未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏商品

拍卖

拍卖交易我的竞拍收藏拍品

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 08:00-21:00

纠纷处理

09:00-12:30

13:30-18:00

图书审核 09:00-18:00

监督与建议

请选择

手机孔网

机器学及应用大中专高职科技综合

作者: 毋建军姜波郭舒

出版社: 机械工业出版社

出版时间: 2025-01

版次: 1

ISBN: 9787111770800

定价: 89.90

装帧: 其他

开本: 其他

页数: 360页

字数: 656千字

分类: 综合性图书

机器学及应用从机器学和应用出发，结合案例介绍了机器学的基础技术和典型模型算法，包括机器学的基础、特征选择与降维、典型学算法、深度学与神经网络、集成学与迁移学、强化学、计算机视觉与语音识别等技术；详细介绍了机器学典型模型算法及神经网络学、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。
每个案例配有源码，每章配有题，帮助读者进行深入学。
机器学及应用既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学从业者的技术参书。
毋建军，北京政法职业学院副教授、教研室主任；参与国家科技支撑计划项目、中国科学院战略性先导科技专项项目课题“社会态势感知与处理”、国家信息安全计划、863项目；主持4项院级科研项目，司法部精品课程等项目2项，市级科研项目3项，取得发明专利3项、软件著作权2项；主要承担移动应用开发技术、移动物联网应用开发、Android高级开发技术、JavaWeb框架开发、Java核心技术、大数据技术、Python程序设计等课程。
姜波，博士，中国科学院信息工程研究所副研究员、硕士生导师，中国科学院大学岗位教师，主持国家重点研发计划、国家自然科学基金、中国科学院战略性先导科技专项等多项国家级科研项目，在AAAI、WWW、SIGIR等国内外会议上发表论文40余篇，授权发明专利20余项，主编《Python数据分析、挖掘与可视化》等教材。
郭舒，博士，国家互联网应急中心高级工程师，主持国家自然科学基金等项目，在ACL、AAAI、SIGIR等国内外顶级会议上发表论文20余篇，受理发明专利10余项。

