最新章節

• 習題
• 13.4.2 演員-評論家算法
• 13.4.1 DQN算法
• 13.4 深度強化學習
• 13.3.4 Q-Learning算法
• 13.3.3 SARSA算法

• 習題 更新時間：2025-01-16 17:44:31
• 13.4.2 演員-評論家算法
• 13.4.1 DQN算法
• 13.4 深度強化學習
• 13.3.4 Q-Learning算法
• 13.3.3 SARSA算法
• 13.3.2 時序差分算法
• 13.3.1 蒙特卡洛強化學習
• 13.3 強化學習基本算法
• 13.2.4 價值函數
• 13.2.3 強化學習的目標函數
• 13.2.2 強化學習基本概念
• 13.2.1 馬爾可夫鏈
• 13.2 強化學習基礎
• 13.1 強化學習概述
• 第13章 強化學習
• 習題
• 12.6 深度學習在推薦系統中的應用
• 12.5 推薦系統實例
• 12.4 推薦系統常見問題
• 12.3.2 評測指標
• 12.3.1 評測方法
• 12.3 推薦系統評測
• 12.2.8 基于標簽的推薦
• 12.2.7 基于知識的推薦
• 12.2.6 基于關聯規則的推薦
• 12.2.5 基于圖的推薦
• 12.2.4 基于協同過濾的推薦
• 12.2.3 基于內容的推薦
• 12.2.2 基于人口統計學的推薦
• 12.2.1 推薦系統結構
• 12.2 推薦系統通用模型
• 12.1.2 相似度計算
• 12.1.1 推薦系統的應用場景
• 12.1 推薦系統概述
• 第12章 推薦系統
• 習題
• 11.7 小樣本學習
• 11.6 知識蒸餾
• 11.5 對偶學習
• 11.4 遷移學習
• 11.3.2 常見的生成對抗網絡
• 11.3.1 生成對抗網絡基本原理
• 11.3 生成對抗網絡
• 11.2.2 自動編碼器網絡
• 11.2.1 深度信念網絡
• 11.2 無監督深度學習
• 11.1.5 BERT模型
• 11.1.4 Transformer模型
• 11.1.3 多頭注意力
• 11.1.2 自注意力
• 11.1.1 常見詞嵌入模型
• 11.1 自注意力和BERT模型
• 第11章 高級深度學習
• 習題
• 10.5 深度學習流行框架
• 10.4.4 循環神經網絡的其他改進
• 10.4.3 門限循環單元
• 10.4.2 長短期記憶網絡
• 10.4.1 循環神經網絡基本原理
• 10.4 循環神經網絡
• 10.3.3 Mask R-CNN
• 10.3.2 U-Net算法
• 10.3.1 全卷積神經網絡
• 10.3 圖像分割
• 10.2.2 目標檢測典型算法
• 10.2.1 目標檢測基本概念
• 10.2 目標檢測
• 10.1.4 常見卷積神經網絡
• 10.1.3 卷積神經網絡的訓練
• 10.1.2 卷積神經網絡的結構
• 10.1.1 卷積神經網絡概述
• 10.1 卷積神經網絡
• 第10章 深度學習基礎
• 習題
• 9.4 并行k-均值算法
• 9.3 并行決策樹
• 9.2 分布式機器學習框架
• 9.1 分布式機器學習基礎
• 第9章 分布式機器學習
• 習題
• 8.3 支持向量機應用
• 8.2.2 常見核函數
• 8.2.1 非線性可分支持向量機原理
• 8.2 非線性可分支持向量機
• 8.1.4 軟間隔
• 8.1.3 對偶問題求解
• 8.1.2 支持向量
• 8.1.1 間隔與超平面
• 8.1 線性可分支持向量機
• 第8章 支持向量機
• 習題
• 7.4.4 疾病診斷
• 7.4.3 故障診斷
• 7.4.2 機器翻譯
• 7.4.1 中文分詞
• 7.4 貝葉斯網絡的應用
• 7.3 貝葉斯網絡推理
• 7.2 樸素貝葉斯分類模型
• 7.1 貝葉斯定理
• 第7章 貝葉斯網絡
• 習題
• 6.3 神經網絡應用
• 6.2.8 網絡模型效果評價
