机器学习提升法——理论与算法
正版新书 新华官方库房直发 可开电子发票
￥ 77.39 7.1折 ￥ 109 全新
库存3件
作者(美)罗伯特·夏皮雷,(美)约夫·弗雷德
出版社人民邮电出版社
ISBN9787115535801
出版时间2020-10
版次1
装帧平装
开本16开
纸张胶版纸
页数416页
字数613千字
定价109元
货号SC:9787115535801
上书时间2024-09-16
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
主编推荐:
1.本书是提升法的创始人、哥德尔奖得主的代表作；
2.将提升法背后的各种理论举重若轻、抽丝剥茧、深入浅出地详加介绍；
3.充分考虑入门读者的需求，对所有材料都进行了适当的裁剪，每章后附有练习题；
4.书中有大量的应用实例和插图；
5.提供书中彩图文件。
提升法（boosting）是一种机器学习方法，其思想是通过组合许多较弱的、不准确的“经验法则”来创建一个高度准确的预测器。围绕提升法已发展出非常丰富的理论，涉及一系列的主题，包括统计学、博弈论、凸优化以及信息几何学。提升法也在生物学、计算机视觉和语音处理等领域获得了成功应用。
本书由提升法的提出者、罗伯特·夏皮雷（Robert. E. Schapire）和约夫·弗雷德（Yoav Freund）亲自执笔，汇集、组织、简化并实质性扩充了关于提升法的研究成果，以不同背景的读者都可以轻松阅读并理解的方式来呈现提升法的理论及其实践，同时也为高级研究人员提供了权威参考。本书充分考虑入门读者的需求，对所有的材料都进行了适当的裁剪，并在每章后都附有练习，因而适合作为相关教材使用。
本书首先对机器学习算法及其分析方法作了概要性介绍；然后探讨了提升法的核心理论，特别是它的泛化能力；考察了有助于理解和解释提升法的许多理论观点；提供了提升法的实用扩展以解决更复杂的学习问题；最后提出了一些高级理论。大量的应用实例和插图贯穿其中。
本书适合任何对机器学习算法、提升法感兴趣的读者，也适合作为高等院校相关课程的教材。
专家评论
这本书是优秀的精神“担架”，值得好好阅读以及多次重读，即使是非专业人士。
——ACM 的Computing Reviews
一言以蔽之，这是我读过的关于机器学习的优选的书之一……
——Bactra 评论
对于那些希望在机器学习领域工作的人来说，本书提供了清晰而有见地的观点，在机
器学习的经典著作和研究人员的书架上都应该占
...
内容简介:
本书主要介绍一种机器学习算法——提升法，主要关注其基础理论和算法，也兼顾了应用。
全书共14章，分为4个部分。首先给出机器学习算法及其分析的概要介绍，然后第一部分重点探究了提升法的核心理论及其泛化能力。第二部分主要介绍了有助于理解和解释提升法的其他理论，包括基于博弈论的解释、贪心算法、迭代投射算法，并与信息几何学和凸优化建立了联系。第三部分主要介绍利用基于置信度的弱预测的AdaBoost算法的实用扩展，并用于解决多类别分类问题和排序问题。第四部分讨论了高级理论话题，包括AdaBoost算法、很优提升法和连续时间下的提升法之间的统计一致性。附录部分介绍了所需高级的数学概念。
本书适合对提升法感兴趣的读者，本书每章都附有练习，因此也适用于高等院校相关课程的教学。
目录:
第1章 引言1
1.1 分类问题与机器学习2
1.2 提升法3
1.2.1 一个“玩具”例子6
1.2.2 算法的实验性能9
1.2.3 一个医学诊断的例子10
1.3 抗过拟合与间隔理论12
1.4 基础理论与算法14
1.5 小结16
1.6 参考资料16
1.7 练习16
第一部分 算法核心分析
第2章 机器学习基础21
2.1 机器学习直接分析方法21
2.1.1 学习的充分条件21
2.1.2 与另外一种算法的比较25
2.2 通用分析方法26
2.2.1 一个假设26
2.2.2 有限假设空间28
2.2.3 无限假设空间30
2.2.4 更抽象的公式34
2.2.5 一致性假设35
2.2.6 基于压缩的界36
2.2.7 讨论37
2.3 提升法研究基础38
2.3.1 性能的绝对保证 38
2.3.2 弱可学习与提升法40
2.3.3 分析提升法的方法 41
2.4 小结43
2.5 参考资料43
2.6 练习44
第3章 用AdaBoost最小化训练误差46
3.1 AdaBoost算法训练误差的界 46
3.2 弱可学习的充分条件49
3.3 与切诺夫界的关系52
3.4 基学习算法的设计和使用53
3.4.1 使用样本的权重 54
3.4.2 算法设计55
3.4.3 在人脸识别中的应用58
...
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价