机器学习：贝叶斯和优化方法（英文版·原书第2版）

图书标准信息

• 作者 [希]西格尔斯·西奥多里蒂斯（Sergios Theodoridis） 著
• 出版社 机械工业出版社
• 出版时间 2020-12
• 版次 1
• ISBN 9787111668374
• 定价 299.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 1152页

【内容简介】

本书通过讲解监督学习的两大支柱――回归和分类――将机器学习纳入统一视角展开讨论。书中首先讨论基础知识，包括均方、*小二乘和*大似然方法、岭回归、贝叶斯决策理论分类、逻辑回归和决策树。然后介绍新近的技术，包括稀疏建模方法，再生核希尔伯特空间中的学习、支持向量机中的学习、关注EM算法的贝叶斯推理及其近似推理变分版本、蒙特卡罗方法、聚焦于贝叶斯网络的概率图模型、隐马尔科夫模型和粒子滤波。此外，本书还深入讨论了降维和隐藏变量建模。全书以关于神经网络和深度学习架构的扩展章节结束。此外，书中还讨论了统计参数估计、维纳和卡尔曼滤波、凸性和凸优化的基础知识，其中，用一章介绍了随机逼近和梯度下降族的算法，并提出了分布式优化的相关概念、算法和在线学习技术。

【作者简介】

西格尔斯·西奥多里蒂斯（Sergios Theodoridis） 雅典大学教授，香港中文大学（深圳）教授，研究兴趣包括机器学习、模式识别和信号处理等。他是IEEE Fellow、IET Fellow、EURASIP Fellow，曾任IEEE信号处理协会副主席、EURASIP主席以及IEEE Transactions on Signal Processing主编。曾获2017年EURASIP Athanasios Papoulis奖，2014年IEEE信号处理杂志*佳论文奖，以及2014年EURASIP*有价值服务奖等。此外，他还是经典著作《模式识别》的作者。

【目录】

Prefaceiv 

Acknowledgmentsvi 

About the Authorviii 

Notationix 

CHAPTER1 Introduction1 

11 The Historical Context1 

12 Artificia Intelligenceand Machine Learning2 

13 Algorithms Can Learn WhatIs Hidden in the Data4 

14 Typical Applications of Machine Learning6 

Speech Recognition6 

Computer Vision6 

Multimodal Data6 

Natural Language Processing7 

Robotics7 

Autonomous Cars7 

Challenges for the Future8 

15 Machine Learning: Major Directions8 

151 Supervised Learning8 

16 Unsupervised and Semisupervised Learning11 

17 Structure and a Road Map of the Book12 

References16 

CHAPTER2 Probability and Stochastic Processes19 

21 Introduction20 

22 Probability and Random Variables20 

221 Probability20 

222 Discrete Random Variables22 

223 Continuous Random Variables24 

224 Meanand Variance25 

225 Transformation of Random Variables28 

23 Examples of Distributions29 

231 Discrete Variables29 

232 Continuous Variables32 

24 Stochastic Processes41 

241 First-and Second-Order Statistics42 

242 Stationarity and Ergodicity43 

243 Power Spectral Density46 

244 Autoregressive Models51 

25 Information Theory54 

251 Discrete Random Variables56 

252 Continuous Random Variables59 

26 Stochastic Convergence61 

Convergence Everywhere62 

Convergence Almost Everywhere62 

Convergence in the Mean-Square Sense62 

Convergence in Probability63 

Convergence in Distribution63 

Problems63 

References65 

CHAPTER3 Learning in Parametric Modeling: Basic Concepts and Directions67 

31 Introduction67 

32 Parameter Estimation: the Deterministic Point of View68 

33 Linear Regression71 

34Classifcation75 

Generative Versus Discriminative Learning78 

35 Biased Versus Unbiased Estimation80 

351 Biased or Unbiased Estimation?81 

36 The CramrRao Lower Bound83 

37 Suffcient Statistic87 

38 Regularization89 

Inverse Probl