機器學(xué)習(xí)技術(shù)及應(yīng)用
定 價：68 元
叢書名：英特爾FPGA中國創(chuàng)新中心系列叢書
- 作者：徐宏英等
- 出版時間：2023/2/1
- ISBN：9787121449154
- 出 版 社：電子工業(yè)出版社
機器學(xué)習(xí)是人工智能的一個方向。它是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、矩陣論、神經(jīng)網(wǎng)絡(luò)、計算機等多門學(xué)科。其目標(biāo)是使用計算機模擬或?qū)崿F(xiàn)人類學(xué)習(xí)活動，從現(xiàn)有大量的數(shù)據(jù)中學(xué)習(xí)，利用經(jīng)驗不斷改善系統(tǒng)性能。機器學(xué)習(xí)步驟一般分為獲取數(shù)據(jù)、數(shù)據(jù)預(yù)處理、建立模型、模型評估和預(yù)測。本書共6章。第1章節(jié)主要介紹機器學(xué)習(xí)的基本概念及其發(fā)展史、機器學(xué)習(xí)分類、常見機器學(xué)習(xí)算法及其特點；第2章搭建機器學(xué)習(xí)開發(fā)環(huán)境，主要包括anaconda\pycharm\python軟件的安裝及使用，以及常見機器學(xué)習(xí)庫的介紹和安裝使用方法；第3章介紹了監(jiān)督學(xué)習(xí)的4個經(jīng)典算法：線性回歸、決策樹、k近鄰和支持向量機算法，其重點在算法的應(yīng)用；第4章介紹了主成分分析降維算法、Kmeans聚類算法；第5章介紹人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)，并通過房價預(yù)測和手寫數(shù)字識別實例進行驗證；第6章介紹強化學(xué)習(xí)的基本概念，有模型學(xué)習(xí)和無模型學(xué)習(xí)，最后介紹了Q-Learning算法和Sarsa算法。本書由人工智能技術(shù)專業(yè)教師和英特爾FPGA中國創(chuàng)新中心的工程師們合力編寫，講解了大量的具體程序案例，涵蓋大部分機器學(xué)習(xí)算法，教師和學(xué)生可以根據(jù)應(yīng)用需求，選擇對應(yīng)的知識點和算法。本書所有程序均已經(jīng)在英特爾FPGA中國創(chuàng)新中心AILab實訓(xùn)平臺上驗證實現(xiàn)。本書可作為高職高專院校電子信息類相關(guān)專業(yè)教材，也可作為科技人員的參考用書。
徐宏英，女，工學(xué)碩士，重慶電子工程職業(yè)學(xué)院骨干教師，參研國家自然科學(xué)基金一項，參研省級重點科技攻關(guān)項目一項，主持省級教改課題一項，參研省部級項目8項，第一主編出版教材1部，發(fā)表論文10余篇，申請專利8項，指導(dǎo)學(xué)生參加全國大學(xué)生電子設(shè)計大賽獲全國二等獎1項，指導(dǎo)學(xué)生參加職業(yè)技能競賽獲全國二等獎1項，省部級電子設(shè)計大賽、職業(yè)技能大賽10余項。
第1章 機器學(xué)習(xí)介紹001
1.1 機器學(xué)習(xí)簡介002
1.1.1 機器學(xué)習(xí)的基本概念003
1.1.2 機器學(xué)習(xí)的發(fā)展歷史005
1.2 機器學(xué)習(xí)的分類及典型算法010
1.2.1 機器學(xué)習(xí)的分類010
1.2.2 監(jiān)督學(xué)習(xí)011
1.2.3 非監(jiān)督學(xué)習(xí)014
1.2.4 半監(jiān)督學(xué)習(xí)015
1.2.5 強化學(xué)習(xí)018
本章小結(jié)019
習(xí)題020
第2章 基于Python語言的機器學(xué)習(xí)環(huán)境搭建與配置023
2.1 機器學(xué)習(xí)相關(guān)軟件介紹024
2.1.1 機器學(xué)習(xí)開發(fā)語言024
2.1.2 機器學(xué)習(xí)開發(fā)工具028
2.2 機器學(xué)習(xí)開發(fā)環(huán)境搭建036
2.2.1 Python的安裝及使用036
2.2.2 Anaconda的安裝及使用041
2.2.3 PyCharm的安裝及使用052
