智能科学与技术丛书 机器学习算法高效机器学习理论算法R语言机器学习深度强化学习Python机器学习及应用机器人学人工智能书籍
举报
9787111680482
-
作者:
安柯·莫特拉(Ankur
-
出版社:
机械工业出版社
-
ISBN:
9787111680482
-
出版时间:
2021-04
-
装帧:
平装
-
开本:
16开
-
ISBN:
9787111680482
-
出版时间:
2021-04
上书时间2023-03-30
卖家超过10天未登录
-
-
商品描述：
-
商品参数： 书名 书码 定价 出版社 机器学习算法 9787111680482 79 机械工业出版社 高效机器学习:理论、算法及实践 9787111567165 69 机械工业出版社 终身机器学习 9787111632122 79 机械工业出版社 移动传感器与情境感知计算 9787111633006 99 机械工业出版社 对抗机器学习:机器学习系统中的攻击和防御 9787111643043 69 机械工业出版社 统计强化学习:现代机器学习方法 9787111622451 79 机械工业出版社 机器学习基础 9787111622185 99 机械工业出版社 机器学习:算法视角 9787111622260 99 机械工业出版社 深度强化学习:学术前沿与实战应用 9787111646648 99 机械工业出版社 模式识别:数据质量视角 9787111646754 79 机械工业出版社 机器人学和人工智能中的行为树 9787111652045 79 机械工业出版社 机器学习及其应用 9787111654148 139 机械工业出版社 机器学习的数学理论 9787111661368 69 机械工业出版社 机器学习:应用视角 9787111668299 129 机械工业出版社 Python机器学习 9787111681373 149 机械工业出版社 R语言机器学习 9787111641049 119 机械工业出版社 内容简介： 《机器学习算法》探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识，以此把它们关联起来。本书介绍机器学习中的重要模型和主要问题，并以一种容易理解的方式介绍该领域的前沿研究成果以及现代算法工具，包括矩量法、张量分解法和凸规划松弛法。本书共8章，内容涵盖非负矩阵分解、主题模型、张量分解、稀疏恢复、稀疏编码、高斯混合模型和矩阵补全等。本书适合理论计算机科学家、机器学习研究人员以及相关专业的学生阅读和学习。
《高效机器学习:理论、算法及实践》共11章，将高效机器学习的理论、设计原则以及实际应用有机结合，深入探讨了机器学习的主要课题，包括知识发现、分类、遗传算法、神经网络、内核方法和生物启发技术等。读者可从中了解机器学习技术可以解决的相关问题和相应解决方案的实现，以及新系统的设计方法。本书讲解由浅入深，适合算法工程师、高校工科专业的学生、IT专业人员以及机器学习爱好者，为他们设计和创建全新有效的机器学习系统提供知识和实践指导。 《终身机器学习》介绍终身学习这种高级机器学习范式，这种范式通过积累过去的知识持续地学习，并将学到的知识用于帮助在未来进行其他学习和解决问题。相比之下，当前主流的机器学习范式都是孤立学习，即给定一个训练数据集，之后在这个数据集上运行机器学习算法以生成模型，然后再将该模型运用于预期的应用。这些范式不保留已经学到的知识，也不将其运用到后续的学习中。与孤立学习系统不同，人类只通过少量的样例就能实现有效学习，这是因为人类的学习是知识驱动的，即只需少量的数据或付出，就能利用过去已经学到的知识去学习新事物。终身学习的目标就是模仿人类的这种学习能力，因为一个没有持续学习能力的AI系统不能算作真正的智能。
《R语言机器学习》是介绍机器学习技术的综合指南，从基础的统计学原理和R语言编程知识，到核心的机器学习理论和算法分析，以及机器学习模型的评估和改进方法，再到机器学习技术在大数据平台上的应用，书中都有详细介绍。 《移动传感器与情境感知计算》解释了硬件、软件、传感器和操作系统如何融合以创建新一代情境感知移动应用程序。本书结合移动计算领域的知识，展示了创新的移动和传感器解决方案，为各类平台提供了增强型个性化的用户体验，其中包括快速增长的移动健康领域和虚拟现实领域。通过阅读本书，你将了解移动和传感器融合如何促进信息物理系统和物联网的发展，以及与物理世界直接交互的应用，书中全面涵盖了平台组件和安全、隐私、电源管理以及与更广泛的生态系统的交互等关键问题。
《对抗机器学习:机器学习系统中的攻击和防御》以对抗样本生成和防御为核心的对抗深度学习，无疑是对抗机器学习领域目前最受关注的研究热点。但是，本书涉及更宽广的主题，从攻击时机、攻击者可以利用的信息、攻击目标三个维度，全面论述了监督学习、无监督学习以及强化学习系统中的攻击和防御技术。这对于读者全面系统地掌握对抗机器学习的理论、方法及应用，以及深入开展深度学习的攻击和防御问题研究，都是至关重要的。
......
