机器学习导论
正版保障 假一赔十 可开发票
¥
25.36
3.2折
¥
79
全新
库存33件
作者[美]米罗斯拉夫·库巴特
出版社机械工业出版社
ISBN9787111548683
出版时间2015-01
装帧平装
开本其他
定价79元
货号8838671
上书时间2024-07-15
商品详情
- 品相描述:全新
- 商品描述
-
导语摘要
米罗斯拉夫·库巴特著的这本《机器学习导论》既道出了机器学习的前世今生,又展望了发展的未来,让道听途说的信息止于智者。本书全面讨论机器学习方法和技术,层次合理、叙述清晰、难度适中。本书涵盖了经典的机器学习算法和理论,同时补充了近年来新出现的机器学习方法。本书系统全面,既可以自学又可以作为研究参考。
作者简介
米罗斯拉夫·库巴特,美国迈阿密大学教授,从事机器学习教学和研究超过25年。他已发表100余篇经过同行评审的论文,与人合编了两本著作,是近60个会议和研讨会的程序委员会委员,并担任3本学术刊物的编委。他在两个方面的前沿研究上得到了广泛赞誉:时变概念的归纳学习和在非平衡训练集上的学习。此外,在多标签样例上的归纳学习、层次组织的类别上的归纳学习、遗传算法、神经网络的初始化等问题上,他也做出了很多贡献。
目录
推荐序前言第1章 一个简单的机器学习任务 1.1 训练集和分类器 1.2 一点题外话:爬山搜索 1.3 机器学习中的爬山法 1.4 分类器的性能 1.5 可用数据的困难 1.6 总结和历史简评 1.7 巩固你的知识第2章 概率:贝叶斯分类器 2.1 单属性的情况 2.2 离散属性值的向量 2.3 稀少事件的概率:利用专家的直觉 2.4 如何处理连续属性 2.5 高斯钟形函数:一个标准的概率密度函数 2.6 用高斯函数的集合近似概率密度函数 2.7 总结和历史简评 2.8 巩固你的知识第3章 相似性:最近邻分类器 3.1 k近邻法则 3.2 度量相似性 3.3 不相关属性与尺度缩放问题 3.4 性能方面的考虑 3.5 加权最近邻 3.6 移除危险的样例 3.7 移除多余的样例 3.8 总结和历史简评 3.9 巩固你的知识第4章 类间边界:线性和多项式分类器 4.1 本质 4.2 加法规则:感知机学习 4.3 乘法规则:WINNOW 4.4 多于两个类的域 4.5 多项式分类器 4.6 多项式分类器的特殊方面 4.7 数值域和支持向量机 4.8 总结和历史简评 4.9 巩固你的知识第5章 人工神经网络 5.1 作为分类器的多层感知机 5.2 神经网络的误差 5.3 误差的反向传播 5.4 多层感知机的特殊方面 5.5 结构问题 5.6 径向基函数网络 5.7 总结和历史简评 5.8 巩固你的知识第6章 决策树 6.1 作为分类器的决策树 6.2 决策树的归纳学习 6.3 一个属性承载了多少信息 6.4 数值属性的二元划分 6.5 剪枝 6.6 将决策树转换为规则 6.7 总结和历史简评 6.8 巩固你的知识第7章 计算学习理论 7.1 PAC学习 7.2 PAC可学习性的实例 7.3 一些实践和理论结果 7.4 VC维与可学习性 7.5 总结和历史简评 7.6 巩固你的知识第8章 几个有帮助的案例 8.1 字符识别 8.2 溢油检测 8.3 睡眠分类 8.4 脑机界面 8.5 医疗诊断 8.6 文本分类 8.7 总结和历史简评 8.8 巩固你的知识第9章 投票组合简介 9.1 “装袋”方法(Bagging) 9.2 夏皮尔提升(SchapiresBoosting) 9.3 Adaboost——Boosting的实用版本 9.4 Boosting方法的变种 9.5 Boosting方法的计算优势 9.6 总结和历史简评 9.7 巩固你的知识第10章 了解一些实践知识 10.1 学习器的偏好 10.2 不平衡训练集 10.3 语境相关域 10.4 未知属性值 10.5 属性选择 10.6 杂项 10.7 总结和历史简评 10.8 巩固你的知识第11章 性能评估 11.1 基本性能标准 11.2 精度和查全率 11.3 测量性能的其他方法 11.4 多标签域内的性能 11.5 学习曲线和计算开销 11.6 实验评估的方法 11.7 总结和历史简评 11.8 巩固你的知识第12章 统计显著性 12.1 总体抽样 12.2 从正态分布中获益 12.3 置信区间 12.4 一个分类器的统计评价 12.5 另外一种统计评价 12.6 机器学习技术的比较 12.7 总结和历史简评 12.8 巩固你的知识第13章 遗传算法 13.1 基本遗传算法 13.2 单个模块的实现 13.3 为什么能起作用 13.4 过早退化的危险 13.5 其他遗传算子 13.6 高级版本 13.7 k-NN分类器的选择 13.8 总结和历史简评 13.9 巩固你的知识第14章 增强学习 14.1 如何选出最高奖励的动作 14.2 游戏的状态和动作 14.3 SARSA方法 14.4 总结和历史简评 14.5 巩固你的知识参考文献
内容摘要
米罗斯拉夫·库巴特著的这本《机器学习导论》通过给出易操作的实践指导、采用简单的案例、激励学生讨论有兴趣的应用问题.用一种易于理解的方式介绍了机器学习的基本思想。本书主题包括贝叶斯分类器、最近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机,且展示了如何把这些简
单工具通过“提升”(Boosting)的方式结合起来,怎样将它们应用于更加复杂的领域,以及如何处理各种高级的实践问题。书中对广为人知的遗传算法也做了介绍。
主编推荐
人工智能专家米罗斯拉夫?库巴特教授25年倾心打造
系统解读了有关机器学习的14个方面,快速读懂机器学习
全面揭开机器学习的奥秘
本书系统全面,既可以自学又可以作为研究参考。既道出了机器学习的前世今生,又展望了发展的未来,让道听途说的信息止于智者。全面讨论机器学习方法和技术,层次合理、叙述清晰、难度适中。涵盖了经典的机器学习算法和理论,同时补充了近年来新出现的机器学习方法。
精彩内容
米罗斯拉夫·库巴特著的这本《机器学习导论》通过给出易操作的实践指导、采用简单的案例、激励学生讨论有兴趣的应用问题.用一种易于理解的方式介绍了机器学习的基本思想。本书主题包括贝叶斯分类器、最近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机,且展示了如何把这些简单工具通过“提升”(Boosting)的方式结合起来,怎样将它们应用于更加复杂的领域,以及如何处理各种高级的实践问题。书中对广为人知的遗传算法也做了介绍。
媒体评论
米罗斯拉夫·库巴特著的这本《机器学习导论》既道出了机器学习的前世今生,又展望了发展的未来,让道听途说的信息止于智者。本书全面讨论机器学习方法和技术,层次合理、叙述清晰、难度适中。本书涵盖了经典的机器学习算法和理论,同时补充了近年来新出现的机器学习方法。本书系统全面,既可以自学又可以作为研究参考。
— 没有更多了 —
以下为对购买帮助不大的评价