2.3 常見機器學(xué)習(xí)庫函數(shù)功能介紹059
2.3.1 基礎(chǔ)科學(xué)計算庫（NumPy）059
2.3.2 科學(xué)計算工具集（Scipy）068
2.3.3 數(shù)據(jù)分析庫（Pandas）074
2.3.4 圖形繪制庫（Matplotlib）079
2.3.5 機器學(xué)習(xí)常用算法庫（Scikit-learn）080
本章小結(jié)083
習(xí)題084
第3章 監(jiān)督學(xué)習(xí)087
3.1 線性回歸算法088
3.1.1 常用損失函數(shù)089
3.1.2 最小二乘法091
3.1.3 梯度下降法092
3.1.4 線性回歸算法實例094
3.2 決策樹算法098
3.2.1 分類準(zhǔn)則099
3.2.2 ID3算法102
3.2.3 C4.5算法108
3.2.4 CART算法111
3.2.5 決策樹算法實例113
3.3 k近鄰算法116
3.3.1 k值的選取及特征歸一化117
3.3.2 kd樹120
3.3.3 k近鄰算法實例128
3.4 支持向量機算法133
3.4.1 線性可分性133
3.4.2 對偶問題136
3.4.3 核函數(shù)139
3.4.4 軟間隔142
3.4.5 支持向量機算法實例144
本章小結(jié)146
習(xí)題146
第4章 非監(jiān)督學(xué)習(xí)149
4.1 非監(jiān)督學(xué)習(xí)概述150
4.1.1 非監(jiān)督學(xué)習(xí)的基本概念150
4.1.2 非監(jiān)督學(xué)習(xí)的分類151
4.1.3 非監(jiān)督學(xué)習(xí)的特點152
4.1.4 非監(jiān)督學(xué)習(xí)的應(yīng)用153
4.2 主成分分析降維算法154
4.2.1 數(shù)據(jù)降維介紹154
4.2.2 PCA算法介紹155
4.2.3 PCA算法求解步驟159
4.2.4 PCA算法實例161
4.3 K-means聚類算法163
4.3.1 聚類算法簡介163
4.3.2 K-means算法介紹164
4.3.3 K-means算法求解步驟165
4.3.4 K-means算法實例170
本章小結(jié)172
習(xí)題173
第5章 人工神經(jīng)網(wǎng)絡(luò)175
5.1 人工神經(jīng)網(wǎng)絡(luò)概述176
5.1.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程176
5.1.2 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)180
5.1.3 人工神經(jīng)網(wǎng)絡(luò)模型188
5.1.4 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用191
5.2 房價預(yù)測實例193
5.2.1 房價預(yù)測模型構(gòu)建193
5.2.2 房價預(yù)測網(wǎng)絡(luò)構(gòu)建198
5.3 手寫數(shù)字識別實例199
5.3.1 手寫數(shù)字識別簡介199
5.3.2 手寫數(shù)字識別網(wǎng)絡(luò)構(gòu)建201
本章小結(jié)203
習(xí)題203
第6章 強化學(xué)習(xí)205
6.1 強化學(xué)習(xí)概述206
6.1.1 強化學(xué)習(xí)的基本概念206
6.1.2 強化學(xué)習(xí)的發(fā)展歷史208
6.1.3 強化學(xué)習(xí)的分類210
6.1.4 強化學(xué)習(xí)的特點及應(yīng)用211
6.2 強化學(xué)習(xí)基礎(chǔ)212
6.2.1 馬爾可夫決策過程212
6.2.2 貪心算法213
6.3 有模型學(xué)習(xí)和無模型學(xué)習(xí)214
6.3.1 有模型學(xué)習(xí)214
6.3.2 無模型學(xué)習(xí)216
6.4 強化學(xué)習(xí)實例216
6.4.1 Q-Learning算法216
6.4.2 Sarsa算法232
本章小結(jié)242
習(xí)題243
書單推薦
