机器学习中的统计思维(Python实现)
全新正版 假一赔十 可开发票
￥ 71.3 7.2折 ￥ 99 全新
仅1件
北京东城
认证卖家担保交易快速发货售后保障
作者董平 编
出版社清华大学出版社
ISBN9787302634010
出版时间2023-09
装帧平装
开本16开
定价99元
货号1203098941
上书时间2025-01-09
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
董平（博士），上海对外经贸大学统计与信息学院讲师。曾获概率论与数理统计理学博士学位（山东大学2018）、 理学学士学位和经济学学士学位（山东大学2012）；美国迈阿密大学访问学者。主要研究领域为高维数据、假设检验、半监督回归、统计机器学习等。参与多项科研项目和工程类项目，主持多项校级课程建设项目，曾获第三届上海市高校教师教学创新大赛二等奖。
目录
绪论
0.1本书讲什么，初衷是什么
0.2贯穿本书的两大思维模式
0.2.1提问的思维方式
0.2.2发散的思维方式
0.3这本书决定它还想要这样
0.3.1第一性原理
0.3.2奥卡姆剃刀原理
0.4如何使用本书
第1章步入监督学习之旅
1.1机器学习从数据开始
1.2监督学习是什么
1.2.1基本术语
1.2.2学习过程如同一场科学推理
1.3如何评价模型的好坏
1.3.1评价模型的量化指标
1.3.2拟合能力
1.3.3泛化能力
……
内容摘要
机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率**化思想估计模型参数，利用方差对不确定性的捕捉构造k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、**熵模型、决策树模型、感知机模型、支持向量机、EM算法和提升方法。本书共12章，绪论介绍贯穿本书的两大思维模式，以及关于全书的阅读指南；第1章介绍一些基本术语，并给出监督学习的流程；第2章介绍关于回归问题的机器学习方法；第3～9章介绍关于分类问题的机器学习方法；第10章介绍可应用于具有隐变量模型的参数学习算法——EM算法；第11章简单介绍集成学习，并重点阐述其中的提升（Boosting）方法。为满足个性化学习需求的不同需求，本书从核心思想、方法流程及实际案例应用等不同角度，详细描述各种方法的原理和实用价值，非常适合数据科学、机器学习专业的本科生和研究生学习，也可供相关从业者参考。
主编推荐
本书从统计学的角度来理解机器学习模型的本质。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价