機器學(xué)習(xí)、深度學(xué)習(xí)與強化學(xué)習(xí)

定　價：￥59.00

作　者：	林強著
出版社：	知識產(chǎn)權(quán)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787513062534	出版時間：	2019-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	168	字數(shù)：

內(nèi)容簡介

　　本書從數(shù)學(xué)優(yōu)化的角度對目前人工智能的代表技術(shù)機器學(xué)習(xí)進行分析，解決了目前這一領(lǐng)域偏向應(yīng)用，數(shù)學(xué)理論較弱的問題，從原理、數(shù)學(xué)解析兩個方面對特征提取、分類、聚類、神經(jīng)網(wǎng)絡(luò)等進行了全面系統(tǒng)的剖析。解決了目前人工智能領(lǐng)域偏向應(yīng)用，數(shù)學(xué)理論較弱的問題，從原理解析、數(shù)學(xué)解析兩個方面對機器學(xué)習(xí)進行剖析。

作者簡介

　　林強，北京信息科技大學(xué)教師，副研究員。在人工智能領(lǐng)域有著多年的實踐和教學(xué)經(jīng)驗，以*一作者身份發(fā)表科研論文15篇，其中SCI1篇，EI9篇，ISTP2篇；以*一發(fā)明人身份申請國內(nèi)外專利15項；其中13項已獲得授權(quán)，包括中國專利7項，美國專利4項，歐洲專利2項.

圖書目錄

第一章數(shù)據(jù)、數(shù)學(xué)與機器學(xué)習(xí)001
1.1 概述 / 003
1.2 數(shù)學(xué)與機器學(xué)習(xí) / 005
1.3 數(shù)據(jù)與機器學(xué)習(xí) / 008
1.4 深度學(xué)習(xí)與強化學(xué)習(xí) / 014
1.5 本章小結(jié) / 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(shù)學(xué)解釋 / 032
2.3 回歸分析 / 038
2.4 回歸分析的數(shù)學(xué)解釋 / 041
2.5 本章小結(jié) / 046
第三章特征選取047
3.1 數(shù)據(jù)預(yù)處理的步驟 / 050
3.2 數(shù)據(jù)預(yù)處理與特征提取 / 057
3.3 主成分分析 / 059
3.4 因子分析 / 063
3.5 特征提取問題的數(shù)學(xué)解析 / 067
3.6 本章小結(jié) / 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 基于K-means算法的聚類規(guī)則 / 088
4.5 聚類問題的數(shù)學(xué)解釋 / 091
4.6 本章小結(jié) / 094
第五章深度學(xué)習(xí)097
5.1 概述 / 099
5.2 神經(jīng)網(wǎng)絡(luò)模型 / 101
5.3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法 / 103
5.4 神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)解釋 / 106
5.5 本章小結(jié) / 111
第六章強化學(xué)習(xí)113
6.1 樸素貝葉斯 / 115
6.2 貝葉斯信念網(wǎng) / 118
6.3 動態(tài)貝葉斯網(wǎng)絡(luò) / 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(jié) / 138
第七章計算流與自組織141
7.1 信息流與計算流的結(jié)合 / 143
7.2 學(xué)習(xí)中的自組織行為 / 144
7.3 神經(jīng)動力學(xué)與自組織 / 153
參考文獻157卷