機(jī)器學(xué)習(xí)導(dǎo)論（原書第3版）

定　價：￥79.00

作　者：	（土）埃塞姆阿培丁（Ethem Alpaydin）
出版社：	機(jī)械工業(yè)出版社
叢編項：
標(biāo)　簽：	計算機(jī)/網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787111521945	出版時間：	2016-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	356	字?jǐn)?shù)：

內(nèi)容簡介

　　本書是關(guān)于機(jī)器學(xué)習(xí)這一主題內(nèi)容全面的教科書，涵蓋了通常在機(jī)器學(xué)習(xí)導(dǎo)論中并不包括的廣泛題材。對機(jī)器學(xué)習(xí)的定義和應(yīng)用實例進(jìn)行了介紹，涵蓋了監(jiān)督學(xué)習(xí)、貝葉斯決策理論、參數(shù)方法、多元方法、維度歸約、聚類、非參數(shù)方法、決策樹、線性判別式、多層感知器、局部模型、核機(jī)器、圖方法、隱馬爾可夫模型、貝葉斯估計、組合多學(xué)習(xí)器、增強(qiáng)學(xué)習(xí)以及機(jī)器學(xué)習(xí)實驗的設(shè)計與分析等。

作者簡介

暫缺《機(jī)器學(xué)習(xí)導(dǎo)論（原書第3版）》作者簡介

圖書目錄

目錄

Introduction to Machine Learning，Third Edition

出版者的話

譯者序

前言

符號說明

第1章引言1

11什么是機(jī)器學(xué)習(xí)1

12機(jī)器學(xué)習(xí)的應(yīng)用實例2

121學(xué)習(xí)關(guān)聯(lián)性2

122分類3

123回歸5

124非監(jiān)督學(xué)習(xí)6

125增強(qiáng)學(xué)習(xí)7

13注釋8

14相關(guān)資源10

15習(xí)題11

16參考文獻(xiàn)12

第2章監(jiān)督學(xué)習(xí)13

21由實例學(xué)習(xí)類13

22VC維16

23概率近似正確學(xué)習(xí)16

24噪聲17

25學(xué)習(xí)多類18

26回歸19

27模型選擇與泛化21

28監(jiān)督機(jī)器學(xué)習(xí)算法的維23

29注釋24

210習(xí)題25

211參考文獻(xiàn)26

第3章貝葉斯決策理論27

31引言27

32分類28

33損失與風(fēng)險29

34判別式函數(shù)30

35關(guān)聯(lián)規(guī)則31

36注釋33

37習(xí)題33

38參考文獻(xiàn)36

第4章參數(shù)方法37

41引言37

42最大似然估計37

421伯努利密度38

422多項式密度38

423高斯（正態(tài)）密度39

43評價估計：偏倚和方差39

44貝葉斯估計40

45參數(shù)分類42

46回歸44

47調(diào)整模型的復(fù)雜度：偏倚/方差兩難選擇46

48模型選擇過程49

49注釋51

410習(xí)題51

411參考文獻(xiàn)53

第5章多元方法54

51多元數(shù)據(jù)54

52參數(shù)估計54

53缺失值估計55

54多元正態(tài)分布56

55多元分類57

56調(diào)整復(fù)雜度61

57離散特征62

58多元回歸63

59注釋64

510習(xí)題64

511參考文獻(xiàn)66

第6章維度歸約67

61引言67

62子集選擇67

63主成分分析70

64特征嵌入74

65因子分析75

66奇異值分解與矩陣分解78

67多維定標(biāo)79

68線性判別分析82

69典范相關(guān)分析85

610等距特征映射86

611局部線性嵌入87

612拉普拉斯特征映射89

613注釋90

614習(xí)題91

615參考文獻(xiàn)92

第7章聚類94

71引言94

72混合密度94

73k均值聚類95

74期望最大化算法98

75潛在變量混合模型100

76聚類后的監(jiān)督學(xué)習(xí)101

77譜聚類102

78層次聚類103

79選擇簇個數(shù)104

710注釋104

711習(xí)題105

712參考文獻(xiàn)106

第8章非參數(shù)方法107

81引言107

82非參數(shù)密度估計108

821直方圖估計108

822核估計109

823k最近鄰估計110

83推廣到多變元數(shù)據(jù)111

84非參數(shù)分類112

85精簡的最近鄰112

86基于距離的分類113

87離群點(diǎn)檢測115

88非參數(shù)回歸：光滑模型116

881移動均值光滑116

882核光滑117

883移動線光滑119

89如何選擇光滑參數(shù)119

810注釋120

811習(xí)題121

812參考文獻(xiàn)122

第9章決策樹124

91引言124

92單變量樹125

921分類樹125

922回歸樹128

93剪枝130

94由決策樹提取規(guī)則131

95由數(shù)據(jù)學(xué)習(xí)規(guī)則132

96多變量樹134

97注釋135

98習(xí)題137

99參考文獻(xiàn)138

第10章線性判別式139

101引言139

102推廣線性模型140

103線性判別式的幾何意義140

1031兩類問題140

1032多類問題141

104逐對分離142

105參數(shù)判別式的進(jìn)一步討論143

106梯度下降144

107邏輯斯諦判別式145

1071兩類問題145

1072多類問題147

108回歸判別式150

109學(xué)習(xí)排名151

1010注釋152

1011習(xí)題152

1012參考文獻(xiàn)154

第11章多層感知器155

111引言155

1111理解人腦155

1112神經(jīng)網(wǎng)絡(luò)作為并行處理的典范156

112感知器157

113訓(xùn)練感知器159

114學(xué)習(xí)布爾函數(shù)160

115多層感知器161

116作為普適近似的MLP162

117向后傳播算法163

1171非線性回歸163

1172兩類判別式166

1173多類判別式166