機(jī)器學(xué)習(xí)算法理論與應(yīng)用

定　價(jià)：￥78.00

作　者：	張?jiān)品?/td>
出版社：	中國(guó)海洋大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787567025103	出版時(shí)間：	2022-06-01	包裝：
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	251	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　機(jī)器學(xué)習(xí)目前是人工智能和模式識(shí)別領(lǐng)域的共同研究熱點(diǎn)，其理論和方法已被廣泛應(yīng)用于解決工程應(yīng)用和科學(xué)領(lǐng)域的復(fù)雜問(wèn)題。作者從解決實(shí)際問(wèn)題的角度出發(fā)，通過(guò)大量的實(shí)戰(zhàn)經(jīng)驗(yàn)深入剖析機(jī)器學(xué)習(xí)算法在解決實(shí)際問(wèn)題中的具體應(yīng)用，處理數(shù)據(jù)從一維到二維，研究對(duì)象從文本到圖像，解決問(wèn)題從股票預(yù)測(cè)到圖像去霧。全書(shū)用通俗易懂的語(yǔ)言和繪聲繪色的插圖從機(jī)器學(xué)習(xí)最簡(jiǎn)單的模型出發(fā)，帶領(lǐng)讀者一步步叩開(kāi)機(jī)器學(xué)**秘的大門(mén)。本書(shū)可作為專(zhuān)業(yè)課教材供學(xué)生使用，也可為相關(guān)興趣愛(ài)好者參考使用。

作者簡(jiǎn)介

暫缺《機(jī)器學(xué)習(xí)算法理論與應(yīng)用》作者簡(jiǎn)介

圖書(shū)目錄

序言
第1部分深度學(xué)習(xí)應(yīng)用
1 圖像分類(lèi)
1.1 圖像分類(lèi)任務(wù)
1.2 支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)
1.3 神經(jīng)網(wǎng)絡(luò)逼近核函數(shù)混合連接的圖像分類(lèi)方法
1.4 應(yīng)用示例
2 時(shí)間序列分析
2.1 統(tǒng)計(jì)方法
2.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
3 目標(biāo)檢測(cè)
3.1 基本概念
3.2 核心原理
3.3 經(jīng)典模型
3.4 目標(biāo)檢測(cè)數(shù)據(jù)集
3.5 圖像標(biāo)注
3.6 目標(biāo)檢測(cè)應(yīng)用——輪轂焊縫精確識(shí)別與快速定位
4 文本檢測(cè)
4.1 研究基礎(chǔ)
4.2 基于多尺度特征融合的自然場(chǎng)景文本檢測(cè)算法
5 冠狀動(dòng)脈分割
5.1 研究基礎(chǔ)
5.2 基于分形分析的噪聲圖像超分辨率重建
5.3 基于多特征融合的MFM R-CNN網(wǎng)絡(luò)
6 單幅圖像去雨
6.1 基于物理模型的單幅圖像去雨算法
6.2 基于學(xué)習(xí)的單幅圖像去雨算法
6.3 基于擠壓激勵(lì)塊的多階段去雨算法
7 單幅圖像去霧
7.1 大氣散射模型
7.2 經(jīng)典的圖像去霧算法
7.3 基于迭代去霧模型和CycleGAN的單幅圖像去霧算法
7.4 混合透射率迭代估計(jì)的單幅圖像去霧算法
7.5 基于注意力機(jī)制的半監(jiān)督圖像去霧算法
8 異構(gòu)圖文本數(shù)據(jù)分類(lèi)
8.1 基本概念與原理
8.2 提出算法
8.3 實(shí)驗(yàn)
第Ⅱ部分集成學(xué)習(xí)模型及應(yīng)用
9 基于自適應(yīng)策略粒子群優(yōu)化的XGBoost模型
9.1 極限梯度提升樹(shù)算法（XGBoost）
9.2 基于自適應(yīng)策略粒子群優(yōu)化的XGBoost金融信貸預(yù)測(cè)模型
9.3 實(shí)驗(yàn)結(jié)果及分析
10 基于神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的期權(quán)定價(jià)模型
10.1 經(jīng)典算法與模型
10.2 基于神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的期權(quán)定價(jià)模型
10.3 實(shí)驗(yàn)結(jié)果及分析
第Ⅲ部分遷移學(xué)習(xí)及應(yīng)用
11 遷移學(xué)習(xí)基礎(chǔ)知識(shí)
11.1 基本概念
11.2 遷移學(xué)習(xí)的分類(lèi)
11.3 遷移學(xué)習(xí)方法
11.4 深度遷移學(xué)習(xí)
11.5 深度域適應(yīng)
12 基于遷移學(xué)習(xí)的水下圖像增強(qiáng)
12.1 研究現(xiàn)狀
12.2 算法描述
12.3 實(shí)驗(yàn)結(jié)果及分析
第Ⅳ部分強(qiáng)化學(xué)習(xí)及應(yīng)用
13 強(qiáng)化學(xué)習(xí)基礎(chǔ)知識(shí)
13.1 馬爾科夫決策過(guò)程
13.2 深度強(qiáng)化學(xué)習(xí)算法介紹
14 基于深度強(qiáng)化學(xué)習(xí)的股票量化交易
14.1 研究現(xiàn)狀
14.2 算法的提出
14.3 實(shí)驗(yàn)結(jié)果及分析
第Ⅴ部分多模態(tài)融合及應(yīng)用
15 股票漲跌預(yù)測(cè)
15.1 基本概念與原理
15.2 基于Transfomer注意力網(wǎng)絡(luò)的股票漲跌預(yù)測(cè)方法1
16 語(yǔ)音分離
16.1 語(yǔ)音分離算法的基本概念與分類(lèi)
16.2 基于聽(tīng)覺(jué)信息的傳統(tǒng)語(yǔ)音分離算法
16.3 基于深度學(xué)習(xí)的語(yǔ)音分離算法
16.4 音視頻結(jié)合的語(yǔ)音分離算法
16.5 基于多模態(tài)融合開(kāi)展的工作
第Ⅵ部分參數(shù)優(yōu)化算法
17 粒子群優(yōu)化算法
17.1 基本概念與原理
17.2 基于控制參數(shù)調(diào)整的粒子群優(yōu)化算法
17.3 基于鄰域拓?fù)涞牧Ｗ尤簝?yōu)化算法
17.4 基于輔助搜索技術(shù)的粒子群優(yōu)化算法
18 自適應(yīng)粒子群優(yōu)化算法及其應(yīng)用
18.1 基于自適應(yīng)學(xué)習(xí)策略的粒子群優(yōu)化算法
18.2 基于自適應(yīng)演化狀態(tài)分析的粒子群優(yōu)化算法
18.3 基于自適應(yīng)變異粒子群優(yōu)化支持向量機(jī)的信用評(píng)估方法
后記