机器学习

1.大数据专家，复旦大学教授新力作 2.华为公司提供真实企业开发案例 3.提供典型Python算法与案例 4.突出机器学习系统内容，包括深度学习典型算法与应用、知识图谱、机器学习行业应用等 5.提供多媒体课件、案例代码等丰富的配套资源 机器学习是人工智能的重要技术基础，涉及的内容十分广泛。本书内容涵盖了机器学习的基础知识，主要包括机器学习的概论、统计学习基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习理论知识，也包括用于大数据机器学习的分布式机器学习算法、深度学习和加强学习等高等级内容。此外，还介绍了机器学习的热门应用领域推荐技术，并给出了华为机器学习平台上的实验。本书深入浅出、内容全面、案例丰富，每章后都有习题和参考文献，便于学生巩固学习，适用于高等院校本科生、研究生机器学习、数据分析、数据挖掘等课程的教材，也可作为对机器学习感兴趣的研究人员和工程技术人员的参考资料。

前言 第1章 机器学习概述 1.1 机器学习简介 1.2 机器学习、人工智能和数据挖掘 1.3 典型机器学习应用领域 1.4 机器学习算法 1.5 机器学习的一般流程 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 决策树算法 3.2 集成学习 3.3 决策树应用 习题 第4章 聚类分析 4.1 聚类分析概念 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 文本分析介绍 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 神经网络介绍 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 贝叶斯理论概述 7.2 贝叶斯概率基础 7.3 朴素贝叶斯分类模型 7.4 贝叶斯网络推理 7.5 贝叶斯网络的应用 习题 第8章 支持向量机 8.1 支持向量机模型 8.2 支持向量机应用 习题 第9章 进化计算 9.1 遗传算法的基础 9.2 蚁群算法 9.3 蜂群算法 习题 第10章 分布式机器学习 10.1 分布式机器学习基础 10.2 分布式机器学习框架 10.3 并行决策树 k-均值算法 习题 第11章 深度学习 11.1 卷积神经网络 11.2 循环神经网络 11.3 深度学习流行框架 习题 第12章 高级深度学习 12.1 高级卷积神经网络 12.2 高级循环神经网络应用 12.3 无监督式深度学习 12.4 强化学习 12.5 迁移学习 12.6 对偶学习 习题 第13章 推荐系统 13.1 推荐系统基础 13.2 推荐系统通用模型 13.3 推荐系统评测 13.4 推荐系统常见问题 13.5 推荐系统实例 习题 第14章 实验 14.1 华为FusionInsight产品平台介绍 14.2 银行定期存款业务预测 14.3 客户分群 附录 《机器学习》配套实验课程方案简介 参考文献

2001年4月毕业于东南大学，获博士学位。2001年6月起在复旦大学管理科学与工程博士后流动站工作。2003年5月进入复旦大学软件学院，主要负责本科生和各类研究生电子商务、大数据核心技术和商务智能等课程的教学，2011年纽约大学Stern商学院访问学者。商务智能被评为上海市精品课程，获得2013年高等教育上海市教学成果奖二等奖。发表论文90多篇，其中被SCI、EI收录40多篇。出版专著及教材10多部。获得上海市2015年上海市科技进步二等奖。

暂无其它内容！

暂时还没有人为这本书评论！