• 6.2.7 神經網絡模型訓練中的問題
• 6.2.6 訓練方式
• 6.2.5 數據預處理
• 6.2.4 過擬合與正則化
• 6.2.3 學習率
• 6.2.2 損失函數
• 6.2.1 激活函數
• 6.2 神經網絡相關概念
• 6.1.3 自組織神經網絡
• 6.1.2 反饋神經網絡
• 6.1.1 前饋神經網絡
• 6.1 神經網絡概述
• 第6章 神經網絡
• 習題
• 5.7.5 自動摘要
• 5.7.4 情感分析
• 5.7.3 問答系統
• 5.7.2 信息抽取
• 5.7.1 文本分類
• 5.7 文本分析應用
• 5.6 語義分析
• 5.5 句法分析
• 5.4.3 詞義消歧
• 5.4.2 命名實體識別
• 5.4.1 文本分詞
• 5.4 詞法分析
• 5.3.4 知識圖譜的構建過程
• 5.3.3 知識圖譜的挖掘與計算
• 5.3.2 知識圖譜的存儲
• 5.3.1 知識圖譜相關概念
• 5.3 知識圖譜
• 5.2.7 向量空間模型
• 5.2.6 語言模型
• 5.2.5 詞嵌入
• 5.2.4 卡方統計量
• 5.2.3 互信息
• 5.2.1 TF-IDF算法
• 5.2 文本特征提取及表示
• 5.1 文本分析概述
• 第5章 文本分析
• 習題
• 4.7.3 基于Kohonen神經網絡模型的聚類
• 4.7.2 模糊聚類
• 4.7.1 基于概率模型的聚類
• 4.7 基于模型的聚類
• 4.6 基于網格的聚類
• 4.5.2 CURE算法
• 4.5.1 BIRCH聚類
• 4.5 基于層次的聚類
• 4.4.2 OPTICS算法
• 4.4.1 DBSCAN算法
• 4.4 基于密度的聚類
• 4.3.3 k-prototype算法
• 4.3.2 k-medoids算法
• 4.3.1 k-均值算法
• 4.3 基于劃分的聚類
• 4.2.2 內部指標
• 4.2.1 外部指標
• 4.2 聚類分析的度量
• 4.1.2 良好聚類算法的特征
• 4.1.1 聚類算法分類
• 4.1 聚類分析概述
• 第4章 聚類分析
• 習題
• 3.2.5 隨機森林算法
• 3.2.4 XGBoost算法
• 3.2.3 GBDT算法
• 3.2.2 提升法
• 3.2.1 裝袋法
• 3.2 集成學習
• 3.1.4 分類性能評價
• 3.1.3 過擬合問題
• 3.1.2 連續屬性離散化
• 3.1.1 分支處理
• 3.1 決策樹
• 第3章 決策樹與分類算法
• 習題
• 2.5.6 可視化分析面臨的挑戰
• 2.5.5 常見的可視化圖表
• 2.5.4 可視化分析常用工具
• 2.5.3 可視化分析方法
• 2.5.2 可視化分析的基本流程
• 2.5.1 可視化分析的作用
• 2.5 可視化分析
• 2.4.2 訓練數據收集
• 2.4.1 模型訓練常見術語
• 2.4 模型訓練
• 2.3.3 特征提取
• 2.3.2 特征選擇
• 2.3.1 特征構造
• 2.3 特征工程
• 2.2.5 拉普拉斯特征映射
• 2.2.4 局部線性嵌入
• 2.2.3 線性判別分析
• 2.2.2 奇異值分解
• 2.2.1 主成分分析
• 2.2 高維數據降維
• 2.1.8 非線性模型
• 2.1.7 判別分析
• 2.1.6 邏輯回歸
• 2.1.5 線性回歸
• 2.1.4 假設檢驗
• 2.1.3 參數估計
• 2.1.2 常見概率分布
• 2.1.1 統計基礎
• 2.1 統計分析
• 第2章 機器學習基本方法
• 習題
• 1.5 機器學習的流程
• 1.4 機器學習算法
• 1.3 機器學習應用的典型領域
• 1.2.3 機器學習、人工智能和數據挖掘的關系
• 1.2.2 什么是數據挖掘
• 1.2.1 什么是人工智能
• 1.2 機器學習、人工智能和數據挖掘
• 1.1.2 機器學習主要流派
• 1.1.1 機器學習簡史
• 1.1 機器學習概述
