8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Официальный флагманский магазин Suetong машинное обучение Lu Jing Машинное обучение Введение Книжный учебник.

Цена: 801руб.    (¥37.9)
Артикул: 646553004022
Цена указана со скидкой: 52%
Старая цена:  1670р. 

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:电子工业出版社旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥24.9527руб.
¥ 109 49.051 037руб.
¥ 108 541 142руб.
¥485руб.
  • Информация о товаре
  • Фотографии

Введение

В этой книге используется традиционное машинное обучение, такое как линейная регрессия, логическая регрессия, простота байеса, поддержка векторных машин, интегрированное обучение, для резки глубокого обучения и нейронных сетей, таких как DNN, CNN, Bert, Resnet и т. Д. Основанное объяснение, охватывающие математические принципы, вывод формулы, отображение диаграммы и случаи предприятия.В этом написанном младшем и младшем читателях могут помочь читателям быстро понять соответствующие концепции и принципы технологии машинного обучения.Содержание этой книги сочетает в себе многолетний опыт научных исследований автора, а также теоретическое и практическое внимание, что полезно для научных исследований, обучения, интервью и т. Д.
Оглавление

Глава 1 Количественная и извлечение функций данных 1
1.1 Обзор машинного обучения 1
1.2 Выдержка 2
1.3 Расчет векторного расстояния 6
Глава 2 Линейный возврат 12
2.1 Основная концепция линейной регрессии 13
2.2 Функция потери и метод падения градиента 14
2.3 Учебный набор и тестовый набор 19
2.4 Полиновые возврат 21
2.5 Старшие советы для линейного возврата 23
2.5.1 Исследование чувствительности к функциям 23
2.5.2 Выбор функции потери 24
ГЛАВА 3 ЛОГИЧЕСКОЕ возврат 27
3.1 Основные принципы логики возврата 28
3.2 Cross Entropy и KL расстояние 32
3.2.1 кля. Расстояние 32
3.2.2 Метод падения градиента 34
3.2.3 Образец и выборка 36
3.3 Linear InSeparable и его раствор 38
3,4 L1 Регулярные и L2 обычные 39
3.5 Стандарты оценки для классификации модели 43
3.6 Особенности логики возврата 47
3.6.1. Показано антиотраж 47
3.6.2 Раздел 49 функций 49
3.7.
Глава 4 Модель декомпозиции фактора 55
4.1 Основные принципы и функции Cross 55
4.1.1 Основные принципы 55
4.1.2. Упрощение поперечного персонажа 58
4.1.3 Обучение параметрам 59
4.2 Модель разложения фактора и разложение матрицы 61
Глава 5 Классификационная модель 63
5.1.
5.1.1 Поддерживать основной принцип векторной машины 63
5.1.2 Сравнение машины для вектора поддержки и логической регрессии 68
5.2 МЕТОД 70 ОСНОВНЫЙ МЕТОД 70
5.2.1 Основная функция 70
5.2.2 Применение ядерной функции в машине 72 поддержки векторного вектора 72
5.3 Простая байессия 73
5.3.1 Принципы простой Байеси 73
5.3.2 Параметры простого байеса оцениваются 76
5.4 Dimension Disaster 78
5.5 Применение Закона Окхэма Бритва 82
5.6 Ознакомьтесь с риском, риском ожидания и структурным риском 83
Глава 6 Нет.
6.1 K-Means Cluster 86
6.1.1 Основные принципы A-среднего алгоритма 86
6.1.2 Улучшенный алгоритм K-средних 88
6.1.3 Комбинированное применение алгоритма K-средних и логической регрессии 91
6.2 Тема модели 92
6.2.1 Принципы модели LDA 93
6.2.2 Обучение модели LDA 95
Глава 7 Интегрированное обучение 100
7.1 Дерево решений 100
7.2 Случайный лес 105
7.3 GBDT 108
Глава 8 Глубокая нейронная сеть 113
8.1 Основные принципы нейронной сети BP 113
8.2 Функция Multi -Classiation и Softmax 118
8.3 Метод падения градиента и цепное правило 120
8.4 Merture Learning 125
Глава 9 Настройка нейронной сети 130
9.1 Выбор функции активации 131
9.2 Инициализация веса 135
9.3 Улучшенный метод падения градиента 137
9.3.1 Метод падения случайного градиента 138
9.3.2 Задача седла 141
9.3.3 Оптимизация метода падения градиента 142
9.4 раствор переживания 145
9.4.1 регуляризация 145
9.4.2 Отбрасывание 146
9.4.3 Заранее 147
9.4.4 партия стандартизации и стандартизации слоя 148
9.4.5 ярлык 151
9.4.6 Метка гладкая 151
9.4.7 Данные искусственного производства 152
Глава 10 Лечение натурального языка 154
10.1 Модель обработки естественного языка 154
10.2.
10.3 Дерево Харман и отрицательная выборка 161
10.3.1 Дерево Харман 161
10.3.2 отрицательная выборка 163
10.4 Применение Word2VEC 165
10.5 Принципы и приложения модели FastText 166
ГЛАВА 11 СВОИЙ НЕРНАРНАЯ СЕТИ 169
11.1 Своичный слой и объединение слоя 169
11.2 Применение сверточных нейронных сетей в обработке изображений 177
11.3 Стандартизация утверждения в сверточной нейронной сети 179
11.4 Принципы и приложения TextCnn 180
ГЛАВА 12 В Движении -Детское сверток 185
12.1 1×1 том 185
12.2 Колочная свертка 186
12.3 ширина свертка и начало 187
12.4 Глубокая свертка и точечная свертка 189
12,5 представленной взвешенной канал сверток 193
Глава 13 Круга Нейронная сеть и модель LSTM 196
13.1 Подробное объяснение модели циркулирующей нейронной сети 196
13.1.1 Основной принцип циркулирующей нейронной сети 196
13.1.2 Некоторые проблемы, существующие в циркулирующей нейронной сети 199
13.2 Модель LSTM Подробное объяснение 202
13.3 Улучшение и применение модели LSTM 206
13.4 Алгоритм CTC 208
Глава 14 Модель внимания и трансформатор модель 210
14.1 Подробности модели внимания 210
14.1.1 Основной принцип внимания механизм 210
14.1.2 Обзор модели внимания 212
14.1.3 Улучшение модели внимания 214
14.1.4 Модель самоплавления 215
14.1.5 Многопользовательская модель внимания 217
14.2 Принципы трансформатора модели 219
14.3 Bert Model and Application 221
об авторе

С 2003 по 2012 год он учился на степень магистра в области бакалавриата Пекинского университета науки и техники. В 2016 году он вышел из станции пост -докторанта в Пекинском университете в 2016 году. Направление исследования заключается в: машинное обучение, искусственный интеллект , компьютерное зрение и естественный язык.Работа в Tencent, Iqiyi и других ** интернет -компаниях, занимающихся исследованиями приложений и разработки технологий искусственного интеллекта.Он выиграл бронзовую премию Tencent за бронзовую премию года. Созданные проекты включают в себя обработку естественного языка, рекомендации систем и руководящих команд для участия в строительстве и оптимизации многих корпоративных проектов.В дополнение к работе он работал с учебными учреждениями для лекций курсов искусственного интеллекта и привержен популярности и применению искусственного интеллекта в Китае.
Рекомендуемая рекомендация

В этом написанном младшем и младшем читателях могут помочь читателям быстро понять соответствующие концепции и принципы технологии машинного обучения.Содержание этой книги сочетает в себе многолетний опыт научных исследований автора, а также теоретическое и практическое внимание, что полезно для научных исследований, обучения, интервью и т. Д.