3.4.4  软间隔142

    3.4.5  支持向量机算法实例144

    本章小结146

    习题146

    第4章  非监督学习149

    4.1  非监督学习概述150

    4.1.1  非监督学习的基本概念150

    4.1.2  非监督学习的分类151

    4.1.3  非监督学习的特点152

    4.1.4  非监督学习的应用153

    4.2  主成分分析降维算法154

    4.2.1　数据降维介绍154

    4.2.2  PCA算法介绍155

    4.2.3  PCA算法求解步骤159

    4.2.4  PCA算法实例161

    4.3  K-means聚类算法163

    4.3.1  聚类算法简介163

    4.3.2  K-means算法介绍164

    4.3.3  K-means算法求解步骤165

    4.3.4  K-means算法实例170

    本章小结172

    习题173

    第5章  人工神经网络175

    5.1  人工神经网络概述176

    5.1.1  人工神经网络的发展历程176

    5.1.2  人工神经网络基础180

    5.1.3  人工神经网络模型188

    5.1.4  人工神经网络的应用191

    5.2  房价预测实例193

    5.2.1  房价预测模型构建193

    5.2.2  房价预测网络构建198

    5.3  手写数字识别实例199

    5.3.1  手写数字识别简介199

    5.3.2  手写数字识别网络构建201

    本章小结203

    习题203

    第6章  强化学习205

    6.1  强化学习概述206

    6.1.1  强化学习的基本概念206

    6.1.2  强化学习的发展历史208

    6.1.3  强化学习的分类210

    6.1.4  强化学习的特点及应用211

    6.2  强化学习基础212

    6.2.1  马尔可夫决策过程212

    6.2.2  贪心算法213

    6.3  有模型学习和无模型学习214

    6.3.1  有模型学习214

    6.3.2  无模型学习216

    6.4  强化学习实例216

    6.4.1  Q-Learning算法216

    6.4.2  Sarsa算法232

    本章小结242

    习题243
  • 内容简介:
    机器学习是人工智能的一个方向。它是一门多领域交叉学科，涉及概率论、统计学、矩阵论、神经网络、计算机等多门学科。其目标是使用计算机模拟或实现人类学习活动，从现有大量的数据中学习，利用经验不断改善系统性能。机器学习步骤一般分为获取数据、数据预处理、建立模型、模型评估和预测。本书共6章。第1章节主要介绍机器学习的基本概念及其发展史、机器学习分类、常见机器学习算法及其特点；第2章搭建机器学习开发环境，主要包括anaconda\\pycharm\\python软件的安装及使用，以及常见机器学习库的介绍和安装使用方法；第3章介绍了监督学习的4个经典算法：线性回归、决策树、k近邻和支持向量机算法，其重点在算法的应用；第4章介绍了主成分分析降维算法、Kmeans聚类算法；第5章介绍人工神经网络基础，并通过房价预测和手写数字识别实例进行验证；第6章介绍强化学习的基本概念，有模型学习和无模型学习，最后介绍了Q-Learning算法和Sarsa算法。本书由人工智能技术专业教师和英特尔FPGA中国创新中心的工程师们合力编写，讲解了大量的具体程序案例，涵盖大部分机器学习算法，教师和学生可以根据应用需求，选择对应的知识点和算法。本书所有程序均已经在英特尔FPGA中国创新中心AILab实训平台上验证实现。本书可作为高职高专院校电子信息类相关专业教材，也可作为科技人员的参考用书。
  • 作者简介:
    徐宏英，女，工学硕士，重庆电子工程职业学院骨干教师，参研国家自然科学基金一项，参研省级重点科技攻关项目一项，主持省级教改课题一项，参研省部级项目8项，第一主编出版教材1部，发表论文10余篇，申请专利8项，指导学生参加全国大学生电子设计大赛获全国二等奖1项，指导学生参加职业技能竞赛获全国二等奖1项，省部级电子设计大赛、职业技能大赛10余项。
  • 目录:
    第1章  机器学习介绍001

    1.1  机器学习简介002

    1.1.1  机器学习的基本概念003

    1.1.2  机器学习的发展历史005

    1.2  机器学习的分类及典型算法010

    1.2.1  机器学习的分类010

    1.2.2  监督学习011

    1.2.3  非监督学习014

    1.2.4  半监督学习015

    1.2.5  强化学习018

    本章小结019

    习题020

    第2章  基于Python语言的机器学习环境搭建与配置023

    2.1  机器学习相关软件介绍024

    2.1.1  机器学习开发语言024

    2.1.2  机器学习开发工具028

    2.2  机器学习开发环境搭建036

    2.2.1  Python的安装及使用036

    2.2.2  Anaconda的安装及使用041

    2.2.3  PyCharm的安装及使用052

    2.3  常见机器学习库函数功能介绍059

    2.3.1  基础科学计算库（NumPy）059

    2.3.2  科学计算工具集（Scipy）068

    2.3.3  数据分析库（Pandas）074

    2.3.4  图形绘制库（Matplotlib）079

    2.3.5  机器学习常用算法库（Scikit-learn）080

    本章小结083

    习题084

    第3章  监督学习087

    3.1  线性回归算法088

    3.1.1  常用损失函数089

    3.1.2  最小二乘法091

    3.1.3  梯度下降法092

    3.1.4  线性回归算法实例094

    3.2  决策树算法098

    3.2.1  分类准则099

    3.2.2  ID3算法102

    3.2.3  C4.5算法108

    3.2.4  CART算法111

    3.2.5  决策树算法实例113

    3.3  k近邻算法116

    3.3.1  k值的选取及特征归一化117

    3.3.2  kd树120

    3.3.3  k近邻算法实例128

    3.4  支持向量机算法133

    3.4.1  线性可分性133

    3.4.2  对偶问题136

    3.4.3  核函数139

    3.4.4  软间隔142

    3.4.5  支持向量机算法实例144

    本章小结146

    习题146

    第4章  非监督学习149

    4.1  非监督学习概述150

    4.1.1  非监督学习的基本概念150

    4.1.2  非监督学习的分类151

    4.1.3  非监督学习的特点152

    4.1.4  非监督学习的应用153

    4.2  主成分分析降维算法154

    4.2.1　数据降维介绍154

    4.2.2  PCA算法介绍155

    4.2.3  PCA算法求解步骤159

    4.2.4  PCA算法实例161

    4.3  K-means聚类算法163

    4.3.1  聚类算法简介163

    4.3.2  K-means算法介绍164

    4.3.3  K-means算法求解步骤165

    4.3.4  K-means算法实例170

    本章小结172

    习题173

    第5章  人工神经网络175

    5.1  人工神经网络概述176

    5.1.1  人工神经网络的发展历程176

    5.1.2  人工神经网络基础180

    5.1.3  人工神经网络模型188

    5.1.4  人工神经网络的应用191

    5.2  房价预测实例193

    5.2.1  房价预测模型构建193

    5.2.2  房价预测网络构建198

    5.3  手写数字识别实例199

    5.3.1  手写数字识别简介199

    5.3.2  手写数字识别网络构建201

    本章小结203

    习题203

    第6章  强化学习205

    6.1  强化学习概述206

    6.1.1  强化学习的基本概念206

    6.1.2  强化学习的发展历史208

    6.1.3  强化学习的分类210

    6.1.4  强化学习的特点及应用211

    6.2  强化学习基础212

    6.2.1  马尔可夫决策过程212

    6.2.2  贪心算法213

    6.3  有模型学习和无模型学习214

    6.3.1  有模型学习214

    6.3.2  无模型学习216

    6.4  强化学习实例216

    6.4.1  Q-Learning算法216

    6.4.2  Sarsa算法232

    本章小结242

    习题243
查看详情
相关分类
计算机理论 编程与开发 操作系统 大数据与云计算 图形图像/多媒体 网站设计与网页开发 网络与通讯 硬件、嵌入式开发 办公软件 信息安全 辅助设计与工程计算 软件工程/开发项目管理
12
相关图书 / 更多
机器学习技术及应用
机器学习与智能感知
张宝昌
￥22.91 起
机器学习技术及应用
机器岛
（法）儒勒·凡尔纳著 许崇山 钟燕萍译
￥29.69 起
机器学习技术及应用
机器学习及深度学习算法在医学图像中的应用
朱付保 著
￥40.70 起
机器学习技术及应用
机器学习实战（视频教学版）
迟殿委 王培进 王兴平
￥34.40 起
机器学习技术及应用
机器人末端执行器、作业工装及输送设备设计(应用型本科规划教材.机器人技术及应用)
荆学东 编著
￥30.20 起
机器学习技术及应用
机器学习及其应用2023
黄圣君、张利军、钱超
￥59.40 起
机器学习技术及应用
机器学习及其硬件实现 [日]高野茂之
（日）高野茂之
￥46.08 起
机器学习技术及应用
机器视觉与传感器技术
邢博闻，许竞翔，管练武
￥18.31 起
机器学习技术及应用
机器学习系统设计
（越南）奇普 胡岩（Chip Huyen）
￥51.20 起
机器学习技术及应用
机器人系统输出反馈控制
雷靖、宋家庆
￥15.64 起
机器学习技术及应用
机器学习与数据挖掘
王璐烽 唐腾健
￥23.18 起
机器学习技术及应用
机器学习在边坡稳定性评价中的应用（英文版）
Wengang Zhang//Hanlong Liu//Lin Wang//Xing Zhu//Yanmei Zhang 编者
￥98.80 起
您可能感兴趣 / 更多
机器学习技术及应用
单片机基础及应用项目式教程
徐宏英
￥1.56 起
机器学习技术及应用
厌氧颗粒污泥的吸附特性及工程应用
徐宏英 著
￥160.00 起
© 2002-2024 Kongfz.com 孔夫子旧书网 版权所有
关于孔网 联系我们 帮助中心 版权隐私 广告业务 工作机会 移动版 图书目录 图书标签 热搜书籍 作家大全