《机器学习方法》在《统计学习方法》的基础上增加了深度学习的内容，全面系统地介绍了机器学习的主要方法，系统阐述其理论、模型、策略和算法，从具体例子手，由浅深，帮助读者直观地理解基本思路，同时从理论角度出发，给出严格的数学推导，严谨详实，让读者更好地掌握基本原理和概念。《机器学习方法》可作为机器学习及相关课程的教学参考书，适合人工智能、文本数据挖掘、信息检索及自然语言处理等专业的本科生、研究生使用，也供计算机各个领域的专业研发人员参考。
售 价：¥
纸质售价：¥109.00购买纸书
6.4
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容简介
序言
《统计学习方法（第2版）》序言
《统计学习方法（第1版）》序言
第1篇 监督学习
第1章 机器学习及监督学习概论
1.1 机器学习
1.2 机器学习的分类
1.3 机器学习方法三要素
1.4 模型评估与模型选择
1.5 正则化与交叉验证
1.6 泛化能力
1.7 生成模型与判别模型
1.8 监督学习应用
本章概要
继续阅读
习题
参考文献
第2章 感知机
2.1 感知机模型
2.2 感知机学习策略
2.3 感知机学习算法
本章概要
继续阅读
习题
参考文献
第3章 k近邻法
3.1 k近邻算法
3.2 k近邻模型
3.3 k近邻法的实现：kd树
本章概要
继续阅读
习题
参考文献
第4章 朴素贝叶斯法
4.1 朴素贝叶斯法的学习与分类
4.2 朴素贝叶斯法的参数估计
本章概要
继续阅读
习题
参考文献
第5章 决策树
5.1 决策树模型与学习
5.2 特征选择
5.3 决策树的生成
5.4 决策树的剪枝
5.5 CART算法
本章概要
继续阅读
习题
参考文献
第6章 逻辑斯谛回归与最大熵模型
6.1 逻辑斯谛回归模型
6.2 最大熵模型
6.3 模型学习的最优化算法
本章概要
继续阅读
习题
参考文献
第7章 支持向量机
7.1 线性可分支持向量机与硬间隔最大化
7.2 线性支持向量机与软间隔最大化
7.3 非线性支持向量机与核函数
7.4 序列最小最优化算法
本章概要
继续阅读
习题
参考文献
第8章 Boosting
8.1 AdaBoost算法
8.2 AdaBoost算法的训练误差分析
8.3 AdaBoost算法的解释
8.4 提升树
本章概要
继续阅读
习题
参考文献
第9章 EM算法及其推广
9.1 EM算法的引入
9.2 EM算法的收敛性
9.3 EM算法在高斯混合模型学习中的应用
9.4 EM算法的推广
本章概要
继续阅读
习题
参考文献
第10章 隐马尔可夫模型
10.1 隐马尔可夫模型的基本概念
10.2 概率计算算法
10.3 学习算法
10.4 预测算法
本章概要
继续阅读
习题
参考文献
第11章 条件随机场
11.1 概率无向图模型
11.2 条件随机场的定义与形式
11.3 条件随机场的概率计算问题
11.4 条件随机场的学习算法
11.5 条件随机场的预测算法
本章概要
继续阅读
习题
参考文献
第12章 监督学习方法总结
第2篇 无监督学习
第13章 无监督学习概论
13.1 无监督学习基本原理
13.2 基本问题
13.3 机器学习三要素
13.4 无监督学习方法
本章概要
继续阅读
参考文献
第14章 聚类方法
14.1 聚类的基本概念
14.2 层次聚类
14.3 k均值聚类
本章概要
继续阅读
习题
参考文献
第15章 奇异值分解
15.1 奇异值分解的定义与性质
15.2 奇异值分解的计算
15.3 奇异值分解与矩阵近似
本章概要
继续阅读
习题
参考文献
第16章 主成分分析
16.1 总体主成分分析
16.2 样本主成分分析
本章概要
继续阅读
习题
参考文献
第17章 潜在语义分析
17.1 单词向量空间与话题向量空间
17.2 潜在语义分析算法
17.3 非负矩阵分解算法
本章概要
继续阅读
习题
参考文献
第18章 概率潜在语义分析
18.1 概率潜在语义分析模型
18.2 概率潜在语义分析的算法
本章概要
继续阅读
习题
参考文献
第19章 马尔可夫链蒙特卡罗法
19.1 蒙特卡罗法
19.2 马尔可夫链
19.3 马尔可夫链蒙特卡罗法
19.4 Metropolis-Hastings算法
19.5 吉布斯抽样
本章概要
继续阅读
习题
参考文献
第20章 潜在狄利克雷分配
20.1 狄利克雷分布
20.2 潜在狄利克雷分配模型
20.3 LDA的吉布斯抽样算法
20.4 LDA的变分EM算法
本章概要
继续阅读
习题
参考文献
第21章 PageRank算法
21.1 PageRank的定义
21.2 PageRank的计算
本章概要
继续阅读
习题
参考文献
第22章 无监督学习方法总结
22.1 无监督学习方法的关系和特点
22.2 话题模型之间的关系和特点
参考文献
第3篇 深度学习
第23章 前馈神经网络
23.1 前馈神经网络的模型
23.2 前馈神经网络的学习算法
23.3 前馈神经网络学习的正则化
本章概要
继续阅读
习题
参考文献
第24章 卷积神经网络
24.1 卷积神经网络的模型
24.2 卷积神经网络的学习算法
24.3 图像分类中的应用
本章概要
继续阅读
习题
参考文献
第25章 循环神经网络
25.1 简单循环神经网络
25.2 常用循环神经网络
25.3 自然语言生成中的应用
本章概要
继续阅读
习题
参考文献
第26章 序列到序列模型
26.1 序列到序列基本模型
26.2 RNN Search模型
26.3 Transformer模型
本章概要
继续阅读
习题
参考文献
第27章 预训练语言模型
27.1 GPT模型
27.2 BERT模型
本章概要
继续阅读
习题
参考文献
第28章 生成对抗网络
28.1 GAN基本模型
28.2 图像生成中的应用
本章概要
继续阅读
习题
参考文献
第29章 深度学习方法总结
29.1 深度学习的模型
29.2 深度学习的方法
29.3 深度学习的优化算法
29.4 深度学习的优缺点
参考文献
附录A 梯度下降法
附录B 牛顿法和拟牛顿法
附录C 拉格朗日对偶性
附录D 矩阵的基本子空间
附录E KL散度的定义和狄利克雷分布的性质
附录F 软最大化函数的偏导数和交叉熵损失函数的偏导数
索引
数字和字母
A
B
C
D
E
F
G
H
J
K
L
M
N
O
P
Q
R
S
T
W
X
Y
Z
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
