集成式機器學習算法理論與應用
楊小青 楊朋霖
- 出版商: 化學工業
- 出版日期: 2025-06-01
- 售價: $594
- 語言: 簡體中文
- ISBN: 7122474712
- ISBN-13: 9787122474711
-
相關分類:
Machine Learning
尚未上市，歡迎預購
商品描述
本書全面系統地介紹了集成式機器學習的核心理論及其在現實中的實際應用。全書內容不僅詳細講解了集成式機器學習的基本概念，以及結合多個模型的預測來提升整體性能的集成方法，而且輔以豐富的實戰案例和代碼實現，深入探討了它們在分類、回歸、異常檢測等任務中的應用效果；通過理論講解與實際案例相結合，幫助讀者深入理解集成式機器學習的關鍵技術，並能夠將這些技術應用於實際問題中。本書每章內容都經過精心設計，既包括對基本概念的系統講解，又涵蓋了最新的研究成果和發展趨勢。 本書適合從事人工智能、機器學習相關研究與應用的工程技術人員閱讀，也可作為人工智能等相關專業師生的參考書。
目錄大綱
第1章 緒論
1.1 集成式機器學習的發展
1.1.1 相關理論
1.1.2 發展階段
1.2 本書主要內容
第2章 基礎知識與理論框架
2.1 大數據技術
2.1.1 大數據的概念與特徵
2.1.2 大數據處理技術
2.1.3 大數據分析與挖掘
2.1.4 大數據的發展趨勢
2.2 人工智能
2.2.1 人工智能的定義與發展歷程
2.2.2 人工智能的基本原理
2.2.3 人工智能的應用領域
2.2.4 人工智能的工具與框架
2.3 機器學習
2.3.1 機器學習的定義與基本概念
2.3.2 機器學習算法分類
2.3.3 特徵工程
2.4 理論框架
第3章 監督學習算法
3.1 線性回歸
3.1.1 理解線性回歸
3.1.2 損失函數
3.1.3 線性回歸的代碼示例
3.1.4 線性回歸的應用領域及其優缺點
3.2 邏輯回歸
3.2.1 理解邏輯回歸
3.2.2 邏輯回歸模型表達式
3.2.3 邏輯回歸應用領域及其優缺點
3.2.4 邏輯回歸的代碼示例
3.2.5 邏輯回歸與線性回歸的對比
3.3 支持向量機
3.3.1 理解支持向量機
3.3.2 支持向量機的代碼實現
3.3.3 支持向量機應用領域及其優缺點
3.3.4 支持向量回歸
3.4 決策樹
3.4.1 理解決策樹
3.4.2 決策樹的代碼實現
3.4.3 決策樹的優缺點及應用領域
3.5 隨機森林
3.5.1 理解隨機森林
3.5.2 隨機性引入
3.5.3 隨機森林的代碼實現
3.5.4 隨機森林的優缺點及應用領域
3.6 K近鄰算法
3.6.1 理解K近鄰
3.6.2 K近鄰算法的代碼實現
3.6.3 K近鄰的優缺點及應用領域
第4章 無監督學習算法
4.1 K均值聚類
4.1.1 理論背景
4.1.2 算法原理
4.1.3 數學基礎
4.1.4 K均值聚類的步驟
4.1.5 案例
4.1.6 K均值聚類的優點和缺點
4.1.7 優化與改進
4.2 層次聚類
4.2.1 凝聚型層次聚類
4.2.2 分裂型層次聚類
4.3 主成分分析
4.3.1 理論背景
4.3.2 數學基礎
4.3.3 核心思想
4.3.4 PCA步驟
4.3.5 優點與缺點
4.3.6 應用場景
4.4 t 分佈隨機鄰域嵌入
4.4.1 理論背景
4.4.2 數學基礎
4.4.3 核心思想
4.4.4 -t SNE步驟
4.4.5 優點與缺點
4.4.6 應用場景
4.5 關聯規則學習
4.5.1 理論背景
4.5.2 主要概念
4.5.3 關鍵指標
4.5.4 常用算法
4.5.5 應用場景
第5章 深度學習算法
5.1 神經網絡基礎
5.1.1 神經元模型
5.1.2 前向傳播與反向傳播
5.1.3 損失函數與優化算法
5.1.4 正則化與參數初始化
5.1.5 深度神經網絡的訓練技巧
5.2 深度神經網絡
5.2.1 深度神經網絡的結構
5.2.2 激活函數的選擇與作用
5.2.3 深度神經網絡的訓練技巧與調優
5.2.4 深度神經網絡的應用
5.3 捲積神經網絡
5.3.1 捲積層的基本原理
5.3.2 池化層的作用與類型
5.3.3 常見的CNN架構
5.3.4 捲積神經網絡的訓練技巧與調優
5.3.5 捲積神經網絡在計算機視覺中的應用案例
5.4 循環神經網絡
5.4.1 循環神經網絡的基本結構與工作原理
5.4.2 循環神經網絡的訓練技巧
5.4.3 循環神經網絡在自然語言處理中的應用
5.4.4 循環神經網絡在時間序列預測中的應用
5.5 長短期記憶網絡
5.5.1 LSTM單元的結構與功能
5.5.2 記憶單元與遺忘門
5.5.3 輸入門與輸出門
5.5.4 LSTM在序列建模與預測中的應用
5.6 生成對抗網絡
5.6.1 生成器的結構與工作原理
5.6.2 判別器的結構與工作原理
5.6.3 GAN的對抗訓練過程
5.6.4 GAN的優化方法
5.6.5 GAN的應用
第6章 強化學習算法
6.1 馬爾可夫決策過程
6.1.1 核心概念
6.1.2 值函數
6.1.3 策略
6.1.4 解決MDP的方法
6.1.5 MDP的擴展
6.1.6 MDP在強化學習中的應用
6.2 Q學習
6.2.1 核心思想
6.2.2 算法步驟
6.2.3 貝爾曼最優方程
6.2.4 Q學習的收斂性和優化
6.2.5 Q學習的探索與利用
6.2.6 Q學習的關鍵參數調優
6.2.7 雙Q學習
6.2.8 分佈式Q學習
6.2.9 Q學習的應用領域
6.3 深度強化學習
6.4 策略梯度方法
6.4.1 策略梯度方法概述
6.4.2 策略表示
6.4.3 策略梯度算法
6.4.4 策略梯度方法的挑戰與局限性
6.4.5 策略梯度方法的應用
第7章 集成學習算法
7.1 單一與集成
7.1.1 理解單一模型與集成模型
7.1.2 集成學習算法
7.1.3 集成學習原理
7.1.4 集成學習中的特徵選擇
7.1.5 集成學習中的超參數調優
7.2 Bagging算法
7.2.1 Bagging的基本原理