• 第1章 機器學習基礎
• 前言
• 推薦序
• 內容提要
• 版權信息
• 封面

• 封面
• 版權信息
• 內容提要
• 推薦序
• 前言
• 第1章 機器學習基礎
• 1.1 機器學習概述
• 1.1.1 機器學習簡史
• 1.1.2 機器學習主要流派
• 1.2 機器學習、人工智能和數據挖掘
• 1.2.1 什么是人工智能
• 1.2.2 什么是數據挖掘
• 1.2.3 機器學習、人工智能和數據挖掘的關系
• 1.3 機器學習應用的典型領域
• 1.4 機器學習算法
• 1.5 機器學習的流程
• 習題
• 第2章 機器學習基本方法
• 2.1 統計分析
• 2.1.1 統計基礎
• 2.1.2 常見概率分布
• 2.1.3 參數估計
• 2.1.4 假設檢驗
• 2.1.5 線性回歸
• 2.1.6 邏輯回歸
• 2.1.7 判別分析
• 2.1.8 非線性模型
• 2.2 高維數據降維
• 2.2.1 主成分分析
• 2.2.2 奇異值分解
• 2.2.3 線性判別分析
• 2.2.4 局部線性嵌入
• 2.2.5 拉普拉斯特征映射
• 2.3 特征工程
• 2.3.1 特征構造
• 2.3.2 特征選擇
• 2.3.3 特征提取
• 2.4 模型訓練
• 2.4.1 模型訓練常見術語
• 2.4.2 訓練數據收集
• 2.5 可視化分析
• 2.5.1 可視化分析的作用
• 2.5.2 可視化分析的基本流程
• 2.5.3 可視化分析方法
• 2.5.4 可視化分析常用工具
• 2.5.5 常見的可視化圖表
• 2.5.6 可視化分析面臨的挑戰
• 習題
• 第3章 決策樹與分類算法
• 3.1 決策樹
• 3.1.1 分支處理
• 3.1.2 連續屬性離散化
• 3.1.3 過擬合問題
• 3.1.4 分類性能評價
• 3.2 集成學習
• 3.2.1 裝袋法
• 3.2.2 提升法
• 3.2.3 GBDT算法
• 3.2.4 XGBoost算法
• 3.2.5 隨機森林算法
• 習題
• 第4章 聚類分析
• 4.1 聚類分析概述
• 4.1.1 聚類算法分類
• 4.1.2 良好聚類算法的特征
• 4.2 聚類分析的度量
• 4.2.1 外部指標
• 4.2.2 內部指標
• 4.3 基于劃分的聚類
• 4.3.1 k-均值算法
• 4.3.2 k-medoids算法
• 4.3.3 k-prototype算法
• 4.4 基于密度的聚類
• 4.4.1 DBSCAN算法
• 4.4.2 OPTICS算法
• 4.5 基于層次的聚類
• 4.5.1 BIRCH聚類
• 4.5.2 CURE算法
• 4.6 基于網格的聚類
• 4.7 基于模型的聚類
• 4.7.1 基于概率模型的聚類
• 4.7.2 模糊聚類
• 4.7.3 基于Kohonen神經網絡模型的聚類
• 習題
• 第5章 文本分析
• 5.1 文本分析概述
• 5.2 文本特征提取及表示
• 5.2.1 TF-IDF算法
• 5.2.3 互信息
• 5.2.4 卡方統計量
• 5.2.5 詞嵌入
• 5.2.6 語言模型
• 5.2.7 向量空間模型
• 5.3 知識圖譜
• 5.3.1 知識圖譜相關概念
• 5.3.2 知識圖譜的存儲
• 5.3.3 知識圖譜的挖掘與計算
• 5.3.4 知識圖譜的構建過程
• 5.4 詞法分析
• 5.4.1 文本分詞
• 5.4.2 命名實體識別
• 5.4.3 詞義消歧
• 5.5 句法分析
• 5.6 語義分析
• 5.7 文本分析應用
• 5.7.1 文本分類
• 5.7.2 信息抽取
• 5.7.3 問答系統
• 5.7.4 情感分析
• 5.7.5 自動摘要
• 習題
• 第6章 神經網絡
• 6.1 神經網絡概述
• 6.1.1 前饋神經網絡
• 6.1.2 反饋神經網絡
• 6.1.3 自組織神經網絡
• 6.2 神經網絡相關概念