目    录
前言

第1章  机器学习基础1
1.1  机器学习简介1
1.2  机器学习任务4
1.2.1  机器学习问题4
1.2.2  机器学习典型任务5
1.2.3  机器学习应用场景7
1.3  搭建机器学习开发环境7
1.3.1  开发环境系统要求7
1.3.2  Windows10系统平台下搭建开发
环境7
1.3.3  Linux系统平台下搭建开发环境16
1.4  机器学习常用库概述21
1.4.1  库简介21
1.4.2  库安装及集成22
1.5  机器学习框架概述24
1.6  机器学习开源平台25
1.7  小结29
习题29
参考文献29
第2章  特征选择与降维30
2.1  特征选择简介30
2.2  特征选择方法32
2.2.1  过滤式方法32
2.2.2  包裹式方法37
2.2.3  嵌入式方法41
2.3  降维技术46
2.4  主成分分析56
2.5  综合案例：基于feature_selector
库的商业信贷特征选择60
2.6  小结64
习题65
参考文献65
第3章  典型学习算法66
3.1  回归算法66
3.1.1  回归简介66
3.1.2  回归技术67
3.1.3  常用回归算法68
3.1.4  回归评价标准74
3.1.5  案例：房屋价格回归分析75
3.2  聚类算法77
3.2.1  聚类简介77
3.2.2  聚类技术78
3.2.3  常用聚类算法78
3.2.4  聚类评价标准82
3.2.5  案例：用户社区聚类分析83
3.3  分类算法85
3.3.1  分类简介86
3.3.2  分类技术86
3.3.3  常用分类算法86
3.3.4  分类评价标准90
3.3.5  案例：新闻分类92
3.4  支持向量机95
3.4.1  支持向量机简介95
3.4.2  间隔96
3.4.3  核函数与方法99
3.4.4  案例：垃圾邮件过滤100
3.5  决策树102
3.5.1  决策树简介102
3.5.2  构造及基本流程103
3.5.3  剪枝方法105
3.5.4  案例：鸢尾花预测应用106
3.6  综合案例：基于随机森林回归的
空气质量预测107
3.7  小结111
习题111
参考文献111
第4章  深度学习与神经网络113
4.1  深度学习113
4.1.1  深度学习简介113
4.1.2  深度学习框架115
4.2  神经网络116
4.2.1  神经网络简介116
4.2.2  前馈神经网络119
4.2.3  图神经网络121
4.2.4  图卷积神经网络123
4.3  深度神经网络126
4.3.1  深度神经网络简介126
4.3.2  深度神经网络模型128
4.3.3  案例：手写数字识别129
4.4  卷积神经网络133
4.4.1  卷积神经网络简介133
4.4.2  典型卷积神经网络算法135
4.4.3  案例：猫狗分类应用143
4.5  循环神经网络147
4.5.1  循环神经网络简介147
4.5.2  典型循环神经网络算法149
4.5.3  案例：文本分类151
4.6  长短期记忆网络155
4.6.1  长短期记忆网络简介155
4.6.2  典型长短期记忆网络算法156
4.6.3  案例：文本生成应用158
4.7  综合案例162
4.7.1  验证码识别162
4.7.2  自动写诗机器人170
4.8  小结174
习题175
参考文献175
第5章  集成学习与迁移学习178
5.1  集成学习178
5.1.1  集成学习简介178
5.1.2  集成学习算法179
5.1.3  集成学习应用181
5.2  迁移学习182
5.2.1  迁移学习简介182
5.2.2  迁移学习分类183
5.2.3  迁移学习算法184
5.2.4  迁移学习应用187
5.3  综合案例：欺诈检测应用188
5.4  小结191
习题192
参考文献192
第6章  强化学习194
6.1  强化学习简介194
6.2  强化学习技术196
6.2.1  有模型强化学习与无模型强化
学习196
6.2.2  推荐系统197
6.2.3  模仿学习200
6.2.4  Q-learning算法201
6.2.5  蒙特卡罗强化学习202
6.2.6  时序差分强化学习202
6.3  综合案例：飞扬小鸟游戏203
6.4  小结206
习题207
参考文献207
第7章  计算机视觉技术209
7.1  计算机视觉简介209
7.2  计算机视觉基础211
7.2.1  图像表示211
7.2.2  图像读取、存储212
7.2.3  视频捕获及流保存218
7.2.4  图像计算220
7.2.5  图像二值化及平滑221
7.2.6  图像变换及形态学操作229
7.2.7  图像轮廓检测237
7.3  计算机视觉开发平台242
7.3.1  ARM嵌入式人工智能开发平台242
7.3.2  嵌入式GPU人工智能开发平台242
7.3.3  计算机视觉综合开发平台243
7.4  典型算法244
7.4.1  LeNet算法244
7.4.2  MobileNets算法249
7.4.3  目标检测算法258
7.5  综合案例：基于深度神经网络的
人脸表情识别264
7.6  小结271
习题272
参考文献272
第8章  语音识别274
8.1  语音识别技术简介274
8.2  常用工具及平台276
8.2.1  语音识别工具276
8.2.2  语音识别平台279
8.3  语音数据特征处理283
8.4  典型算法286
8.5  在线语音识别292
8.5.1  音频流识别293
8.5.2  文本转语音294
8.5.3  视频字幕文本生成295
8.6  综合案例：基于端到端的中文
语音识别302
8.7  小结306
习题306
参考文献306
第9章  AI云开发平台308
9.1  AI云开发简介308
9.2  云开发平台311
9.2.1  百度云开发平台312
9.2.2  阿里云开发平台320
9.2.3  Face++云开发平台324
9.2.4  科大讯飞云平台329
9.3  综合案例333
9.3.1  基于EasyDL的多物体识别333
9.3.2  基于PaddlePaddle的CNN图像
识别340
9.4  小结350
习题350
参考文献351

内容摘要
《机器学习原理及应用》从机器学习原理和应用出发，结合案例介绍了机器学习的基础技术和典型模型算法，包括机器学习的基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉与语音识别等技术；详细介绍了机器学习典型模型算法及神经网络学习、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。
每个案例配有源码，每章配有习题，帮助读者进行深入学习。
《机器学习原理及应用》既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学习从业者的技术参考书。
内容简介:

