消息 首页 搜索 举报
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
  • 数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等
21年品牌 40万+商家 超1.5亿件商品

数据科学与机器学 数学与统计方法 人工智能 (澳)迪尔克·p. 克洛泽 等

新华书店全新正版书籍 支持7天无理由

￥ 66.4 4.8折 ￥ 139 全新

库存3件

北京丰台
认证卖家担保交易快速发货售后保障

作者(澳)迪尔克·p. 克洛泽 等

出版社机械工业出版社

ISBN9787111711391

出版时间2023-01

版次1

装帧平装

开本16

页数408页

定价139元

货号308_9787111711391

上书时间2024-06-29

智胜图书专营店

六年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
正版特价新书
商品描述
目录：

译者序

前言

数学符号

章导入、汇和可视化数据

1.1简介

1.2类型结构特征

1.3汇表

1.4汇统计量

1.5数据可视化

1.5.1定变量绘图

1.5.2定量变量绘图

1.5.3双变量的数据可视化

1.6扩展阅读

1.7题

第2章统计学

2.1简介

2.2监督学和无监督学

2.3训练损失和测试损失

2.4统计学中的权衡处理

2.5估计风险

2.5.1样本内风险

2.5.2交验证

2.6数据建模

2.7多元正态模型

2.8正态线模型

2.9贝叶斯学

2.10扩展阅读

2.11题

第3章蒙特卡罗方法

3.1简介

3.2蒙特卡罗抽样

3.2.1生成数

3.2.2模拟变量

3.2.3模拟向量和过程

3.2.4重采样

3.2.5马尔可夫链蒙特卡罗

3.3蒙特卡罗估计

3.3.1朴素蒙特卡罗

3.3.2自举法

3.3.3方差缩减

3.4蒙特卡罗优化

3.4.1模拟退火

3.4.2交熵方法

3.4.3分裂优化

3.4.4噪声优化

3.5扩展阅读

3.6题

第4章无监督学

4.1简介

4.2无监督学的风险和损失

4.3期望大化算法

4.4经验分布和密度估计

4.5通过混合模型聚类

4.5.1混合模型

4.5.2混合模型的em算法

4.6向量量化聚类

4.6.1k均值

4.6.2通过连续多极值优化进行聚类

4.7层次聚类

4.8主成分分析

4.8.1动机：椭球体的主轴

4.8.2pca和奇异值分解

4.9扩展阅读

4.10题

第5章回归

5.1简介

5.2线回归

5.3线模型分析

5.3.1参数估计

5.3.2模型选择和预测

5.3.3交验证与预测残差方和

5.3.4样本内风险和赤池信息准则

5.3.5分类特征

5.3.6嵌套模型

5.3.7决定系数

5.4正态线模型的推理

5.4.1比较两个正态线模型

5.4.2置信区间和预测区间

5.5非线回归模型

5.6用python实现线模型

5.6.1建模

5.6.2分析

5.6.3方差分析

5.6.4置信区间和预测区间

5.6.5模型验证

5.6.6变量选择

5.7广义线模型

5.8扩展阅读

5.9题

第6章正则化和核方法

6.1简介

6.2正则化

6.3核希尔伯特空间

6.4核的构造

6.4.1通过特征映构造核

6.4.2根据特征函数构造核

6.4.3利用正交特征构造核

6.4.4通过核构造核

6.5表示定理

6.6滑三次样条

6.7高斯过程回归

6.8核pca

6.9扩展阅读

6.10题

第7章分类

7.1简介

7.2分类评价指标

7.3基于贝叶斯规则的分类

7.4线判别分析和二次判别分析

7.5逻辑回归和softmax分类

7.6k近邻分类

7.7支持向量机

7.8使用scikitlearn进行分类

7.9扩展阅读

7.10题

第8章决策树和集成方法

8.1简介

8.2自顶向下的决策树构建方法

8.2.1区域预测函数

8.2.2分裂规则

8.2.3终止条件

8.2.4基本实现

8.3其他虑因素

8.3.1二树与非二树

8.3.2数据预处理

8.3.3替代分裂规则

8.3.4类别变量

8.3.5缺失值

8.4控制树形

8.4.1代价复杂度剪枝

8.4.2决策树的优点和局限

8.5自举聚合

8.6森林

8.7提升法

8.8扩展阅读

8.9题

第9章深度学

9.1简介

9.2前馈神经网络

9.3反向传播

9.4训练方法

9.4.1速下降法

9.4.2levenbergmarquardt方法

9.4.3受限内存bfgs方法

9.4.4自适应梯度法

9.5python示例

9.5.1简单多项式回归

9.5.2图像分类

9.6扩展阅读

9.7题

附录a线代数与泛函分析

附录b多元微分与优化问题

附录c概率与统计

附录dpython入门

参文献

内容简介：

本书内容全面、严谨、翔实，展示了现代机器学技术背后的数学思想，主要面向学数据科学和机器学课程的本科生和。它首先介绍了数据的相关概念，其次阐述了统计学、蒙特卡罗方法、无监督学的相关内容，接者探讨了回归方法、正则化方法和核方法，然后论述了分类问题与决策树和集成方法，后介绍了深度学的相关内容。此外，本书在附录中给出了相关内容的背景知识，包含线代数与泛函分析、多元微分与优化问题、概率与统计，以及python入门内容。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

正版特价新书
此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP