机器学习方法
¥
17.99
1.3折
¥
138
九品
库存2件
作者李航
出版社清华大学出版社
出版时间2022-03
版次1
装帧其他
货号C40-19
上书时间2024-06-19
商品详情
- 品相描述:九品
图书标准信息
-
作者
李航
-
出版社
清华大学出版社
-
出版时间
2022-03
-
版次
1
-
ISBN
9787302597308
-
定价
138.00元
-
装帧
其他
-
开本
16开
-
纸张
胶版纸
-
页数
572页
-
字数
880.000千字
- 【内容简介】
-
机器学习是以概率论、统计学、信息论、**化理论、计算理论等为基础的计算机应用理论学科,也是人工智能、数据挖掘等领域的基础学科。《机器学习方法》全面系统地介绍了机器学习的主要方法,共分三篇。篇介绍监督学习的主要方法,包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与**熵模型、支持向量机、Boosting、EM算法、隐马尔可夫模型、条件随机场等;第二篇介绍无监督学习的主要方法,包括聚类、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配、PageRank算法等。第三篇介绍深度学习的主要方法,包括前馈神经网络、卷积神经网络、循环神经网络、序列到序列模型、预训练语言模型、生成对抗网络等。书中每章介绍一两种机器学习方法,详细叙述各个方法的模型、策略和算法。从具体例子入手,由浅入深,帮助读者直观地理解基本思路,同时从理论角度出发,给出严格的数学推导,严谨详实,让读者更好地掌握基本原理和概念。目的是使读者能学会和使用这些机器学习的基本技术。为满足读者进一步学习的需要,书中还对各个方法的要点进行了总结,给出了一些习题,并列出了主要参考文献。
《机器学习方法》是机器学习及相关课程的教学参考书,适合人工智能、数据挖掘等专业的本科生、研究生使用,也供计算机各个领域的专业研发人员参考。
- 【作者简介】
-
李航,字节跳动科技有限公司人工智能实验室监, ieee会士、acl会士、acm杰出科学家、ccf杰出会员。研究方向包括信息检索、自然语言处理、统计机器学及数据挖掘。李航于1988年从本京都大学电气工程系,1998年获得本东京大学计算机科学博士。他1990年至2001年职于本nec公司研究所,任研究员;2001年至2012年职于微软亚洲研究院,任研究员与主任研究员;2012年至2017年职于华为技术有限公司实验室,任首席科学家、主任。李航一直活跃在相关学术领域,曽出版过四部学术专著,并在很好国际学术会议和很好国际学术期刊上发表过120多篇学术,包括igir wdm acl emnlp icml ni igkdd aaai ijcai,以及nle jmlr toi irj ipm tkde tweb tit等。他和同事的获得了kdd2008很好应用奖,他指导的获得了igir2008,acl2012很好奖。李航参与了多项产品开发,包括microoft ql erver 2005 microoft office 2007 microoft live earch 2008 microoft bing 2009 bing 2010 office 2010 office 2012,拥有42项授权美国专利。李航还在很好国际学术会议和很好国际学术期刊担任许多重要工作,如大会程序委员会,委员,及委员,期刊编委,包括igir wdm acl naacl emnlp niigkdd icdm acml ijcai irj tit jait jct等。
- 【目录】
-
1篇监督学习
1章机器学习及监督学习概论3
11机器学习3
12机器学习的分类5
121基本分类5
122按模型分类10
123按算法分类11
124按技巧分类12
13机器学习方法三要素13
131模型13
132策略14
133算法16
14模型评估与模型选择17
141训练误差与测试误差17
142过拟合与模型选择18
15正则化与交验证20
151正则化20
152交验证20
16泛化能力21
161泛化误差21
162泛化误差上界22
17生成模型与判别模型24
18监督学习应用24
181分类问题24
182标注问题26
183回归问题27
本章概要28
继续阅读29
习题29
参考文献29
2章感知机30
21感知机模型30
22感知机学习策略31
221数据集的线性可分性31
222感知机学习策略31
23感知机学习算法32
231感知机学习算法的原始形式33
232算法的收敛性35
233感知机学习算法的对偶形式37
本章概要39
继续阅读40
习题40
参考文献40
3章k近邻法41
31k近邻算法41
32k近邻模型42
321模型42
322距离度量42
323k值的选择43
324分类决策规则44
33k近邻法的实现:kd树44
331构造kd树45
332搜kd树46
本章概要48
继续阅读48
习题48
参考文献49
4章朴素贝叶斯法50
41朴素贝叶斯法的学习与分类50
411基本方法50
412后验概率大化的含义51
42朴素贝叶斯法的参数估计52
421极大似然估计52
422学习与分类算法53
423贝叶斯估计54
本章概要55
继续阅读56
习题56
参考文献56
5章决策树57
51决策树模型与学习57
511决策树模型57
512决策树与if-then规则58
.......
2篇无监督学习
3篇深度学习
附录
索引
点击展开
点击收起
— 没有更多了 —
以下为对购买帮助不大的评价