消息首页搜索举报

机器学习从基础理论到典型算法(原书第2版)

全新正版，现货速发，7天无理由退换货可开电子发票，

66.9 5.6折 119 全新

库存29件

江苏无锡

认证卖家担保交易快速发货售后保障

作者(美)梅尔亚·莫里,(美)阿夫欣·罗斯塔米扎达尔,(美)阿米特·塔尔沃卡尔

出版社机械工业出版社

ISBN9787111708940

出版时间2022-07

装帧平装

开本16开

定价119元

货号1202689419

上书时间2024-10-09

翰林文轩旗舰店

三年老店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 9小时
好评率暂无

最新上架

华为没有成功,只有成长任正非传 ¥17.20

本草药对与方药纵横 ¥111.00

讲谈社日汉汉日词典 ¥77.60

中国医用点穴学 ¥42.20

医门八法一通百通实验录 ¥13.20

斗破苍穹(51典藏版)/少年奇幻系列/知音漫客丛书 ¥2.50

针灸聚英 ¥12.40

出发的勇气 ¥3.90

给我三天光明精装典藏版 ¥7.80

商品详情

品相描述：全新

商品描述: 作者简介
梅尔亚·莫里(Mehryar Mohri)，纽约大学库兰特数学科学研究所计算机科学与数学教授，同时任谷歌研究院的研究顾问。主要研究方向包括机器学习理论和算法、语音处理、自动机理论和算法、自然语言处理、计算生物学等。曾在AT＆T实验室研究部担任部门主管和技术负责人。他是多个核心加权自动机和有限状态机算法的作者，在将加权有限状态机应用于语音识别和自然语言处理方面做了开创性的工作。

目录
译者序

前言

第1章引言1

1.1什么是机器学习1

1.2机器学习可以解决什么样的问题2

1.3一些典型的学习任务2

1.4学习阶段3

1.5学习情境4

1.6泛化5

第2章PAC学习框架7

2.1PAC学习模型7

2.2对有限假设集的学习保证——一致的情况11

2.3对有限假设集的学习保证——不一致的情况14

2.4泛化性16

2.4.1确定性与随机性情境16

2.4.2贝叶斯误差与噪声17

2.5文献评注18

2.6习题18

第3章Rademacher复杂度和VC-维23

3.1Rademacher复杂度23

3.2生长函数27

3.3VC-维28

3.4下界34

3.5文献评注38

3.6习题39

第4章模型选择46

4.1估计误差和近似误差46

4.2经验风险最小化47

4.3结构风险最小化47

4.4交叉验证50

4.5n-折交叉验证52

4.6基于正则化的算法53

4.7凸替换项损失54

4.8文献评注57

4.9习题58

第5章支持向量机59

5.1线性分类59

5.2可分情况60

5.2.1原始优化问题60

5.2.2支持向量61

5.2.3对偶优化问题62

5.2.4留一法63

5.3不可分情况64

5.3.1原始优化问题65

5.3.2支持向量66

5.3.3对偶优化问题67

5.4间隔理论67

5.5文献评注74

5.6习题74

第6章核方法77

6.1引言77

6.2正定对称核79

6.2.1定义79

6.2.2再生核希尔伯特空间81

6.2.3性质82

6.3基于核的算法85

6.3.1具有PDS核的SVM85

6.3.2表示定理86

6.3.3学习保证87

6.4负定对称核88

6.5序列核90

6.5.1加权转换器90

6.5.2有理核93

6.6近似核特征映射96

6.7文献评注100

6.8习题100

第7章boosting106

7.1引言106

7.2AdaBoost算法107

7.2.1经验误差的界109

7.2.2与坐标下降的关系110

7.2.3实践中的使用方式112

7.3理论结果113

7.3.1基于VC-维的分析113

7.3.2L1-几何间隔113

7.3.3基于间隔的分析115

7.3.4间隔优选化118

7.3.5博弈论解释119

7.4L1-正则化120

7.5讨论122

7.6文献评注122

7.7习题124

第8章在线学习129

8.1引言129

8.2有专家建议的预测130

8.2.1错误界和折半算法130

8.2.2加权多数算法131

8.2.3随机加权多数算法132

8.2.4指数加权平均算法135

8.3线性分类137

8.3.1感知机算法137

8.3.2Winnow算法143

8.4在线到批处理的转换145

8.5与博弈论的联系147

8.6文献评注148

8.7习题149

第9章多分类153

9.1多分类问题153

9.2泛化界154

9.3直接型多分类算法159

9.3.1多分类SVM159

9.3.2多分类boosting算法160

9.3.3决策树161

9.4类别分解型多分类算法164

9.4.1一对多164

9.4.2一对一165

9.4.3纠错输出编码166

9.5结构化预测算法168

9.6文献评注169

9.7习题170

第10章排序172

10.1排序问题172

10.2泛化界173

10.3使用SVM进行排序175

10.4RankBoost176

10.4.1经验误差界178

10.4.2与坐标下降的关系179

10.4.3排序问题集成算法的间隔界180

10.5二部排序181

10.5.1二部排序中的boosting算法182

10.5.2ROC曲线下面积184

10.6基于偏好的情境184

10.6.1两阶段排序问题185

10.6.2确定性算法186

10.6.3随机性算法187

10.6.4关于其他损失函数的扩展188

10.7其他的排序准则189

10.8文献评注189

10.9习题190

第11章回归191

11.1回归问题191

11.2泛化界192

11.2.1有限假设集192

11.2.2Rademacher复杂度界193

11.2.3伪维度界194

11.3回归算法196

11.3.1线性回归196

11.3.2核岭回归198

11.3.3支持向量回归201

11.3.4Lasso204

11.3.5组范数回归算法206

11.3.6在线回归算法207

11.4文献评注207

11.5习题208

第12章优选熵模型210

12.1密度估计问题210

12.1.1优选似然解210

12.1.2优选后验解211

12.2添加特征的密度估计问题212

12.3优选熵准则212

12.4优选熵模型简介213

12.5对偶问题213

12.6泛化界216

12.7坐标下降算法217

12.8拓展218

12.9L2-正则化220

12.10文献评注222

12.11习题223

第13章条件优选熵模型224

13.1学习问题224

13.2条件优选熵准则224

13.3条件优选熵模型简介225

13.4对偶问题226

13.5性质227

13.5.1优化问题227

13.5.2特征向量228

13.5.3预测228

13.6泛化界228

13.7逻辑回归231

13.7.1优化问题231

13.7.2逻辑模型231

13.8L2-正则232

13.9对偶定理的证明23

……

内容摘要

本书深入浅出地介绍了目前机器学习领域中重要的理论和关键的算法，涵盖机器学习的前沿内容，同时提供讨论和证明算法所需的理论基础与概念，并且指出了这些算法在实际应用中的关键点，旨在通过对一些基本问题乃至前沿问题的准确证明，为读者提供新的理念和理论工具。本书注重对算法的分析和理论的关注，涉及的内容包括概率近似正确(PAC)学习框架、基于Rademacher复杂度和VC-维的泛化界、支持向量机(SVM)、核方法、boosting、在线学习、多分类、排序、回归、算法稳定性、降维、学习自动机和语言及强化学习。