全国大中专教材网络采选系统

推荐纸质教材推荐数字资源

人工智能与机器学习 / 21世纪通识教育系列教材

￥36.00定价

作者：王秋月，覃雄派，赵素云等

出版时间：2020-01

出版社：中国人民大学出版社

以下为《人工智能与机器学习》的配套数字资源，这些资源在您购买图书后将免费附送给您：

关闭

基本信息评价

出版社：中国人民大学出版社
ISBN：9787300275819
版次：1-3
图书编号：320285
本季征订号：42235343-3
开本：16开
出版时间：2020-01
千字：274
学科分类1：工学
学科分类2：计算机科学与技术
适用专业：公共课
适用分级：本科研究生（硕士、EMBA、MBA、MPA、博士）

作者简介

王秋月，中国人民大学信息学院计算机系讲师。主要研究领域是数据库、信息检索、知识库的构建与应用等。她在香港中文大学取得博士学位，在德国奥格斯堡大学做了两年博士后工作，并于2014年访问德国马克斯普朗克计算机科学研究所一年。她于2010年至2013年负责组织国际信息检索评测会议INEX中的Data-Centric Track和Linked-Data Track，并担任过SIGIR、TKDE等国际会议和杂志的评委，在国内外期刊和会议上发表论文30余篇。主持或参与国家自然科学基金青年项目、面上项目、重点项目及国家重点研发计划项目等多项。

覃雄派，中国人民大学信息学院计算机系副教授。2009年毕业于中国人民大学信息学院，获得工学博士学位。目前主要从事高性能数据库、大数据分析、信息检索等方面的研究工作，主持1项国家自然科学基金面上项目，参与多项国家“863”计划、“973”计划及国家自然科学基金项目，在国内外期刊和会议上发表论文30余篇。

赵素云，中国人民大学信息学院计算机系副教授。2009年毕业于香港理工大学，获博士学位。主要研究方向为机器学习，不确定信息处理，以及隐私保护在数据挖掘中的应用等。主持国家自然科学基金项目两项，并参与国家自然科学基金重点项目、核高基等多项。现已发表学术论文30余篇（其中SCI检索论文10余篇）。目前，文章他引次数合计近1000次。

张静，中国人民大学信息学院计算机系讲师。2016年毕业于清华大学计算机科学与技术系，获博士学位。研究兴趣为数据挖掘。发表多篇数据挖掘国际**会议与期刊论文，包括TKDE,TKDD, KDD，IJCAI, AAAI等。Google统计论文引用量达到2000多次。

查看全部

内容简介

随着计算机技术迅猛地发展，人工智能与机器学习已经渗透到我们日常生活的各个领域。为此，中国人民大学专门为全校财经和人文专业的学生开设了“人工智能与机器学习”课程，本书的所有作者都参与了该门课程的教学实践，相互配合，总结教学经验，共同打磨而成《人工智能与机器学习》一书。书中通过丰富现实案例的详细讲解，引导学生了解各种机器学习模型的基本原理与实践用法。避开了大量的数学模型和复杂编程知识，让学生熟悉当下流行的一些机器学习和数据处理工具的使用，来解决现实领域遇到的各种数据分析和预测问题。

【编辑荐语】
从“互联网+”到“智能+”，人工智能几乎无孔不入，渗透到我们的日常生活和各个领域。

目录

第1章人工智能简介

11什么是人工智能

12人工智能简史（1956年以前）

13人工智能简史（1956—1980年）

14人工智能简史（1980—2010年）

15人工智能简史（2010年至今）

第2章机器学习简介

21什么是机器学习

22机器学习分类

第3章Python简介

31环境配置

32Python基础编程

33Numpy

34Matplotlib

35Pandas

第4章K近邻

41什么是K近邻

42如何度量距离或者相似性

43数据缩放

44选择合适的K值

45Scikitlearn KNN分类器介绍

46案例一：鸢尾花分类

第5章模型选择

51偏差与方差

52训练集与测试集

53交叉验证

54案例二：鸢尾花分类（案例一续）

第6章线性回归

61什么是线性回归

62损失函数

63增加多项式特征

64正则化

65超参数调优

66案例三：波士顿房价预测

第7章逻辑回归

71什么是逻辑回归

72决策边界

73损失函数

74线性回归和逻辑回归的异同

75多分类

76案例四：泰坦尼克号乘客生还预测

第8章分类评价指标

81混淆矩阵

82查准率与查全率、F1分数

83ROC曲线和AUC

84多分类评价指标

85案例五：泰坦尼克号乘客生还预测（案例四续）

第9章朴素贝叶斯

91贝叶斯定理

92朴素贝叶斯分类器

93不同的朴素贝叶斯模型

94文本分类

95案例六：垃圾邮件识别

第10章支持向量机

101什么是支持向量机

102核函数

103支持向量机的参数优化

104案例七：垃圾邮件识别（案例六续）

105总结

第11章决策树

111什么是决策树

112构建决策树

113修剪决策树

114决策树的优缺点和使用方法

115案例八：泰坦尼克号乘客生还预测

第12章集成学习

121袋装

122提升

123堆叠

124案例九：泰坦尼克号乘客生还预测（案例八续）

第13章聚类

131什么是聚类

132Kmeans算法

133聚类结果的评价

134不同的距离指标

135聚合式层次聚类

136案例十：商场客户聚类

第14章深度学习

141深度学习发展简史

142多层感知器

143损失函数

144优化算法：反向传播算法

145案例十一：手写数字识别

146深度学习技巧

147卷积神经网络

148案例十二：图像识别

第15章Kaggle竞赛

151Kaggle平台简介

152Kaggle竞赛简介

153Kaggle竞赛案例分析：泰坦尼克号乘客生还预测