總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
機器學習入門到實戰:MATLAB 實踐應用(配件另行下載)
 叢書名稱: 大數據與人工智能技術叢書
 作  者: 冷雨泉/張會文/張偉
 出版單位: 清華大學
 出版日期: 2019.03
 進貨日期: 2020/4/15
 ISBN: 9787302495147
 開  本: 16 開    
 定  價: 443
 售  價: 354
  會 員 價: 325
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

《機器學習入門與實戰——MATLAB實踐應用》的編寫是作者在多年機器學習及工作經驗的基礎上,對大量的網路資源、論文和相關書籍進行總結、整理、分析而來。全書共分為三部分,分別為機器學習概念篇、MATLAB機器學習基礎篇、機器學習演算法與MATLAB實踐篇。


內容簡介:

本書主要介紹經典的機器學習演算法的原理及改進,以及MATLAB的實例實現。本書內容分為三部分。*部分(第1章)是機器學習概念篇,介紹機器學習的相關概念,並且對機器學習的各類演算法進行分類,以便讀者對機器學習的知識框架有一個整體的瞭解,從而在後續的學習中更容易接受機器學習涉及的各類演算法。第二部分(第2章、第3章)是MATLAB機器學習基礎篇,介紹MATLAB的基本使用方法,以及MATLAB集成的機器學習工具箱。MATLAB易上手的特點讓使用者將更多的精力專注于演算法開發與使用,而不是搭建演算法實現開發平臺。第三部分(第4章~第19章)是機器學習演算法與MATLAB實踐篇,對監督學習、無/非監督學習、強化學習三大類常用演算法進行逐個講解,包括機器學習演算法原理、演算法優缺點、演算法的實例解釋以及MATLAB的實踐應用。 本書適合以下讀者: 對人工智慧、機器學習感興趣的讀者; 希望用機器學習完成設計的電腦或電子資訊專業學生; 準備開設機器學習、深度學習實踐課的授課老師; 學習過C語言,且希望進一步提升程式設計水準的開發者; 剛從事機器學習、語音、機器視覺、智慧型機器人研發的演算法工程師。


圖書目錄:

第一部分機器學習概念篇

●第1章機器學習基礎

1.1機器學習概述

1.1.1機器學習的概念

1.1.2機器學習的發展史

1.1.3機器學習的用途

1.1.4機器學習、資料採擷及人工智慧的關係

1.2機器學習基本術語

1.3機器學習任務及演算法分類

1.4如何學習和運用機器學習

1.4.1軟體平臺的選擇

1.4.2機器學習應用實現流程

1.5資料預處理

1.5.1資料初步選取

1.5.2資料清理

1.5.3資料集成

1.5.4資料變換

1.5.5資料歸約

參考文獻

第二部分MATLAB機器學習基礎篇

●第2章MATLAB基礎入門

2.1MATLAB介面介紹

2.2矩陣賦值與運算

2.3m檔及函數實現與調用

2.4基本流程控制語句

2.5基本繪圖方法

2.5.1二維繪圖函數的基本用法

2.5.2三維繪圖函數的基本用法

2.5.3顏色與形狀參數清單

2.5.4圖形視窗分割與坐標軸

2.6資料檔案導入與匯出

參考文獻

●第3章MATLAB機器學習工具箱

3.1工具箱簡介

3.2分類學習器基本操作流程

3.3分類學習器演算法優化與選擇

3.3.1特徵選擇

3.3.2選擇分類器演算法

3.4工具箱分類學習實例

參考文獻

第三部分機器學習演算法與MATLAB實踐篇

●第4章k近鄰演算法

4.1k近鄰演算法原理

4.1.1k近鄰演算法實例解釋

4.1.2k近鄰演算法的特點

4.2基於k近鄰演算法的演算法改進

4.2.1快速KNN演算法

4.2.2kQd樹KNN演算法

4.3k近鄰演算法的MATLAB實踐

參考文獻

●第5章決策樹

5.1決策樹演算法原理

5.1.1決策樹演算法基本原理

5.1.2決策樹演算法的特點

5.1.3決策樹剪枝

5.1.4分類決策樹與回歸決策樹

5.2基於決策樹演算法的演算法改進

5.2.1ID3決策樹

5.2.2C4.5決策樹

5.2.3分類回歸樹

5.2.4隨機森林

5.3決策樹演算法MATLAB實踐

參考文獻

●第6章支持向量機

6.1支援向量機演算法原理

6.1.1支援向量機概述

6.1.2支援向量機演算法及推導

6.1.3支援向量機核函數

6.2改進的支援向量機演算法

6.3支援向量機演算法的MATLAB實踐

參考文獻

●第7章樸素貝葉斯

7.1貝葉斯定理

7.2樸素貝葉斯分類

7.3樸素貝葉斯實例分析

7.4樸素貝葉斯分類演算法的改進

7.4.1半樸素貝葉斯分類模型

7.4.2樹增強樸素貝葉斯分類模型

7.4.3貝葉斯網路

7.4.4樸素貝葉斯樹

7.4.5屬性加權樸素貝葉斯分類演算法

7.5樸素貝葉斯演算法MATLAB實踐

參考文獻

●第8章線性回歸

8.1線性回歸原理

8.1.1簡單線性回歸

8.1.2線性回歸實例

8.2多元線性回歸

8.3線性回歸演算法的MATLAB實踐

參考文獻

●第9章邏輯回歸

9.1邏輯回歸原理

9.1.1Sigmoid函數

9.1.2梯度下降法

9.2邏輯回歸理論推導

9.2.1邏輯回歸理論公式推導

9.2.2向量化

9.2.3邏輯回歸演算法的實現步驟

9.2.4邏輯回歸的優缺點

9.3邏輯回歸演算法的改進

9.3.1邏輯回歸的正則化

9.3.2主成分改進的邏輯回歸方法

9.4邏輯回歸的MATLAB實踐

參考文獻

●第10章神經網路

10.1神經網路演算法原理

10.1.1神經網路工作原理

10.1.2神經網路的特點

10.1.3人工神經元模型

10.2前向神經網路

10.2.1感知器

10.2.2BP演算法

10.3基於神經網路的演算法拓展

10.3.1深度學習

10.3.2極限學習機

10.4神經網路的MATLAB實踐

參考文獻

●第11章AdaBoost演算法

11.1集成學習方法簡介

11.1.1集成學習方法分類

11.1.2集成學習Boosting演算法

11.2AdaBoost演算法原理

11.2.1AdaBoost演算法思想

11.2.2AdaBoost演算法理論推導

11.2.3AdaBoost演算法的實現步驟

11.2.4AdaBoost演算法的特點

11.2.5通過實例理解AdaBoost演算法

11.3AdaBoost演算法的改進

11.3.1RealAdaBoost演算法

11.3.2GentleAdaBoost演算法

11.3.3LogitBoost演算法

11.4AdaBoost演算法的MATLAB實踐

參考文獻

●第12章k均值演算法

12.1k均值演算法原理

12.1.1k均值演算法基本原理

12.1.2k均值演算法的實現步驟

12.1.3k均值演算法實例

12.1.4k均值演算法的特點

12.2基於kQmeans演算法的演算法改進

12.2.1改善k值選取方式的kQmeans改進演算法

12.2.2改進初始聚類中心選擇方式的kQmeans改進演算法

12.3kQmeans演算法的MATLAB實踐

參考文獻

●第13章期望最大化演算法

13.1EM演算法

13.1.1EM演算法思想

13.1.2似然函數和極大似然估計

13.1.3Jensen不等式

13.1.4EM演算法理論和公式推導

13.1.5EM演算法的收斂速度

13.1.6EM演算法的特點

13.2EM演算法的改進

13.2.1Monte Carlo EM演算法

13.2.2ECM演算法

13.2.3ECME演算法

13.3EM演算法的MATLAB實踐

參考文獻

●第14章k中心點演算法

