机器学导论 人工智能 作者 新华正版
￥ 47 5.9折 ￥ 79 全新
库存17件
河北保定
认证卖家担保交易快速发货售后保障
作者作者
出版社机械工业出版社
ISBN9787111521945
出版时间2016-01
版次1
装帧平装
开本16
页数356页
定价79元
货号xhwx_1201233460
上书时间2024-10-19
- 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：
出版者的话
译者序
前言
符号说明
章引言1
1.1什么是机器学1
1.2机器学的应用实例2
1.2.1学关联2
1.2.2分类3
1.2.3回归5
1.2.4非监督学6
1.2.5增强学7
1.3注释8
1.4相关资源10
1.5题11
1.6参文献12
第2章监督学13
2.1由实例学类13
2.2vc维16
2.3概率近似正确学16
2.4噪声17
2.5学多类18
2.6回归19
2.7模型选择与泛化21
2.8监督机器学算法的维23
2.9注释24
2.10题25
2.11参文献26
第3章贝叶斯决策理论27
3.1引言27
3.2分类28
3.3损失与风险29
3.4判别式函数30
3.5关联规则31
3.6注释33
3.7题33
3.8参文献36
第4章参数方法37
4.1引言37
4.2大似然估计37
4.2.1伯努利密度38
4.2.2多项式密度38
4.2.3高斯（正态）密度39
4.3评价估计：偏倚和方差39
4.4贝叶斯估计40
4.5参数分类42
4.6回归44
4.7调整模型的复杂度：偏倚/方差两难选择46
4.8模型选择过程49
4.9注释51
4.10题51
4.11参文献53
第5章多元方法54
5.1多元数据54
5.2参数估计54
5.3缺失值估计55
5.4多元正态分布56
5.5多元分类57
5.6调整复杂度61
5.7离散特征62
5.8多元回归63
5.9注释64
5.10题64
5.11参文献66
第6章维度归约67
6.1引言67
6.2子集选择67
6.3主成分分析70
6.4特征嵌入74
6.5因子分析75
6.6奇异值分解与矩阵分解78
6.7多维定标79
6.8线判别分析82
6.9典范相关分析85
6.10等距特征映86
6.11局部线嵌入87
6.12拉普拉斯特征映89
6.13注释90
6.14题91
6.15参文献92
第7章聚类94
7.1引言94
7.2混合密度94
7.3k均值聚类95
7.4期望大化算法98
7.5潜在变量混合模型100
7.6聚类后的监督学101
7.7谱聚类102
7.8层次聚类103
7.9选择簇个数104
7.10注释104
7.11题105
7.12参文献106
第8章非参数方法107
8.1引言107
8.2非参数密度估计108
8.2.1直方图估计108
8.2.2核估计109
8.2.3k近邻估计110
8.3推广到多变元数据111
8.4非参数分类112
8.5精简的近邻112
8.6基于距离的分类113
8.7离群点检测115
8.8非参数回归：光滑模型116
8.8.1移动均值光滑116
8.8.2核光滑117
8.8.3移动线光滑119
8.9如何选择光滑参数119
8.10注释120
8.11题121
8.12参文献122
第9章决策树124
9.1引言124
9.2单变量树125
9.2.1分类树125
9.2.2回归树128
9.3剪枝130
9.4由决策树提取规则131
9.5由数据学规则132
9.6多变量树134
9.7注释135
9.8题137
9.9参文献138
0章线判别式139
10.1引言139
10.2推广线模型140
10.3线判别式的几何意义140
10.3.1两类问题140
10.3.2多类问题141
10.4逐对分离142
10.5参数判别式的进一步讨论143
10.6梯度下降144
10.7逻辑斯谛判别式145
10.7.1两类问题145
10.7.2多类问题147
10.8回归判别式150
10.9学排名151
10.10注释152
10.11题152
10.12参文献154
1章多层感知器155
11.1引言155
11.1.1理解人脑155
11.1.2神经网络作为并行处理的典范156
11.2感知器157
11.3训练感知器159
11.4学布尔函数160
11.5多层感知器161
11.6作为普适近似的mlp162
11.7向后传播算法163
11.7.1非线回归163
11.7.2两类判别式166
11.7.3多类判别式166
11.7.4多个隐藏层167
11.8训练过程167
11.8.1改善收敛167
11.8.2过分训练168
11.8.3构造网络169
11.8.4线索169
11.9调整网络规模170
11.10学的贝叶斯观点172
11.11维度归约173
11.12学时间174
11.12.1时间延迟神经网络175
11.12.2递归网络175
11.13深度学176
11.14注释177
11.15题178
11.16参文献180
2章局部模型182
12.1引言182
12.2竞争学182
12.2.1在线k均值182
12.2.2自适应共鸣理论184
12.2.3自组织映185
12.3径向基函数186
12.4结合基于规则的知识189
12.5规范化基函数190
12.6竞争的基函数191
12.7学向量量化193
12.8混合专家模型193
12.8.1协同专家模型194
12.8.2竞争专家模型195
12.9层次混合专家模型195
12.10注释196
12.11题196
12.12参文献198
3章核机器200
13.1引言200
