機器學習算法及其應用

定　價：￥58.00

作　者：	吳梅梅著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥47.90)

ISBN：	9787111654230	出版時間：	2020-07-01	包裝：	平裝
開本：	16開	頁數(shù)：	146	字數(shù)：

內容簡介

　　隨著數(shù)字音樂內容的迅速增長以及人們對音樂鑒賞需求的日益提升，音樂信息的分類檢索及個性化推薦受到廣大網(wǎng)民和有關從業(yè)人員越來越廣泛的關注，并成為研究及應用的新熱點。本書系統(tǒng)地闡述了機器學習中的常用分類與推薦方法，介紹了網(wǎng)絡音樂自動分類與推薦的理論基礎，重點探討了ＳＶＭ和ＫＮＮ分類算法的改進，以及協(xié)同過濾推薦算法和基于馬爾可夫模型推薦算法的改進，并對改進后的算法應用到音樂自動分類和個性化推薦領域進行了探索性研究。本書展現(xiàn)了機器學習常用算法的原理、改進及應用案例，適合機器學習、數(shù)據(jù)挖掘及大數(shù)據(jù)等領域的專業(yè)人員閱讀。

作者簡介

　　吳梅梅（1980—），工學博士，中國傳媒大學數(shù)據(jù)科學與智能媒體學院副教授，碩士生導師。長期致力于大數(shù)據(jù)分析、機器學習算法及網(wǎng)絡新媒體技術研究。近年來主持并參與了多項和省部級研究課題，發(fā)表過多篇SCI、EI論文，并擁有多項發(fā)明專利。