目录： 机器学习算法
译者序 前言 第1章引言 第2章非负矩阵分解 21介绍 22代数算法 23稳定性和可分离性 24主题模型 25练习 第3章张量分解：算法 31旋转问题 32张量入门 33Jennrich算法 34矩阵摄动界 35练习 第4章张量分解：应用 41进化树和隐马尔可夫模型 42社区发现 43扩展到混合模型 44独立成分分析 45练习 第5章稀疏恢复 51介绍 52非相干性和不确定性原理 53追踪算法 54Prony方法 55压缩感知 56练习 第6章稀疏编码 61介绍 62不完备情况 63梯度下降 64过完备情况 65练习 第7章高斯混合模型 71介绍 72基于聚类的算法 73密度估计的讨论 74无聚类算法 75单变量算法 76代数几何视图 77练习 第8章矩阵补全 81介绍 82核范数 83量子高尔夫 参考文献 索引 高效机器学习:理论、算法及实践 Efficient Learning Machines:Theories，Concepts，and Applications for Engineers and System Designers
译者序
作者简介
技术评审简介
致谢
第1章 机器学习1
1.1 关键术语2
1.2 机器学习的步骤4
1.3 机器学习算法6
1.4 流行的机器学习算法9
1.4.1 C4.59
1.4.2 k均值9
1.4.3 支持向量机10
1.4.4 Apriori算法10
1.4.5 估计最大化11
1.4.6 PageRank算法11
1.4.7 AdaBoost12
1.4.8 k近邻算法13
1.4.9 朴素贝叶斯14
1.4.10 分类回归树14
1.5 数据挖掘研究中的挑战性问题14
1.5.1 针对高维数据和高速数据流的扩展15
1.5.2 挖掘序列数据和时间序列数据15
1.5.3 从复杂数据中挖掘复杂知识15
1.5.4 分布式数据挖掘与挖掘多代理数据15
1.5.5 数据挖掘过程的相关问题16
1.5.6 安全性、隐私性和数据完整性16
1.5.7 处理非静态、不平衡和代价敏感的数据16
1.6 总结16
参考文献16
第2章 机器学习与知识发现18
2.1 知识发现20
2.1.1 分类20
2.1.2 聚类20
2.1.3 降维21
2.1.4 协同过滤21
2.2 机器学习：分类算法21
2.2.1 逻辑回归21
2.2.2 随机森林22
2.2.3 隐马尔可夫模型23
2.2.4 多层感知机24
2.3 机器学习：聚类算法26
2.3.1 k均值聚类26
2.3.2 模糊k均值(模糊c均值)26
2.3.3 流k均值算法27
2.4 机器学习：降维28
2.4.1 奇异值分解28
2.4.2 主成分分析29
2.4.3 Lanczos算法31
2.5 机器学习：协同过滤32
2.5.1 基于用户的协同过滤32
2.5.2 基于项目的协同过滤32
2.5.3 权值-λ-正规化的交替最小二乘法33
2.6 机器学习：相似矩阵34
2.6.1 Pearson相关系数34
2.6.2 Spearman等级相关系数34
2.6.3 欧氏距离35
2.6.4 Jaccard相似系数35
2.7 总结35
参考文献36
第3章 支持向量机分类37
3.1 从几何角度看待SVM37
3.2 SVM的主要性能38
3.3 硬间隔SVM41
3.4 软间隔SVM43
3.5 核SVM44
3.6 多分类SVM47
3.7 SVM用于非平衡数据集49
3.8 提升SVM计算需求51
3.9 案例研究：SVM用于手写识别53
3.9.1 预处理54
3.9.2 特征提取54
3.9.3 分层的、三级SVM55
3.9.4 实验结果56
3.9.5 复杂度分析57
参考文献59
第4章 支持向量回归63
4.1 SVR概述63
4.2 SVR：概念、数学模型和图形表示64
4.3 核SVR和不同的损失函数:数学模型和图形表示68
4.4 贝叶斯线性回归69
4.5 案例研究：非对称SVR电源预测72
参考文献75
第5章 隐马尔可夫模型76
5.1 离散的马尔可夫过程76
5.1.1 定义178
5.1.2 定义278
5.1.3 定义378
5.2 HMM简介78
5.2.1 HMM的要点80
5.2.2 HMM的三种基本问题80
5.2.3 HMM基本问题的解决81
5.3 连续观测HMM86
5.3.1 多元高斯混合模型88
5.3.2 示例：工作负载相位识别88
5.3.3 监视和观测89
5.3.4 工作负载和相位89
5.3.5 相位探测的混合模型91
参考文献98
