内容简介
本书是一本零基础的Illustrator软件的实战教材，旨在介绍如何使用Illustrator软件在平面设计领域的使用方法与技巧。本书首先介绍Illustrator软件在平面领域中的主要应用范围和领域，然后逐步由浅入深的介绍如何使用软件完成图形的设计与编辑、路径的绘制与编辑、图形样式的创建与编辑、文本与图表的创建与编辑、图层与蒙版的应用、效果类应用方法、混合与封套的应用方法等。
书籍中所涉及的案例都是平面设计领域中最为常见与普及度比较广泛的案例，让读者在熟悉和掌握Illustrator软件的同时对平面设计中的规范有一个详细并深入的了解。
展开全文
- A-fy
- 62186-bq
- C-qy
- D-fhb
- e-ml
- 01
- 第1章 机器学习引论
- 1.1 什么是人工智能
- 1.1.1 人工智能发展历程
- 1．人工智能的诞生
- 2．初步发展
- 3．低潮期
- 4．再度启航
- 5．21世纪的蓬勃发展
- 1.1.2 机器学习的定义
- 1.2 机器学习的工作原理
- 1.2.1 机器学习的分类
- 1.2.2 机器学习专门研究算法
- 1.3 如何学习机器学习
- 1.3.1 数学基础
- 1．贝叶斯公式
- 2．凸/凹函数、导数和泰勒展开
- 凸函数
- 导数
- 泰勒展开
- 3．基于梯度下降的优化
- 1.3.2 编程能力与实践
- 1.4 本章小结
- 1.5 本章习题
- 02
- 第2章 概率密度估计
- 2.1 频率学派与贝叶斯学派
- 2.1.1 频率学派
- 2.1.2 贝叶斯学派
- 2.2 最大似然估计和最大后验估计
- 2.2.1 最大似然估计
- 2.2.2 最大后验估计
- 2.3 特殊先验分布下的最大后验估计
- 2.3.1 高斯分布先验
- 2.3.2 拉普拉斯分布先验
- 2.4 本章小结
- 2.5 本章习题
- 03
- 第3章 感知机
- 3.1 感知机模型
- 3.1.1 感知机参数的含义
- 3.1.2 感知机的损失函数
- 3.2 感知机的学习算法
- 3.2.1 感知机学习算法的原始问题
- 小批量梯度下降（min-batch gradient descent）
- 算法3.1：感知机的学习算法
- 3.2.2 机器学习算法的一般编程模式
- 3.3 感知机的改进
- 3.3.1 数据的归一化
- 3.3.2 感知机学习算法的对偶问题
- 将原始问题的迭代过程式即（3.18）和式（3.19）展开
- 算法3.2：感知机的对偶形式
- 3.4 分类性能评价
- 3.5 本章小结
- 3.6 本章习题
- 04
- 第4章 Logistic回归
- 4.1 Logistic回归的参数估计
- 4.1.1 Sigmoid函数的物理含义
- 4.1.2 Logistic回归模型
- 4.1.3 Logistic回归参数的最大似然估计
- 伯努利分布和二项分布
- 1．伯努利分布
- 2．二项分布（又被称为重伯努利分布）
- 交叉熵
- 算法4.1：Logistic回归的学习算法
- 4.1.4 Logistic回归的最大后验估计
- 4.2 多类分类和数据不均衡问题
- 4.2.1 归一化指数函数
- 4.2.2 数据不均衡分类问题
- 4.3 分类性能评价
- 4.3.1 精度-召回率曲线和平均精度
- 4.3.2 接受者操作特征曲线和曲线下面积
- 4.4 本章小结
- 4.5 本章习题
- 05
- 第5章 支持向量机
- 5.1 线性可分支持向量机
- 5.1.1 从感知机到支持向量机
- 5.1.2 样本到分类超平面的距离
- 5.1.3 基于最大间隔的目标函数
- 5.1.4 支持向量与间隔最大化
- 算法5.1：线性可分支持向量机学习算法
- 5.1.5 线性支持向量机的对偶算法
- 拉格朗日乘子法与Karush-Kuhn-Tucker（KKT）条件
