支持向量机与基于核的机器学习导(英版) 世界图书出版公司 9787519277017 内洛·克里斯蒂安尼尼
新华书店全新正版书籍图书 保证_可开发票_极速发货支持7天无理由
￥ 42.7 6.2折 ￥ 69 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者内洛·克里斯蒂安尼尼
出版社世界图书出版公司
ISBN9787519277017
出版时间2020-09
装帧平装
开本16开
定价69元
货号31003183
上书时间2024-05-21
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
内洛·克里斯蒂安尼尼（Nello Cristianini）目前是英国布里斯托尔大学计算机科学系的人工智能教授。他获得过英国皇家学会沃尔夫森杰出研究成就奖和欧洲研究理事会高阶研究基金奖。2014年他被汤森路透列入2002至2012十年间拥有影响力的科学家名单，2016年被AMiner列入机器学习领域拥有影响力的百位研究者名单。约翰·肖·泰勒（John Shawe-Taylor）目前是英国伦敦大学学院联合国教科文组织人工智能讲席教授，并担任计算机科学系系主任和计算统计和机器学习中心主任。他还协调组织了多个机器学习欧洲联合研究项目，比如NeuroCOLT（“神经计算学习”）项目和PASCAL（“模式分析、统计建模与计算学习”）项目。
目录
Preface
Notation
1 The Learning Methodology
1.1 Supervised Learning
1.2 Learning and Generalisation
1.3 Improving Generalisation
1.4 Attractions and Drawbacks of Learning
1.5 Support Vector Machines for Learning
1.6 Exercises
1.7 Further Reading and Advanced Topics
2 Linear Learning Machines
2.1 Linear Classification
2.1.1 Rosenblatt's Perceptron
2.1.2 Other Linear Classmers
2.1.3 Multi-class Discfimination
2.2 Linear Regression
2.2.1 Least Squares
2.2.2 Ridge Regression
2.3 Dual Representation of Linear Machines
2.4 Exercises
2.5 Further Reading and Advanced Topics
3 Kernel-Induced Fleature Spaces
3.1 Learning jn Feature Space
3.2 The Implicit Mapping into Feature Space
3.3 Making Kernels
3.3.1 Characterisation of Kernels
3.3.2 Making Kernels from Kernels
3.3.3 Making Kernels from Features
3.4 Working in Feature Space
3.5 Kernels and Gaussian Processes
3.6 Exercises
3.7 Further Reading and Advanced Topics
4 Generalisation Theory
4.1 Probably Approximately Correct Learning
4.2 Vapnik Chenronenkis (VC) Theory
4.3 Margin-Based Bounds on Generalisation
4.3.1 Maximal Margin Bounds
4.3.2 Margin Percentile Bounds
4.3.3 Soft Margin Bounds
4.4 Other Bounds on Generalisation and Luckiness
4.5 Generalisation for Regression
4.6 Bayesian Analysis of Learning
4.7 Exercises
4.8 Further Reading and Advanced Topics
5 Optimisation Theory
5.1 Problem Formulation
5.2 Lagrangian Theory
5.3 Duality
5.4 Exercises
5.5 Further Reading and Advanced Topics
内容摘要
支持向量机（SupportVectorMachine，SVM）是建立在弗拉基米尔·万普尼
克（VladimirVapnik）提出的统计学习理论基础上的一
种使用广泛的机器学习方法。这本简明导论教程对支持
向量机及其理论基础进行了全面的介绍。书中从机器学习方法论讲到到超平面、核函数、泛化理论、优化理论，最后总结到支持向量机理论，并介绍了其实现技术及应用。本书的叙述循序渐进，内容深入浅出，既严谨又易于理解。书中清晰的条理、富于逻辑性的推导以及优美的文字，备受初学者和专家的赞许。本书可作为计算机、自动化、电子工程、应用数学等专业的高年级本科生或研究生教材，也可作为机器学习、人工智能、神经网络、数据挖掘等课程的参
考教材，同时还是相关领域
的教师和研究人员的参考书。
主编推荐
·这本经典入门教材不仅引入了学习支持向量机所需的高等数学，更是帮助读者从直觉上理解数学公式背后的原理。·两位英国科学家作者是靠前上极富盛名的人工智能专家。
— 没有更多了 —
以下为对购买帮助不大的评价