《机器学习基础》内容简介与阅读建议

Name: 机器学习基础
Author: 刘胜蓝/闫刚
ISBN: 9787121514852

获取这本书 暂无已核验电子书资源

下载

作者: 刘胜蓝/闫刚
分类: 科技技术
出版年份: 2025
出版社: 电子工业出版社
页数: 192 页
语言: 中文

《机器学习基础》内容简介

本书从机器学习在数据处理的角度入手来介绍机器学习的常用算法，按照"背景引入-方法介绍-案例-拓展知识点及文献”的思路来组织内容。本书共14章，涵盖了机器学习的常用算法。对于书中的每种机器学习算法，本书均给出了基本定义、典型应用，可方便读者更加深入的理解每种机器学习算法。此外，本书还介绍了计算机视觉的应用为例，阐述了机器学习算法在图像特征提取和卷积神经网络中的应用。

《机器学习基础》书籍信息摘要

《机器学习基础》内容简介与阅读建议，作者刘胜蓝/闫刚，科技技术，2025年。获取前建议核对作者、出版社、年份、ISBN、版本和正版渠道。相关主题：机器学习、数据可视化、卷积神经网络、计算机类。

作者：刘胜蓝/闫刚
分类：科技技术
出版年份：2025
出版社：电子工业出版社
页数：192 页
语言：中文
格式：暂无已核验合规下载格式

《机器学习基础》适合哪些读者？

适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。

查看刘胜蓝/闫刚的作品顺序浏览科技技术书籍查看“机器学习”相关书籍读完这本读什么查看书籍排行榜

获取建议

《机器学习基础》怎么获取更合适？

优先确认版本和阅读目的；下载区只展示已核验的公版、授权、开放许可或官方试读资源。

下载

暂无已核验电子书资源；本站不展示未授权完整文件。

下载

版本

优先选择作者、译者、出版社、出版年份和 ISBN 信息明确的版本；经典作品可优先选择校注、导读或权威出版社版本。

1.4.2　标准化 8
1.4.3　缺失值填充 8
1.5 机器学习模型的评价指标 9
1.6 本书的主要内容框架 10
1.7 参考文献 10
1.8 习题 11
第2章数据可视化 12
2.1 基本类型 13
2.1.1　饼状图 13
2.1.2　柱状图 14
2.1.3　南丁格尔玫瑰图 16
2.1.4　折线图 17
2.1.5　雷达图 18
2.1.6　平行坐标图 20
2.1.7　桑基图 22
2.1.8　弦图 23
2.1.9　散点图 25
2.2 基本构成元素和设计思路 26
2.3 参考文献 27
2.4 习题 28
第3章图像特征提取 29
3.1 灰度图像 30
3.1.1　图像的数字表示 30
3.1.2　灰度图像的数字表示 31
3.2 LBP 33
3.3 颜色特征提取 36
3.3.1　RGB颜色模型 37
3.3.2　HSV颜色模型 37
3.4 HSV特征提取 39
3.5 拓展知识点 42
3.6 参考文献 43
3.7 习题 44
第4章数据分类――KNN分类 45
4.1 分类 45
4.2 KNN分类 46
4.3 分类结果的评价指标 50
4.4 拓展知识点 51
4.5 参考文献 53
4.6 习题 53
第5章 K-means聚类 54
5.1 聚类问题的阐述 54
5.2 K-means算法的基本原理 55
5.2.1　数据样本之间的相似性度量 55
5.2.2　K-means算法的基本步骤 58
5.2.3　K-means算法的特点 63
5.3 聚类结果的评价指标 65
5.3.1　聚类算法常见的内部评价指标 66
5.3.2　聚类算法常见的外部评价指标 68
5.4 拓展知识点：K-means算法的应用 69
5.5 参考文献 69
5.6 习题 70
第6章综合应用案例――人机交互的数据可视化 71
6.1 聚类与人机交互的数据可视化 71
6.2 K-means聚类的交互数据可视化设计要点 75
6.3 参考文献 75
6.4 习题 75
第7章线性回归与正则化 76
7.1 线性回归的问题定义 76
7.2 线性回归的求解 78
7.2.1　损失函数 78
7.2.2　线性回归的解 80
7.3 正则化线性回归 83
7.3.1　正则化的作用 83
7.3.2　L2正则化――岭回归 84
7.3.3　L1正则化――Lasso回归 84
7.4 R2度量――衡量回归拟合效果的重要指标 85
7.4.1　R2度量的引出 85
7.4.2　线性回归中的R2度量 86
7.5 参考文献 87
7.6 习题 88
第8章逻辑回归 89
8.1 逻辑回归模型 89
8.2 多分类的Softmax回归模型 96
8.3 参考文献 97
8.4 习题 98
第9章线性降维――主成分分析 99
9.1 特征选择与特征提取 99
9.2 度量视角的PCA 101
9.3 信息视角的PCA 104
9.4 概率统计视角的PCA 104
9.5 参考文献 108
9.6 习题 109
第10章非线性降维及其应用 110
10.1 局部线性嵌入 111
10.2 拉普拉斯特征映射 118
10.3 LE的相关应用 120
10.4 降维方法的思维拓展 120
10.5 参考文献 121
10.6 习题 121
第11章核函数及其应用 122
11.1 线性可分与高维映射 122
11.2 核函数 124
11.3 核回归 126
11.4 核PCA 129
11.5 拓展知识点 132
11.6 参考文献 133
11.7 习题 133
第12章神经网络基础 134
12.1 神经元模型 134
12.1.1　神经元 134
12.1.2　Rosenblatt感知机 139
12.1.3　异或问题 140
12.2 神经网络 143
12.2.1　递归神经网络 144
12.2.2　前馈神经网络 144
12.3 参考文献 153
12.4 习题 153
第13章反向传播神经网络 155
13.1 梯度下降法 156
13.2 随机梯度下降法 159
13.3 反向传播 160
13.4 梯度消失 166
13.5 参考文献 167
13.6 习题 168
第14章深度神经网络 169
14.1 “深度”的意义 169
14.2 卷积神经网络的基本操作 170
14.2.1　卷积 171
14.2.2　池化 172
14.2.3　激活 172
14.3 经典卷积神经网络 173
14.3.1　AlexNet 174
14.3.2　VGG 176
14.3.3　GoogLeNet 177
14.3.4　ResNet 177
14.3.5　SENet 178
14.4 参考文献 179
14.5 习题 179

合规获取说明

当前暂无已核验电子书资源。若是商业出版物，建议优先通过出版社、书店或官方电子书平台获取。

常见问题

《机器学习基础》适合谁读？

适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。

《机器学习基础》阅读难度高吗？

建议先看简介、目录、作者和相关书籍，再判断是否适合当前阶段阅读。

《机器学习基础》纸质书值得买吗？

当前暂未接入已核验的纸质书购买链接，建议通过出版社、京东、当当等正版渠道核对版本后购买。

《机器学习基础》哪个版本更适合？

优先选择作者、译者、出版社、出版年份和 ISBN 信息清楚的版本；经典作品可优先选择校注、导读或权威出版社版本。

在哪里可以合法获取《机器学习基础》？

当前没有确认授权的电子书下载资源，也暂未接入已核验购买链接；商业出版物不提供未授权下载，建议通过出版社、京东、当当或官方电子书平台核对获取。

如何继续查找《机器学习基础》相关书籍？

可以进入刘胜蓝/闫刚作者页查看其他作品，也可以通过分类、标签、排行榜、人工推荐和“读完这本还可以读”继续发现相近主题。