- 算法5.2：线性可分支持向量机的对偶学习算法
- 5.1.6 稀疏的支持向量
- 5.2 线性不可分支持向量机
- 5.2.1 软间隔与错分样本
- 5.2.2 线性不可分支持向量机的对偶算法
- 算法5.3：线性不可分支持向量机的对偶学习算法
- 5.3 非线性支持向量机
- 5.3.1 线性可分支持向量机的非线性化
- 5.3.2 核技巧与计算复杂度
- 算法5.4：非线性支持向量机的对偶学习算法
- 5.4 支持向量机的优化求解
- 5.4.1 非线性支持向量机与序列最小化优化算法
- 5.4.2 线性支持向量机与原始估计次梯度算法
- 算法5.5：线性支持向量机的原始估计次梯度算法
- 5.5 支持向量回归
- 5.6 本章小结
- 5.7 本章习题
- 06
- 第6章 决策树
- 6.1 决策过程与决策树
- 6.2 建立决策树的基本原则
- 算法6.1：决策树基本构造算法
- 6.2.1 “纯度”与特征选择
- 6.2.2 信息增益
- 6.3 决策树生成算法
- 6.3.1 ID3算法
- 算法6.2：ID3算法
- 6.3.2 C4.5算法
- 算法6.3：C4.5算法
- 1．属性缺失问题
- 2．连续值处理问题
- 3．C4.5算法总结
- log(x)运算在计算机中的实现
- 6.4 决策树的剪枝
- 6.4.1 预剪枝
- 6.4.2 后剪枝之悲观剪枝
- 置信区间
- 二项分布的正态分布逼近
- 算法6.4：悲观剪枝算法
- 6.4.3 后剪枝之代价复杂度剪枝
- 最优子决策树序列的嵌套性
- 算法6.5：代价复杂度剪枝算法
- 6.5 分类回归树
- 基尼系数与信息熵的关系
- 1．二叉决策树还是多叉决策树
- 2．分类回归树的分类树算法
- 算法6.6：分类回归树中分类树的构建算法
- 3．分类回归树的回归树算法
- 算法6.7：分类回归树算法
- 6.6 本章小结
- 6.7 本章习题
- 07
- 第7章 集成学习
- 7.1 集成学习的原理
- 7.2 学习器的优劣与泛化误差
- 7.2.1 泛化误差的偏差-方差分解
- 7.2.2 偏差和方差的关系
- 7.2.3 偏差和方差的表现
- 模型选择（model selection）和交叉验证（cross validation）
- 7.2.4 偏差-方差与过拟合和欠拟合
- 7.3 bagging算法
- 7.3.1 bagging的偏差
- 7.3.2 bagging的方差
- 协方差
- 7.3.3 bagging算法的原理和过程
- 算法7.1：bagging算法
- 7.3.4 随机森林算法
- 算法7.2：随机森林算法
- 7.4 boosting算法
- 7.4.1 boosting算法的方差和偏差
- 7.4.2 boosting算法的一般形式
- 算法7.3：boosting算法
- 7.4.3 自适应提升算法
- 1．自适应提升算法的介绍
- 算法7.4：自适应提升算法
- 2．自适应提升算法的原理
- 7.4.4 函数空间中的梯度下降方法
- 7.4.5 梯度提升树算法
- 算法7.5：梯度提升决策树算法
- 7.5 本章小结
- 7.6 本章习题
- 08
- 第8章 聚类分析
- 8.1 什么是无监督学习
- 8.2 K均值聚类算法
- 8.2.1 K均值聚类模型
- 8.2.2 K均值聚类模型优化
- 算法8.1：K均值聚类算法
- 8.2.3 K均值聚类模型的数据预处理
- 8.2.4 K均值聚类算法初始化
- 算法8.2：K均值++算法
- 8.2.5 K值大小的确定方法
- 1．肘部法则
- 2．赤池信息量准则
- 3．贝叶斯信息准则
- 8.3 基于高斯混合模型的聚类
- 8.3.1 高斯混合模型
- 8.3.2 利用梯度下降优化高斯混合模型
- 算法8.3：利用梯度下降方法优化高斯混合模型
- 8.4 期望最大化算法