机器学及应用从机器学和应用出发，结合案例介绍了机器学的基础技术和典型模型算法，包括机器学的基础、特征选择与降维、典型学算法、深度学与神经网络、集成学与迁移学、强化学、计算机视觉与语音识别等技术；详细介绍了机器学典型模型算法及神经网络学、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。
每个案例配有源码，每章配有题，帮助读者进行深入学。
机器学及应用既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学从业者的技术参书。
作者简介:

毋建军，北京政法职业学院副教授、教研室主任；参与国家科技支撑计划项目、中国科学院战略性先导科技专项项目课题“社会态势感知与处理”、国家信息安全计划、863项目；主持4项院级科研项目，司法部精品课程等项目2项，市级科研项目3项，取得发明专利3项、软件著作权2项；主要承担移动应用开发技术、移动物联网应用开发、Android高级开发技术、JavaWeb框架开发、Java核心技术、大数据技术、Python程序设计等课程。
姜波，博士，中国科学院信息工程研究所副研究员、硕士生导师，中国科学院大学岗位教师，主持国家重点研发计划、国家自然科学基金、中国科学院战略性先导科技专项等多项国家级科研项目，在AAAI、WWW、SIGIR等国内外会议上发表论文40余篇，授权发明专利20余项，主编《Python数据分析、挖掘与可视化》等教材。
郭舒，博士，国家互联网应急中心高级工程师，主持国家自然科学基金等项目，在ACL、AAAI、SIGIR等国内外顶级会议上发表论文20余篇，受理发明专利10余项。
目录:

目    录
前言

第1章  机器学习基础1
1.1  机器学习简介1
1.2  机器学习任务4
1.2.1  机器学习问题4
1.2.2  机器学习典型任务5
1.2.3  机器学习应用场景7
1.3  搭建机器学习开发环境7
1.3.1  开发环境系统要求7
1.3.2  Windows10系统平台下搭建开发
环境7
1.3.3  Linux系统平台下搭建开发环境16
1.4  机器学习常用库概述21
1.4.1  库简介21
1.4.2  库安装及集成22
1.5  机器学习框架概述24
1.6  机器学习开源平台25
1.7  小结29
习题29
参考文献29
第2章  特征选择与降维30
2.1  特征选择简介30
2.2  特征选择方法32
2.2.1  过滤式方法32
2.2.2  包裹式方法37
2.2.3  嵌入式方法41
2.3  降维技术46
2.4  主成分分析56
2.5  综合案例：基于feature_selector
库的商业信贷特征选择60
2.6  小结64
习题65
参考文献65
第3章  典型学习算法66
3.1  回归算法66
3.1.1  回归简介66
3.1.2  回归技术67
3.1.3  常用回归算法68
3.1.4  回归评价标准74
3.1.5  案例：房屋价格回归分析75
3.2  聚类算法77
3.2.1  聚类简介77
3.2.2  聚类技术78
3.2.3  常用聚类算法78
3.2.4  聚类评价标准82
3.2.5  案例：用户社区聚类分析83
3.3  分类算法85
3.3.1  分类简介86
3.3.2  分类技术86
3.3.3  常用分类算法86
3.3.4  分类评价标准90
3.3.5  案例：新闻分类92
3.4  支持向量机95
3.4.1  支持向量机简介95
3.4.2  间隔96
3.4.3  核函数与方法99
3.4.4  案例：垃圾邮件过滤100
3.5  决策树102
3.5.1  决策树简介102
3.5.2  构造及基本流程103
3.5.3  剪枝方法105
3.5.4  案例：鸢尾花预测应用106
3.6  综合案例：基于随机森林回归的
空气质量预测107
3.7  小结111
习题111
参考文献111
第4章  深度学习与神经网络113
4.1  深度学习113
4.1.1  深度学习简介113
4.1.2  深度学习框架115
4.2  神经网络116
4.2.1  神经网络简介116
4.2.2  前馈神经网络119
4.2.3  图神经网络121
4.2.4  图卷积神经网络123
4.3  深度神经网络126
4.3.1  深度神经网络简介126
4.3.2  深度神经网络模型128
4.3.3  案例：手写数字识别129
4.4  卷积神经网络133
4.4.1  卷积神经网络简介133
4.4.2  典型卷积神经网络算法135
4.4.3  案例：猫狗分类应用143
4.5  循环神经网络147
4.5.1  循环神经网络简介147
4.5.2  典型循环神经网络算法149
4.5.3  案例：文本分类151
4.6  长短期记忆网络155
4.6.1  长短期记忆网络简介155
4.6.2  典型长短期记忆网络算法156
4.6.3  案例：文本生成应用158
4.7  综合案例162
4.7.1  验证码识别162
4.7.2  自动写诗机器人170
4.8  小结174
习题175
参考文献175
第5章  集成学习与迁移学习178
5.1  集成学习178
5.1.1  集成学习简介178
5.1.2  集成学习算法179
5.1.3  集成学习应用181
5.2  迁移学习182
5.2.1  迁移学习简介182
5.2.2  迁移学习分类183
5.2.3  迁移学习算法184
5.2.4  迁移学习应用187
5.3  综合案例：欺诈检测应用188
5.4  小结191
习题192
参考文献192
第6章  强化学习194
6.1  强化学习简介194
6.2  强化学习技术196
6.2.1  有模型强化学习与无模型强化
学习196
6.2.2  推荐系统197
6.2.3  模仿学习200
6.2.4  Q-learning算法201
6.2.5  蒙特卡罗强化学习202
6.2.6  时序差分强化学习202
6.3  综合案例：飞扬小鸟游戏203
6.4  小结206
习题207
参考文献207
第7章  计算机视觉技术209
7.1  计算机视觉简介209
7.2  计算机视觉基础211
7.2.1  图像表示211
7.2.2  图像读取、存储212
7.2.3  视频捕获及流保存218
7.2.4  图像计算220
7.2.5  图像二值化及平滑221
7.2.6  图像变换及形态学操作229
7.2.7  图像轮廓检测237
7.3  计算机视觉开发平台242
7.3.1  ARM嵌入式人工智能开发平台242
7.3.2  嵌入式GPU人工智能开发平台242
7.3.3  计算机视觉综合开发平台243
7.4  典型算法244
7.4.1  LeNet算法244
7.4.2  MobileNets算法249
7.4.3  目标检测算法258
7.5  综合案例：基于深度神经网络的
人脸表情识别264
7.6  小结271
习题272
参考文献272
第8章  语音识别274
8.1  语音识别技术简介274
8.2  常用工具及平台276
8.2.1  语音识别工具276
8.2.2  语音识别平台279
8.3  语音数据特征处理283
8.4  典型算法286
8.5  在线语音识别292
8.5.1  音频流识别293
8.5.2  文本转语音294
8.5.3  视频字幕文本生成295
8.6  综合案例：基于端到端的中文
语音识别302
8.7  小结306
习题306
参考文献306
第9章  AI云开发平台308
9.1  AI云开发简介308
9.2  云开发平台311
9.2.1  百度云开发平台312
9.2.2  阿里云开发平台320
9.2.3  Face++云开发平台324
9.2.4  科大讯飞云平台329
9.3  综合案例333
9.3.1  基于EasyDL的多物体识别333
9.3.2  基于PaddlePaddle的CNN图像
识别340
9.4  小结350
习题350
参考文献351

内容摘要
《机器学习原理及应用》从机器学习原理和应用出发，结合案例介绍了机器学习的基础技术和典型模型算法，包括机器学习的基础、特征选择与降维、典型学习算法、深度学习与神经网络、集成学习与迁移学习、强化学习、计算机视觉与语音识别等技术；详细介绍了机器学习典型模型算法及神经网络学习、计算机视觉和语音识别技术应用，并以实例介绍了应用场景需求、特征表示、深度神经网络设计、预训练模型及预测应用的开发方法和开发过程。
每个案例配有源码，每章配有习题，帮助读者进行深入学习。
《机器学习原理及应用》既可作为高等院校、职业本科院校人工智能、大数据技术、计算机等专业相关课程的教材，也可作为机器学习从业者的技术参考书。

查看详情

机器学及应用 大中专高职科技综合

内容简介:

作者简介:

目录:

机器学及应用大中专高职科技综合