书籍详情
机器学习导论（原书第3版）
作者：（土）埃塞姆 阿培丁（Ethem Alpaydin）
出版社：机械工业出版社
出版时间：2016-01-01
ISBN：9787111521945
定价：¥79.00
购买这本书可以去
内容简介
本书是关于机器学习这一主题内容全面的教科书，涵盖了通常在机器学习导论中并不包括的广泛题材。对机器学习的定义和应用实例进行了介绍，涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、核机器、图方法、隐马尔可夫模型、贝叶斯估计、组合多学习器、增强学习以及机器学习实验的设计与分析等。
作者简介
暂缺《机器学习导论（原书第3版）》作者简介
目录
目录
Introduction to Machine Learning，Third Edition
出版者的话
译者序
前言
符号说明
第1章引言1
11什么是机器学习1
12机器学习的应用实例2
121学习关联性2
122分类3
123回归5
124非监督学习6
125增强学习7
13注释8
14相关资源10
15习题11
16参考文献12
第2章监督学习13
21由实例学习类13
22VC维16
23概率近似正确学习16
24噪声17
25学习多类18
26回归19
27模型选择与泛化21
28监督机器学习算法的维23
29注释24
210习题25
211参考文献26
第3章贝叶斯决策理论27
31引言27
32分类28
33损失与风险29
34判别式函数30
35关联规则31
36注释33
37习题33
38参考文献36
第4章参数方法37
41引言37
42最大似然估计37
421伯努利密度38
422多项式密度38
423高斯（正态）密度39
43评价估计：偏倚和方差39
44贝叶斯估计40
45参数分类42
46回归44
47调整模型的复杂度：偏倚/方差两难选择46
48模型选择过程49
49注释51
410习题51
411参考文献53
第5章多元方法54
51多元数据54
52参数估计54
53缺失值估计55
54多元正态分布56
55多元分类57
56调整复杂度61
57离散特征62
58多元回归63
59注释64
510习题64
511参考文献66
第6章维度归约67
61引言67
62子集选择67
63主成分分析70
64特征嵌入74
65因子分析75
66奇异值分解与矩阵分解78
67多维定标79
68线性判别分析82
69典范相关分析85
610等距特征映射86
611局部线性嵌入87
612拉普拉斯特征映射89
613注释90
614习题91
615参考文献92
第7章聚类94
71引言94
72混合密度94
73k均值聚类95
74期望最大化算法98
75潜在变量混合模型100
76聚类后的监督学习101
77谱聚类102
78层次聚类103
79选择簇个数104
710注释104
711习题105
712参考文献106
第8章非参数方法107
81引言107
82非参数密度估计108
821直方图估计108
822核估计109
823k最近邻估计110
83推广到多变元数据111
84非参数分类112
85精简的最近邻112
86基于距离的分类113
87离群点检测115
88非参数回归：光滑模型116
881移动均值光滑116
882核光滑117
883移动线光滑119
89如何选择光滑参数119
810注释120
811习题121
812参考文献122
第9章决策树124
91引言124
92单变量树125
921分类树125
922回归树128
93剪枝130
94由决策树提取规则131
95由数据学习规则132
96多变量树134
97注释135
98习题137
99参考文献138
第10章线性判别式139
101引言139
102推广线性模型140
103线性判别式的几何意义140
1031两类问题140
1032多类问题141
104逐对分离142
105参数判别式的进一步讨论143
106梯度下降144
107逻辑斯谛判别式145
1071两类问题145
1072多类问题147
108回归判别式150
109学习排名151
1010注释152
1011习题152
1012参考文献154
第11章多层感知器155
111引言155
1111理解人脑155
1112神经网络作为并行处理的典范156
112感知器157
113训练感知器159
114学习布尔函数160
115多层感知器161
116作为普适近似的MLP162
117向后传播算法163
1171非线性回归163
1172两类判别式166
1173多类判别式166
Introduction to Machine Learning，Third Edition
出版者的话
译者序
前言
符号说明
第1章引言1
11什么是机器学习1
12机器学习的应用实例2
121学习关联性2
122分类3
123回归5
124非监督学习6
125增强学习7
13注释8
14相关资源10
15习题11
16参考文献12
第2章监督学习13
21由实例学习类13
22VC维16
23概率近似正确学习16
24噪声17
25学习多类18
26回归19
27模型选择与泛化21
28监督机器学习算法的维23
29注释24
210习题25
211参考文献26
第3章贝叶斯决策理论27
31引言27
32分类28
33损失与风险29
34判别式函数30
35关联规则31
36注释33
37习题33
38参考文献36
第4章参数方法37
41引言37
42最大似然估计37
421伯努利密度38
422多项式密度38
423高斯（正态）密度39
43评价估计：偏倚和方差39
44贝叶斯估计40
45参数分类42
46回归44
47调整模型的复杂度：偏倚/方差两难选择46
48模型选择过程49
49注释51
410习题51
411参考文献53
第5章多元方法54
51多元数据54
52参数估计54
53缺失值估计55
54多元正态分布56
55多元分类57
56调整复杂度61
57离散特征62
58多元回归63
59注释64
510习题64
511参考文献66
第6章维度归约67
61引言67
62子集选择67
63主成分分析70
64特征嵌入74
65因子分析75
66奇异值分解与矩阵分解78
67多维定标79
68线性判别分析82
69典范相关分析85
610等距特征映射86
611局部线性嵌入87
612拉普拉斯特征映射89
613注释90
614习题91
615参考文献92
第7章聚类94
71引言94
72混合密度94
73k均值聚类95
74期望最大化算法98
75潜在变量混合模型100
76聚类后的监督学习101
77谱聚类102
78层次聚类103
79选择簇个数104
710注释104
711习题105
712参考文献106
第8章非参数方法107
81引言107
82非参数密度估计108
821直方图估计108
822核估计109
823k最近邻估计110
83推广到多变元数据111
84非参数分类112
85精简的最近邻112
86基于距离的分类113
87离群点检测115
88非参数回归：光滑模型116
881移动均值光滑116
882核光滑117
883移动线光滑119
89如何选择光滑参数119
810注释120
811习题121
812参考文献122
第9章决策树124
91引言124
92单变量树125
921分类树125
922回归树128
93剪枝130
94由决策树提取规则131
95由数据学习规则132
96多变量树134
97注释135
98习题137
99参考文献138
第10章线性判别式139
101引言139
102推广线性模型140
103线性判别式的几何意义140
1031两类问题140
1032多类问题141
104逐对分离142
105参数判别式的进一步讨论143
106梯度下降144
107逻辑斯谛判别式145
1071两类问题145
1072多类问题147
108回归判别式150
109学习排名151
1010注释152
1011习题152
1012参考文献154
第11章多层感知器155
111引言155
1111理解人脑155
1112神经网络作为并行处理的典范156
112感知器157
113训练感知器159
114学习布尔函数160
115多层感知器161
116作为普适近似的MLP162
117向后传播算法163
1171非线性回归163
1172两类判别式166
1173多类判别式166
猜您喜欢