第6章 仿生计算：群体智能100
6.1 应用101
6.1.1 演化硬件101
6.1.2 仿生网络103
6.1.3 数据中心优化105
6.2 仿生计算算法106
6.3 群体智能106
6.3.1 蚁群优化算法107
6.3.2 粒子群优化算法109
6.3.3 人工蜂群算法111
6.4 细菌觅食优化算法113
6.5 人工免疫系统114
6.6 数据中心的分布式管理116
6.6.1 工作负载特征116
6.6.2 热度优化117
6.6.3 负载均衡117
6.6.4 算法模型118
参考文献120
第7章 深度神经网络122
7.1 ANN简介122
7.1.1 早期的ANN结构123
7.1.2 经典的ANN124
7.1.3 ANN训练和反向传播算法127
7.2 DBN概述128
7.3 受限玻尔兹曼机130
7.4 DNN训练算法131
7.5 DNN相关研究133
7.5.1 DNN应用134
7.5.2 利用并行实现加快DNN训练135
7.5.3 类似于DBN的深度网络135
参考文献136
第8章 皮质算法141
8.1 皮质算法入门141
8.1.1 皮质算法的结构141
8.1.2 皮质算法的训练143
8.2 权重更新145
8.3 案例研究：改进的皮质算法在阿拉伯语口语数字化中的应用149
8.3.1 基于熵的权重更新规则149
8.3.2 实验验证150
参考文献153
第9章 深度学习156
9.1 层级时序存储概述156
9.2 层级时序存储的演化157
9.2.1 稀疏分布表征160
9.2.2 算法实现160
9.2.3 空间池160
9.2.4 时间池162
9.3 相关工作163
9.4 脉冲神经网络概述164
9.4.1 Hodgkin-Huxley模型165
9.4.2 integrate-and-fire模型165
9.4.3 leaky integrate-and-fire模型165
9.4.4 Izhikevich模型166
9.4.5 Thorpe’s模型166 终身机器学习 译者序 前 言 致 谢 第1章 引言1 1.1 传统机器学习范式1 1.2 案例3 1.3 终身学习简史7 1.4 终身学习的定义9 1.5 知识类型和关键挑战14 1.6 评估方法和大数据的角色17 1.7 本书大纲18 第2章 相关学习范式20 2.1 迁移学习20 2.1.1 结构对应学习21 2.1.2 朴素贝叶斯迁移分类器22 2.1.3 迁移学习中的深度学习23 2.1.4 迁移学习与终身学习的区别24 2.2 多任务学习25 2.2.1 多任务学习中的任务相关性25 2.2.2 GO-MTL：使用潜在基础任务的多任务学习26 2.2.3 多任务学习中的深度学习28 2.2.4 多任务学习与终身学习的区别30 2.3 在线学习30 2.4 强化学习31 2.5 元学习32 2.6 小结34 第3章 终身监督学习35 3.1 定义和概述36 3.2 基于记忆的终身学习37 3.2.1 两个基于记忆的学习方法37 3.2.2 终身学习的新表达37 3.3 终身神经网络39 3.3.1 MTL网络39 3.3.2 终身EBNN40 3.4 ELLA：高效终身学习算法41 3.4.1 问题设定41 3.4.2 目标函数42 3.4.3 解决第一个低效问题43 3.4.4 解决第二个低效问题45 3.4.5 主动的任务选择46 3.5 终身朴素贝叶斯分类47 3.5.1 朴素贝叶斯文本分类47 3.5.2 LSC的基本思想49 3.5.3 LSC技术50 3.5.4 讨论52 3.6 基于元学习的领域词嵌入52 3.7 小结和评估数据集54 第4章 持续学习与灾难性遗忘56 4.1 灾难性遗忘56 4.2 神经网络中的持续学习58 4.3 无遗忘学习61 4.4 渐进式神经网络62 4.5 弹性权重合并63 4.6 iCaRL：增量分类器与表示学习65 4.6.1 增量训练66 4.6.2 更新特征表示67 4.6.3 为新类构建范例集68 4.6.4 在iCaRL中完成分类68 4.7 专家网关69 4.7.1 自动编码网关69 4.7.2 测量训练的任务相关性70 4.7.3 为测试选择最相关的专家71 4.7.4 基于编码器的终身学习71 4.8 生成式重放的持续学习72 4.8.1 生成式对抗网络72 4.8.2 生成式重放73 4.9 评估灾难性遗忘74 4.10 小结和评估数据集75 第5章 开放式学习79 5.1 问题定义和应用80 5.2 基于中心的相似空间学习81 5.2.1 逐步更新CBS学习模型82 