13.2佳分离超面201
13.3不可分情况：软边缘超面203
13.4vsvm205
13.5核205
13.6向量核206
13.7定义核207
13.8多核学208
13.9多类核机器209
13.10用于回归的核机器210
13.11用于排名的核机器212
13.12一类核机器213
13.13大边缘近邻分类215
13.14核维度归约216
13.15注释217
13.16题217
13.17参文献218
4章图方法221
14.1引言221
14.2条件独立的典型情况222
14.3生成模型226
14.4d分离227
14.5信念传播228
14.5.1链228
14.5.2树229
14.5.3多树230
14.5.4结树232
14.6无向图：马尔科夫场232
14.7学图模型的结构234
14.8影响图234
14.9注释234
14.10题235
14.11参文献237
5章隐马尔科夫模型238
15.1引言238
15.2离散马尔科夫过程238
15.3隐马尔科夫模型240
15.4hmm的三个基本问题241
15.5估值问题241
15.6寻找序列244
15.7学模型参数245
15.8连续观测247
15.9hmm作为图模型248
15.10hmm中的模型选择250
15.11注释251
15.12题252
15.13参文献254
6章贝叶斯估计255
16.1引言255
16.2离散分布的参数的贝叶斯估计257
16.2.1k>2个：狄利克雷分布257
16.2.2k=2个：贝塔分布258
16.3高斯分布的参数的贝叶斯估计258
16.3.1一元情况：未知均值，已知方差258
16.3.2一元情况：未知均值，未知方差259
16.3.3多元情况：未知均值，未知协方差260
16.4函数的参数的贝叶斯估计261
16.4.1回归261
16.4.2具有噪声精度先验的回归264
16.4.3基或核函数的使用265
16.4.4贝叶斯分类266
16.5选择先验268
16.6贝叶斯模型比较268
16.7混合模型的贝叶斯估计270
16.8非参数贝叶斯建模272
16.9高斯过程272
16.10狄利克雷过程和中国餐馆275
16.11本征狄利克雷分配276
16.12贝塔过程和印度自助餐277
16.13注释278
16.14题278
16.15参文献279
7章组合多学器280
17.1基本280
17.2产生有差异的学器280
17.3模型组合方案282
17.4投票法282
17.5纠错输出码285
17.6装袋286
17.7提升287
17.8重温混合专家模型288
17.9层叠泛化289
17.10调整系综290
17.10.1选择系综的子集290
17.10.2构建元学器290
17.11级联291
17.12注释292
17.13题293
17.14参文献294
8章增强学297
18.1引言297
18.2单情况：k臂问题298
18.3增强学的要素299
18.4基于模型的学300
18.4.1价值迭代300
18.4.2策略迭代301
18.5时间差分学301
18.5.1探索策略301
18.5.2确定奖励和动作302
18.5.3非确定奖励和动作303
18.5.4资格迹304
18.6推广305
18.7部分可观测306
18.7.1场景306
18.7.2例子：老虎问题307
18.8注释310
18.9题311
18.10参文献312
9章机器学实验的设计与分析314
19.1引言314
19.2因素、响应和实验策略315
19.3响应面设计317
19.4化、重复和阻止317
19.5机器学实验指南318
19.6交验证和再抽样方法320
19.6.1k折交验证320
19.6.25×2交验证320
19.6.3自助法321
19.7度量分类器的能321
19.8区间估计324
19.9设检验326
19.10评估分类算法的能327
19.10.1二项检验327
19.10.2近似正态检验328
19.10.3t检验328
19.11比较两个分类算法329
19.11.1memar检验329
19.11.2k折交验证配对t检验329
19.11.35×2交验证配对t检验330
19.11.45×2交验证配对f检验330
19.12比较多个算法：方差分析331
19.13在多个数据集上比较333
19.13.1比较两个算法334
19.13.2比较多个算法335
19.14多元检验336
19.14.1比较两个算法336
19.14.2比较多个算法337
19.15注释338
19.16题339
19.17参文献340
附录a概率论341
索引348
内容简介：
本书是关于机器学这一主题内容全面的教科书，涵盖了通常在机器学导论中并不包括的广泛题材。对机器学的定义和应用实例进行了介绍，涵盖了监督学、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线判别式、多层感知器、局部模型、核机器、图方法、隐马尔可夫模型、贝叶斯估计、组合多学器、增强学以及机器学实验的设计与分析等。
作者简介：
埃塞姆阿培丁(ethem alpaydin)土耳其伊斯坦布尔博阿齐奇大学计算机工程系的教授。于1990年在洛桑联邦理工学院获博士，先后在美国麻省理工学院和伯克利大学工作和进行博士后研究。ethem博士主要从事机器学方面的研究，是剑桥大学the puter journal杂志编委和eievierpattern recognition志的副主编。2001年和2002年，ethem博士先后获得土耳其科学院青年科学家奖和土耳其科学与技术研究委员会科学奖。
— 没有更多了 —
以下为对购买帮助不大的评价