機器學習、深度學習與強化學習

林強

買這商品的人也買了...

相關主題

商品描述

本書從數學優化的角度對目前人工智能的代表技術機器學習進行分析,
解決了目前這一領域偏向應用,數學理論較弱的問題,
從原理、數學解析兩個方面對特徵提取、分類、聚類、神經網絡等進行了全面系統的剖析。
解決了目前人工智能領域偏向應用,數學理論較弱的問題,
從原理解析、數學解析兩個方面對機器學習進行剖析。

作者簡介

林強

北京信息科技大學教師,副研究員。
在人工智能領域有著多年的實踐和教學經驗,
以作者身份發表科研論文15篇,其中SCI1篇,EI9篇,ISTP2篇;
以發明人身份申請靠前外15項;其中13項已​​獲得授權,
包括中國7項,美國4項,歐洲2項

目錄大綱

第一章數據、數學與機器學習001
1.1 概述/ 003
1.2 數學與機器學習/ 005
1.3 數據與機器學習/ 008
1.4 深度學習與強化學習/ 014
1.5 本章小結/ 019

第二章分類與回歸021
2.1 常用的分類方法/ 024
2.2 分類的數學解釋/ 032
2.3 回歸分析/ 038
2.4 回歸分析的數學解釋/ 041
2.5 本章小結/ 046

第三章特徵選取047
3.1 數據預處理的步驟/ 050
3.2 數據預處理與特徵提取/ 057
3.3 主成分分析/ 059
3.4 因子分析/ 063
3.5 特徵提取問題的數學解析/ 067
3.6 本章小結/ 072

第四章聚類075
4.1 基本概念/ 078
4.2 聚類的過程/ 082
4.3 分析方法/ 083
4.4 基於K-means算法的聚類規則/ 088
4.5 聚類問題的數學解釋/ 091
4.6 本章小結/ 094


第五章深度學習097
5.1 概述/ 099
5.2 神經網絡模型/ 101
5.3 神經網絡學習方法/ 103
5.4 神經網絡的數學解釋/ 106
5.5 本章小結/ 111


第六章強化學習113
6.1 樸素貝葉斯/ 115
6.2 貝葉斯信念網/ 118
6.3 動態貝葉斯網絡/ 120
6.4 一般時序模型/ 121
6.5 馬爾可夫模型/ 131
6.6 本章小結/ 138

第七章計算流與自組織141
7.1 信息流與計算流的結合/ 143
7.2 學習中的自組織行為/ 144
7.3 神經動力學與自組織/ 153
參考文獻157卷