14.1經典k中心點演算法——PAM演算法

14.1.1PAM演算法原理

14.1.2PAM演算法實例

14.1.3PAM演算法的特點

14.2k中心點演算法的改進

14.3k中心點演算法的MATLAB實踐

參考文獻

●第15章關聯規則挖掘的Apriori演算法

15.1關聯規則概述

15.1.1關聯規則的基本概念

15.1.2關聯規則的分類

15.2Apriori演算法原理

15.3Apriori演算法的改進

15.3.1基於分片的並行方法

15.3.2基於hash的方法

15.3.3基於採樣的方法

15.3.4減少交易個數的方法

15.4Apriori演算法的MATLAB實踐

參考文獻

●第16章高斯混合模型

16.1高斯混合模型原理

16.1.1單高斯模型

16.1.2高斯混合模型

16.1.3模型的建立

16.1.4模型參數的求解

16.2GMM演算法的MATLAB實踐

16.2.1生成一個高斯混合模型

16.2.2擬合GMM

16.2.3GMM聚類實例

16.3GMM的改進及MATLAB實踐

16.3.1GMM的正則化

16.3.2GMM中k的選擇問題

16.3.3GMM擬合的初始值選擇問題

參考文獻

●第17章DBSCAN演算法

17.1DBSCAN演算法原理

17.1.1DBSCAN演算法的基本概念

17.1.2DBSCAN演算法原理

17.1.3DBSCAN演算法的實現步驟

17.1.4DBSCAN演算法的優缺點

17.2DBSCAN演算法的改進

17.2.1DPDGA演算法

17.2.2並行DBSCAN演算法

17.3DBSCAN演算法的MATLAB實踐

參考文獻

●第18章策略反覆運算和值反覆運算

18.1基本概念

18.1.1強化學習的基本模型

18.1.2瑪律可夫決策過程

18.1.3策略

18.1.4值函數

18.1.5貝爾曼方程

18.2策略反覆運算演算法原理

18.3值反覆運算演算法原理

18.4策略反覆運算和值反覆運算演算法的MATLAB實踐

參考文獻

●第19章SARSA演算法和Q學習演算法

19.1SARSA演算法原理

19.2SARSA演算法的MATLAB實踐

19.3Q學習演算法原理

19.4Q學習演算法的MATLAB實踐

參考文獻


章節試讀:

第5章決策樹

5.1決策樹演算法原理
5.1.1決策樹演算法基本原理

決策樹(Decision Tree)是一種特別簡單的機器學習分類演算法。決策樹想法來源於人類的決策過程,是在已知各種情況發生概率的基礎上,通過構成決策樹來評價專案風險,判斷其可行性的決策分析方法,是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝幹,故稱決策樹。在機器學習中,決策樹是一個預測模型,其代表的是物件屬性與物件值之間的一種映射關係。
決策樹可看作一個樹狀預測模型,它是由結點和有向分支組成的層次結構。樹中包含3種結點: 根結點、內部結點、葉子結點。決策樹只有一個根結點,是全體訓練資料的集合。樹中每個內部結點都是一個分裂問題: 指定了對實例的某個屬性的測試,它將到達該結點的樣本按照某個特定的屬性進行分割,並且該結點的每一個後繼分支對應於該屬性的一個可能值。每個葉子結點是帶有分類標籤的資料集合,即為樣本所屬的分類〔1,2,3〕。
為了便於讀者理解,用實例的方法解釋各概念及決策樹演算法流程。假設一個應用為推斷某個孩子是否出門玩耍,其相應的樣本屬性包括是否晴天、濕度大小、是否颳風,通過前期統計,帶標籤的資料如表5.1所示,序號1~6的資料為樣本資料,序號為7的資料為待分類資料,即判別在該屬性資料情況下是否出門。


表5.1孩子出門情況統計表



序號是否晴天濕度大小是否颳風是否出門(標籤)
1是大否不出門
2是小否出門
3是小是不出門
4否小是不出門
5否大否出門
6否大是不出門
7是小否?

通過表5.1建立決策樹模型,如圖5.1所示,從圖中可看出,首先對資料整體樣本(即根結點處)按照某一屬性進行決策分支,形成中間結點,之後,遞迴分支,直到樣本劃分到一類中,即形成葉子結點。對於表5.1中的序號為7的待分類樣本,將其帶入決策樹中,首先按是否晴天進行分支,其屬性值為“是”時,之後,依據其濕度值為“小”,最後,判斷是否颳風為“否”,可判斷該資料劃分到“出門”這一類中。



圖5.1孩子出門決策樹


決策樹是一種十分常用的分類方法,其通過樣本資料學習得到一個樹形分類器,對於新出現的待分類樣本能夠給出正確的分類。對於創建決策樹的過程,其步驟如下。
(1) 檢測資料集中的每個樣本是否屬於同一分類。
(2) 如果是,則形成葉子結點,跳轉到步驟(5)。如果否,則尋找劃分資料集的最好特徵(5.2節將介紹方法)。
(3) 依據最好的特徵,劃分資料集,創建中間結點。
(4) 對每一個劃分的子集迴圈步驟(1)、(2)、(3)。
(5) 直到所有的最小子集都屬於同一類時,即形成葉子結點,則決策樹建立完成。
5.1.2決策樹演算法的特點
決策樹演算法的優點如下。
(1) 決策樹易於理解和實現,用戶在學習過程中不需要瞭解過多的背景知識,其能夠直接體現資料的特點,只要通過適當的解釋,用戶能夠理解決策樹所表達的意義。
(2) 速度快,計算量相對較小,且容易轉化成分類規則。只要沿著根結點向下一直走到葉子結點,沿途分裂條件是唯一且確定的。
決策樹演算法的缺點則主要是在處理大樣本集時,易出現過擬合現象,降低分類的準確性。


圖片預覽:

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。