圖書目錄

前言
第１章機器學習簡介１
　１.１機器學習的概念１
?。?２機器學習的發(fā)展２
?。?３機器學習的研究現(xiàn)狀３
１.３.１傳統(tǒng)機器學習的研究現(xiàn)狀４
１.３.２大數(shù)據(jù)環(huán)境下機器學習的研究現(xiàn)狀５
?。?４機器學習的分類５
　?。?４.１有監(jiān)督學習６
　?。?４.２無監(jiān)督學習７
１.４.３半監(jiān)督學習８
１.４.４強化學習９
?。?５本章小結１１
第２章音樂、數(shù)字音樂與網(wǎng)絡音樂１２
?。?１音樂的藝術形式１２
?。?２音樂的產生及發(fā)展１４
　２.３音樂的要素１５
?。?４音樂的存儲與表示１７
２.４.１數(shù)字音樂及其特點１７
２.４.２數(shù)字音樂文件的特點和格式１９
?。?５網(wǎng)絡音樂的發(fā)展２０
?。?６網(wǎng)絡音樂的特征２２
　２.７本章小結２３
第３章網(wǎng)絡音樂的分類與推薦基礎２４
?。?１基于內容的音樂信息檢索２４
３.１.１音高與旋律２５
３.１.２音樂節(jié)奏２６
　?。?１.３　音樂和聲２８
?。?２　音樂的分類２９
　　３.２.１　按表達方式分類３０
　　３.２.２　按旋律風格分類３１
　?。?２.３　從音樂的歷史角度分類３２
　　３.２.４　按音樂流派分類３６
?。?３　網(wǎng)絡音樂的自動分類４０
?。?４　網(wǎng)絡音樂推薦算法綜述４２
?。?５　本章小結４４
第４章　機器學習中的分類與推薦算法４５
　４.１　樸素貝葉斯４５
?。?２　決策樹４７
?。?３?。耄?５０
　４.４　支持向量機５１
?。?５　人工神經(jīng)網(wǎng)絡５３
?。?６　基于內容的推薦５７
?。?７　協(xié)同過濾推薦６０
?。?８　基于馬爾可夫模型的推薦６２
?。?９　混合推薦６４
　４.１０　推薦算法評價６４
?。?１１　本章小結６６
第５章　基于支持向量機的音樂流派分類６7
?。?１　音樂的數(shù)字描述６８
　５.２　特征提取７０
　?。?２.１　數(shù)據(jù)預處理７１
　?。?２.２　聲學特征量７２
?。?３　特征選擇７７
　?。?３.１　ＲｅｌｉｅｆＦ７８
５.３.２　順序前進法７９
５.３.３?。遥澹欤椋澹妫婆cＳＦＳ相結合的特征選擇算法80
?。?４　ＳＶＭ分類器８１
５.４.１　線性可分支持向量機８２
５.４.２　線性支持向量機８３
５.４.３　非線性支持向量機８５
５.４.４　數(shù)值求解８７
５.４.５?。遥澹欤椋澹妫?ＳＦＳＳＶＭ分類實現(xiàn)８８
　５.５　實驗結果與分析８８
　?。?５.１　實驗工具８８
　?。?５.２　數(shù)據(jù)集８９
　　５.５.３　評價標準及驗證方法８９
　?。?５.４　實驗方法８９
　　５.５.５　實驗結果及分析９０
?。?６　可擴展性分析９４
?。?７　本章小結９５
第６章　基于ｋ-近鄰的音樂流派自動推薦分類９６
?。?１?。?近鄰算法的理論基礎９６
　?。?１.１?。?近鄰算法９６
６.１.２　ｋ-近鄰算法模型９７
　６.２　算法的實現(xiàn)步驟及復雜度分析９９
　６.３?。模?ＫＮＮ算法９９
６.３.１?。耍危嗡惴ǖ母倪M１００
６.３.２　二次加權ＫＮＮ (ＤＷ-ＫＮＮ)分類算法１０２
?。?４　實驗結果與分析１０３
　?。?４.１　實驗方法１０３
　?。?４.２　實驗結果及分析１０４
?。?５　可擴展性分析１０７
?。?６?。遥澹欤椋澹妫?ＳＦＳＳＶＭ與ＤＷ-ＫＮＮ的對比１０8
?。?７　本章小結１０８
第７章　基于社交網(wǎng)絡與協(xié)同過濾的音樂推薦１１０
　７.１　協(xié)同過濾推薦算法１１０
　?。?１.１　基于用戶的協(xié)同過濾推薦算法１１１
　?。?１.２　基于項目的協(xié)同過濾推薦算法１１１
　　７.１.３　基于用戶與基于項目的協(xié)同過濾推薦算法比較１１２
　?。?１.４　協(xié)同過濾中存在的問題１１３
?。?２　ＳｉｍＲａｎｋ算法１１３
　?。?２.１?。樱椋恚遥幔睿胨惴ㄋ枷耄保保?　　
　?。?２.２?。樱椋恚遥幔睿胨惴鞒蹋保保?　
７.３　社交網(wǎng)絡的形成機制與表示方法１１６　　
７.４　構建用戶的信任集合進行推薦１１６
７.５　實驗結果及分析１１８　
　　７.５.１　數(shù)據(jù)獲取和數(shù)據(jù)集１１８　　
　?。?５.２　評價指標１１９　
　?。?５.３　實驗結果分析１２０　
７.６　本章小結１２１　
第８章　基于用戶即時興趣的音樂推薦９６
?。?１　相關研究１２２
　８.２　馬爾可夫模型理論基礎１２３
?。?３　基于用戶即時行為的改進一階馬爾可夫音樂推薦模型１２４
　?。?３.１　問題描述１２４
　?。?３.２　指數(shù)衰減１２５
　　８．３．３　指數(shù)衰減的馬爾可夫模型１２５
　?。?３.４　協(xié)同過濾的一階馬爾可夫推薦１２６
?。?４　實驗結果與分析１２９
?。?５　可擴展性分析１３１
　８.６　本章小結１３１
附錄１３２
　附錄Ａ?。遥澹欤椋澹妫?ＳＦＳＳＶＭ分類參考代碼１３２
　附錄Ｂ　ＤＷ-ＫＮＮ算法參考代碼１３４
　附錄Ｃ　各分類算法的比較參考代碼１４０
參考文獻１４５