• 6.2.1 激活函數
• 6.2.2 損失函數
• 6.2.3 學習率
• 6.2.4 過擬合與正則化
• 6.2.5 數據預處理
• 6.2.6 訓練方式
• 6.2.7 神經網絡模型訓練中的問題
• 6.2.8 網絡模型效果評價
• 6.3 神經網絡應用
• 習題
• 第7章 貝葉斯網絡
• 7.1 貝葉斯定理
• 7.2 樸素貝葉斯分類模型
• 7.3 貝葉斯網絡推理
• 7.4 貝葉斯網絡的應用
• 7.4.1 中文分詞
• 7.4.2 機器翻譯
• 7.4.3 故障診斷
• 7.4.4 疾病診斷
• 習題
• 第8章 支持向量機
• 8.1 線性可分支持向量機
• 8.1.1 間隔與超平面
• 8.1.2 支持向量
• 8.1.3 對偶問題求解
• 8.1.4 軟間隔
• 8.2 非線性可分支持向量機
• 8.2.1 非線性可分支持向量機原理
• 8.2.2 常見核函數
• 8.3 支持向量機應用
• 習題
• 第9章 分布式機器學習
• 9.1 分布式機器學習基礎
• 9.2 分布式機器學習框架
• 9.3 并行決策樹
• 9.4 并行k-均值算法
• 習題
• 第10章 深度學習基礎
• 10.1 卷積神經網絡
• 10.1.1 卷積神經網絡概述
• 10.1.2 卷積神經網絡的結構
• 10.1.3 卷積神經網絡的訓練
• 10.1.4 常見卷積神經網絡
• 10.2 目標檢測
• 10.2.1 目標檢測基本概念
• 10.2.2 目標檢測典型算法
• 10.3 圖像分割
• 10.3.1 全卷積神經網絡
• 10.3.2 U-Net算法
• 10.3.3 Mask R-CNN
• 10.4 循環神經網絡
• 10.4.1 循環神經網絡基本原理
• 10.4.2 長短期記憶網絡
• 10.4.3 門限循環單元
• 10.4.4 循環神經網絡的其他改進
• 10.5 深度學習流行框架
• 習題
• 第11章 高級深度學習
• 11.1 自注意力和BERT模型
• 11.1.1 常見詞嵌入模型
• 11.1.2 自注意力
• 11.1.3 多頭注意力
• 11.1.4 Transformer模型
• 11.1.5 BERT模型
• 11.2 無監督深度學習
• 11.2.1 深度信念網絡
• 11.2.2 自動編碼器網絡
• 11.3 生成對抗網絡
• 11.3.1 生成對抗網絡基本原理
• 11.3.2 常見的生成對抗網絡
• 11.4 遷移學習
• 11.5 對偶學習
• 11.6 知識蒸餾
• 11.7 小樣本學習
• 習題
• 第12章 推薦系統
• 12.1 推薦系統概述
• 12.1.1 推薦系統的應用場景
• 12.1.2 相似度計算
• 12.2 推薦系統通用模型
• 12.2.1 推薦系統結構
• 12.2.2 基于人口統計學的推薦
• 12.2.3 基于內容的推薦
• 12.2.4 基于協同過濾的推薦
• 12.2.5 基于圖的推薦
• 12.2.6 基于關聯規則的推薦
• 12.2.7 基于知識的推薦
• 12.2.8 基于標簽的推薦
• 12.3 推薦系統評測
• 12.3.1 評測方法
• 12.3.2 評測指標
• 12.4 推薦系統常見問題
• 12.5 推薦系統實例
• 12.6 深度學習在推薦系統中的應用
• 習題
• 第13章 強化學習
• 13.1 強化學習概述
• 13.2 強化學習基礎
• 13.2.1 馬爾可夫鏈
• 13.2.2 強化學習基本概念
• 13.2.3 強化學習的目標函數
• 13.2.4 價值函數
• 13.3 強化學習基本算法
• 13.3.1 蒙特卡洛強化學習
• 13.3.2 時序差分算法
• 13.3.3 SARSA算法
• 13.3.4 Q-Learning算法
• 13.4 深度強化學習
• 13.4.1 DQN算法
• 13.4.2 演員-評論家算法
• 習題 更新時間：2025-01-16 17:44:31