（1）作者来自复旦大学，在国内具有一定的影响力，常举办相关的培训和讲座。 （2）教材难度适中、系统性强，内容基本覆盖了机器学习和深度学习的核心内容，深浅出，适合初学者。知识与时俱，行了更新。 （3）教材配套资料齐全，包括对应的PPT、数据素材、程序源代码、测试题等，另外还提供配套的视频。 （4）实践指导性强。作者结合20多家企业的实战合作项目实践，提供300多道原创的选择题、填空和判断题。还有40多个实战案例供读者实验和实训。
售 价：¥
纸质售价：¥63.40购买纸书
6.8
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容提要
推荐序
前言
第1章 机器学习基础
1.1 机器学习概述
1.2 机器学习、人工智能和数据挖掘
1.3 机器学习应用的典型领域
1.4 机器学习算法
1.5 机器学习的流程
习题
第2章 机器学习基本方法
2.1 统计分析
2.2 高维数据降维
2.3 特征工程
2.4 模型训练
2.5 可视化分析
习题
第3章 决策树与分类算法
3.1 决策树
3.2 集成学习
习题
第4章 聚类分析
4.1 聚类分析概述
4.2 聚类分析的度量
4.3 基于划分的聚类
4.4 基于密度的聚类
4.5 基于层次的聚类
4.6 基于网格的聚类
4.7 基于模型的聚类
习题
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
5.3 知识图谱
5.4 词法分析
5.5 句法分析
5.6 语义分析
5.7 文本分析应用
习题
第6章 神经网络
6.1 神经网络概述
6.2 神经网络相关概念
6.3 神经网络应用
习题
第7章 贝叶斯网络
7.1 贝叶斯定理
7.2 朴素贝叶斯分类模型
7.3 贝叶斯网络推理
7.4 贝叶斯网络的应用
习题
第8章 支持向量机
8.1 线性可分支持向量机
8.2 非线性可分支持向量机
8.3 支持向量机应用
习题
第9章 分布式机器学习
9.1 分布式机器学习基础
9.2 分布式机器学习框架
9.3 并行决策树
9.4 并行k-均值算法
习题
第10章 深度学习基础
10.1 卷积神经网络
10.2 目标检测
10.3 图像分割
10.4 循环神经网络
10.5 深度学习流行框架
习题
第11章 高级深度学习
11.1 自注意力和BERT模型
11.2 无监督深度学习
11.3 生成对抗网络
11.4 迁移学习
11.5 对偶学习
11.6 知识蒸馏
11.7 小样本学习
习题
第12章 推荐系统
12.1 推荐系统概述
12.2 推荐系统通用模型
12.3 推荐系统评测
12.4 推荐系统常见问题
12.5 推荐系统实例
12.6 深度学习在推荐系统中的应用
习题
第13章 强化学习
13.1 强化学习概述
13.2 强化学习基础
13.3 强化学习基本算法
13.4 深度强化学习
习题
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