- 8.4.1 高斯混合模型的期望最大化算法
- 算法8.4：利用期望最大化算法优化高斯混合模型
- 8.4.2 期望最大化算法的一般形式
- 算法8.5：期望最大化算法
- 8.5 极小化极大算法
- 8.5.1 极小化极大算法的原理
- 算法8.6：极小化极大算法
- 8.5.2 高斯混合模型的极小化极大算法
- 8.6 噪声下基于密度的空间聚类算法
- 为什么超球内样本的数量能表示密度？
- 算法8.7：噪声下基于密度的空间聚类算法
- 8.7 本章小结
- 8.8 本章习题
- 09
- 第9章 降维分析
- 9.1 主成分分析
- 9.1.1 主成分分析目标函数的简化
- 9.1.2 主成分分析目标函数的优化
- 9.1.3 主成分分析数据的预处理
- 算法9.1：主成分分析
- 9.2 语义表示模型
- 9.2.1 一词一义与词频-逆词频表示
- 算法9.2：词频-逆词频算法
- 9.2.2 隐语义模型
- 奇异值分解与弗罗贝尼乌斯（Frobenius）范数
- 算法9.3：隐语义模型算法
- 9.2.3 概率隐语义模型
- 算法9.4：概率隐语义模型算法
- 9.3 非负矩阵分解
- 9.3.1 非负矩阵分解的乘法更新法则
- 算法9.5：非负矩阵分解算法
- 9.3.2 非负矩阵分解的梯度投影
- 算法9.6：梯度投影算法
- 9.4 本章小结
- 9.5 本章习题
- 10
- 第10章 神经网络基础
- 人工智能与神经科学
- 10.1 神经元模型
- 算法10.1：单神经元模型
- 10.2 多层前馈神经网络
- 10.2.1 多层前馈神经网络的结构
- 10.2.2 多层神经网络的前向传播
- 算法10.2：2层前馈神经网络的前向传播算法
- 10.3 神经网络的反向传播算法
- 链式求导法则
- 1．计算输出层参数的梯度
- 2．计算隐藏层2参数的梯度
- 3．计算隐藏层1参数的梯度
- 4．更新梯度
- 算法10.3：前馈神经网络梯度反向传播算法
- 10.3.1 梯度消失和梯度爆炸
- 10.3.2 权重参数的初始化
- 10.3.3 批归一化
- 10.4 基于梯度下降的神经网络优化
- 10.4.1 动量法
- 指数权重滑动平均（exponentially weighted moving average）
- 10.4.2 自适应学习率
- 10.5 本章小结
- 10.6 本章习题
- 11
- 第11章 深度神经网络模型
- 11.1 卷积神经网络
- 11.1.1 卷积层
- 11.1.2 池化层
- 11.1.3 感受野
- 11.2 循环神经网络
- 11.2.1 循环神经网络的结构
- 11.2.2 循环神经网络的训练算法
- 算法11.1：循环神经网络的训练过程
- 11.2.3 长短期记忆网络
- 11.2.4 循环神经网络的各类架构
- 11.3 生成对抗网络
- 11.3.1 判别性损失函数和生成函数
- 11.3.2 生成对抗网络的训练
- 算法11.2：生成对抗网络算法
- 11.3.3 生成对抗网络训练的稳定性
- 11.4 本章小结
- 11.5 本章习题
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2024
作者：主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习（慕课版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2024
作者：主编
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《机器学习（慕课版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
机器学习（慕课版）
免费读 (VIP)