5.2.2 测试CBS学习模型84 5.2.3 用于未知类检测的CBS学习84 5.3 DOC：深度开放式分类87 5.3.1 前馈层和一对其余层87 5.3.2 降低开放空间风险89 5.3.3 DOC用于图像分类90 5.3.4 发现未知类90 5.4 小结和评估数据集91 第6章 终身主题建模93 6.1 终身主题建模的主要思想93 6.2 LTM：终身主题模型97 6.2.1 LTM模型97 6.2.2 主题知识挖掘99 6.2.3 融合过去的知识100 6.2.4 Gibbs采样器的条件分布102 6.3 AMC：少量数据的终身主题模型102 6.3.1 AMC整体算法103 6.3.2 挖掘must-link知识104 6.3.3 挖掘cannot-link知识107 6.3.4 扩展的Pólya瓮模型108 6.3.5 Gibbs采样器的采样分布110 6.4 小结和评估数据集112 第7章 终身信息提取114 7.1 NELL：永不停止语言学习器114 7.1.1 NELL结构117 7.1.2 NELL中的提取器与学习118 7.1.3 NELL中的耦合约束120 7.2 终身评价目标提取121 7.2.1 基于推荐的终身学习122 7.2.2 AER算法123 7.2.3 知识学习124 7.2.4 使用过去知识推荐125 7.3 在工作中学习126 7.3.1 条件随机场127 7.3.2 一般依赖特征128 7.3.3 L-CRF算法130 7.4 Lifelong-RL：终身松弛标记法131 7.4.1 松弛标记法132 7.4.2 终身松弛标记法133 7.5 小结和评估数据集133 第8章 聊天机器人的持续知识学习135 8.1 LiLi：终身交互学习与推理136 8.2 LiLi的基本思想139 8.3 LiLi的组件141 8.4 运行示例142 8.5 小结和评估数据集142 第9章 终身强化学习144 9.1 基于多环境的终身强化学习146 9.2 层次贝叶斯终身强化学习147 9.2.1 动机147 9.2.2 层次贝叶斯方法148 9.2.3 MTRL算法149 9.2.4 更新层次模型参数150 9.2.5 对MDP进行采样151 9.3 PG-ELLA：终身策略梯度强化学习152 9.3.1 策略梯度强化学习152 9.3.2 策略梯度终身学习设置154 9.3.3 目标函数和优化154 9.3.4 终身学习的安全策略搜索156 9.3.5 跨领域终身强化学习156 9.4 小结和评估数据集157 第10章 结论及未来方向159 参考文献164
R语言机器学习 译者序
前言
第1章 机器学习和R语言入门
1．1 了解发展历程
1．1．1 统计学习
1．1．2 机器学习
1．1．3 人工智能
1．1．4 数据挖掘
1．1．5 数据科学
1．2 概率与统计
1．2．1 计数和概率的定义
1．2．2 事件和关系
1．2．3 随机性、概率和分布
1．2．4 置信区间和假设检验
1．3 R语言入门
1．3．1 基本组成部分
1．3．2 R语言的数据结构
1．3．3 子集处理
1．3．4 数和Apply系列
1．4 机器学习过程工作流
1．4．1 计划
1．4．2 探索
1．4．3 构建
1．4．4 评估
1．5 其他技术
1．6 小结
第2章 数据准备和探索
2．1 规划数据收集
2．1．1 变量类型
2．1．2 数据格式
2．1．3 数据源的类型
2．2 初始数据分析
2．2．1 初步印象
2．2．2 把多个数据源组织到一起
2．2．3 整理数据
2．2．4 补充更多信息
2．2．5 重塑
2．3 探索性数据分析
2．3．1 摘要统计量
2．3．2 矩
2．4 案例研究：信用卡欺诈
2．4．1 数据导入
2．4．2 数据变换
2．4．3 数据探索
2．5 小结
第3章 抽样与重抽样技术
3．1 介绍抽样技术
3．2 抽样的术语
3．2．1 样本
3．2．2 抽样分布
3．2．3 总群体的均值和方差
3．2．4 样本均值和方差
3．2．5 汇总的均值和方差
3．2．6 抽样点
3．2．7 抽样误差
3．2．8 抽样率
3．2．9 抽样偏误
……
第4章 R语言里的数据可视化
第5章 特征工程
第6章 机器学习理论和实践
第7章 机器学习模型的评估
第8章 模型性能改进
第9章 时间序列模型
第10章 可扩展机器学习和相关技术
第11章 用Keras和Tensorflow进行深度学习
......
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
