开云网页版_开云(中国)

首页 > 图书中心 > 商业图书 > 金融投资

机器学习原理及应用-殷志浩

机器学习原理及应用

丛书名：特许全球金融科技师系列教材（一级）
著（译）者：殷志浩
资源下载：
责任编辑：袁敏
字       数：273千字
开       本：16 开
印       张：11.5
出版版次：1
出版年份：2021-08-31
书       号：978-7-5642-3695-3/F.3695
纸书定价：55.00元   教师会员可用500积分申请样书

在线购买样书申请收藏分享按钮

本书介绍机器学习的基本概念、算法模型和应用案例。作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。本书系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。

同系列产品more >

: 裸K线交易法——
许佳聪
定价：108.00元
查看详情

: 中国债市入门——
李奇霖
定价：126.00元
查看详情

: 全球软件霸主&nbs
Vincent Femng
定价：19.00元
查看详情

: 魅力期权：一部脱离
余力
定价：98.00元
查看详情

: 宏观经济数据分析
李奇霖
定价：128.00元
查看详情

图书分类全部图书

本书介绍机器学习的基本概念、算法模型和应用案例。

作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。

本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。

本书系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。

目录。
第一章机器学习基础…………………………………………………………… 。
1。
第一节什么是机器学习? …………………………………………………………… 。
1。
第二节贝叶斯统计推断 ……………………………………………………………… 。
6。
第三节优化简介 ……………………………………………………………………… 。
10。
第四节优化简介:更多介绍…………………………………………………………… 。
15。
第五节机器学习理论基础 …………………………………………………………… 。
21。
第六节 K-近邻 ………………………………………………………………………… 。
26。
第七节朴素贝叶斯。
NaiveBayes。
…………………………………………………… 。
31。
第八节衡量分类问题好坏的统计指标 ……………………………………………… 。
35。
第九节用于模型选择的交叉验证方法:正则化……………………………………… 。
41。
第二章逻辑回归、树模型和集成学习 …………………………………… 。
48。
第一节逻辑回归 ……………………………………………………………………… 。
48。
第二节特征选择、文本统计处理……………………………………………………… 。
55。
第三节图像识别 ……………………………………………………………………… 。
59。
第四节决策树、基尼不纯度…………………………………………………………… 。
65。
第五节熵、决策树的建立……………………………………………………………… 。
70。
第六节决策树:模型参数……………………………………………………………… 。
73。
第七节回归树 ………………………………………………………………………… 。
77。
第八节集成学习：随机森林…………………………………………………………… 。
85。
第九节集成学习：GBM,XGBoost…………………………………………………… 。
88。
第三章支持向量机、无监督学习…………………………………………… 。
94。
第一节支持向量机:线性分类………………………………………………………… 。
94。
第二节软边际、和逻辑回归的比较…………………………………………………… 。
99。
第三节支持向量机:非线性和核函数 ……………………………………………… 。
104。
第四节支持向量机:几何解释 ……………………………………………………… 。
109。
第五节无监督学习:降维、主成分分析。
PCA。
…………………………………… 。
113。
第六节特征降维在监督学习中的应用……………………………………………… 。
117。
第七节无监督学习:聚类 …………………………………………………………… 。
123。
第四章神经网络和深度学习 ……………………………………………… 。
129。
第一节神经网络:从逻辑回归到 MLP …………………………………………… 。
129。
第二节激活函数……………………………………………………………………… 。
133。
第三节目标损失函数、反向传播 …………………………………………………… 。
138。
第四节多层感知器例子……………………………………………………………… 。
141。
第五节 Keras/TensorFlow和神经网络 …………………………………………… 。
145。
第六节深度学习中的优化…………………………………………………………… 。
150。
第七节卷积神经网络CNN ………………………………………………………… 。
153。
第八节卷积神经网络在图像处理中的应用………………………………………… 。
158。
第九节循环神经网络RNN ………………………………………………………… 。
164。
第十节循环神经网络LSTM ……………………………………………………… 。
168。
第十一节 LSTM 在自然语言处理中的应用 ……………………………………… 。
171。