機(jī)器學(xué)習(xí)導(dǎo)論（原書(shū)第3版）

定　價(jià)：￥79.00

作　者：	（土）埃塞姆阿培?。‥them Alpaydin）
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 人工智能

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111521945	出版時(shí)間：	2016-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	356	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)是關(guān)于機(jī)器學(xué)習(xí)這一主題內(nèi)容全面的教科書(shū)，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(duì)機(jī)器學(xué)習(xí)的定義和應(yīng)用實(shí)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(lèi)、非參數(shù)方法、決策樹(shù)、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(jì)、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(shí)驗(yàn)的設(shè)計(jì)與分析等。

作者簡(jiǎn)介

暫缺《機(jī)器學(xué)習(xí)導(dǎo)論（原書(shū)第3版）》作者簡(jiǎn)介

圖書(shū)目錄

目錄

Introduction to Machine Learning，Third Edition

出版者的話

譯者序

前言

符號(hào)說(shuō)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(shí)例2

121學(xué)習(xí)關(guān)聯(lián)性2

122分類(lèi)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(shí)例學(xué)習(xí)類(lèi)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(lèi)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(lèi)28

33損失與風(fēng)險(xiǎn)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(jì)37

421伯努利密度38

422多項(xiàng)式密度38

423高斯（正態(tài)）密度39

43評(píng)價(jià)估計(jì)：偏倚和方差39

44貝葉斯估計(jì)40

45參數(shù)分類(lèi)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(guò)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(jì)54

53缺失值估計(jì)55

54多元正態(tài)分布56

55多元分類(lèi)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(lèi)94

71引言94

72混合密度94

73k均值聚類(lèi)95

74期望最大化算法98

75潛在變量混合模型100

76聚類(lèi)后的監(jiān)督學(xué)習(xí)101

77譜聚類(lèi)102

78層次聚類(lèi)103

79選擇簇個(gè)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(jì)108

821直方圖估計(jì)108

822核估計(jì)109

823k最近鄰估計(jì)110

83推廣到多變?cè)獢?shù)據(jù)111

84非參數(shù)分類(lèi)112

85精簡(jiǎn)的最近鄰112

86基于距離的分類(lèi)113

87離群點(diǎn)檢測(cè)115

88非參數(shù)回歸：光滑模型116

881移動(dòng)均值光滑116

882核光滑117

883移動(dòng)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(shù)124

91引言124

92單變量樹(shù)125

921分類(lèi)樹(shù)125

922回歸樹(shù)128

93剪枝130

94由決策樹(shù)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(shù)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(lèi)問(wèn)題140

1032多類(lèi)問(wèn)題141

104逐對(duì)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(lèi)問(wèn)題145

1072多類(lèi)問(wèn)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(lèi)判別式166

1173多類(lèi)判別式166