幫助中心 | 我的帳號 | 關於我們

機器學習與優化/圖靈程序設計叢書

  • 作者:(意)羅伯托·巴蒂蒂//毛羅·布魯納托|譯者:王彧弋
  • 出版社:人民郵電
  • ISBN:9787115480293
  • 出版日期:2018/05/01
  • 裝幀:平裝
  • 頁數:272
人民幣:RMB 89 元      售價:
放入購物車
加入收藏夾

內容大鋼
    羅伯托·巴蒂蒂、毛羅·布魯納托著的《機器學習與優化》是機器學習實戰領域的一本佳作,從機器學習的基本概念講起,旨在將初學者引入機器學習的大門,並走上實踐的道路。本書通過講解機器學習中的監督學習和無監督學習,並結合特徵選擇和排序、聚類方法、文本和網頁挖掘等熱點問題,論證了「優化是力量之源」這一觀點,為機器學習在企業中的應用提供了切實可行的操作建議。
    本書適合從事機器學習領域工作的相關人員,以及任何對機器學習感興趣的讀者。

作者介紹
(意)羅伯托·巴蒂蒂//毛羅·布魯納托|譯者:王彧弋

目錄
第1章 引言
  1.1 學習與智能優化:燎原之火 
  1.2 尋找黃金和尋找伴侶 
  1.3 需要的只是數據 
  1.4 超越傳統的商業智能 
  1.5 LION方法的實施 
  1.6 「動手」的方法 
第2章 懶惰學習:最近鄰方法 
第3章 學習需要方法 
  3.1 從已標記的案例中學習:最小化和泛化 
  3.2 學習、驗證、測試 
  3.3 不同類型的誤差
 
第一部分 監督學習
第4章 線性模型 
  4.1 線性回歸 
  4.2 處理非線性函數關係的技巧 
  4.3 用於分類的線性模型 
  4.4 大腦是如何工作的 
  4.5 線性模型為何普遍,為何成功 
  4.6 最小化平方誤差和 
  4.7 數值不穩定性和嶺回歸 
第5章 廣義線性最小二乘法 
  5.1 擬合的優劣和卡方分佈 
  5.2 最小二乘法與最大似然估計 
    5.2.1 假設檢驗 
    5.2.2 交叉驗證 
  5.3 置信度的自助法 
第6章 規則、決策樹和森林 
  6.1 構造決策樹
  6.2 民主與決策森林 
第7章 特徵排序及選擇 
  7.1 特徵選擇:情境 
  7.2 相關係數 
  7.3 相關比 
  7.4 卡方檢驗拒絕統計獨立性 
  7.5 熵和互信息
第8章 特定非線性模型 
  8.1 logistic 回歸 
  8.2 局部加權回歸 
  8.3 用LASSO來縮小係數和選擇輸入值 
第9章 神經網路:多層感知器 
  9.1 多層感知器 
  9.2 通過反向傳播法學習 
    9.2.1 批量和bold driver反向傳播法
    9.2.2 在線或隨機反向傳播 
    9.2.3 訓練多層感知器的高級優化
第10章 深度和卷積網路 
  10.1 深度神經網路 
    10.1.1 自動編碼器 

    10.1.2 隨機雜訊、屏蔽和課程 
  10.2 局部感受野和卷積網路 
第11章 統計學習理論和支持向量機
  11.1 經驗風險最小化 
    11.1.1 線性可分問題 
    11.1.2 不可分問題
    11.1.3 非線性假設 
    11.1.4 用於回歸的支持向量 
第12章 最小二乘法和健壯內核機器 
  12.1 最小二乘支持向量機分類器 
  12.2 健壯加權最小二乘支持向量機 
  12.3 通過修剪恢復稀疏 107
  12.4 演算法改進:調諧QP、原始版本、無補償
第13章 機器學習中的民主 
  13.1 堆疊和融合 
  13.2 實例操作帶來的多樣性:裝袋法和提升法 
  13.3 特徵操作帶來的多樣性 
  13.4 輸出值操作帶來的多樣性:糾錯碼 
  13.5 訓練階段隨機性帶來的多樣性 
  13.6 加性logistic回歸 
  13.7 民主有助於準確率-拒絕的折中 
第14章 遞歸神經網路和儲備池計算
  14.1 遞歸神經網路 
  14.2 能量極小化霍普菲爾德網路 
  14.3 遞歸神經網路和時序反向傳播 
  14.4 遞歸神經網路儲備池學習
  14.5 超限學習機 

第二部分 無監督學習和聚類
第15章 自頂向下的聚類:K均值 
  15.1 無監督學習的方法 
  15.2 聚類:表示與度量 
  15.3 硬聚類或軟聚類的K均值方法 
第16章 自底向上(凝聚)聚類 
  16.1 合併標準以及樹狀圖 
  16.2 適應點的分佈距離:馬氏距離 
  16.3 附錄:聚類的可視化 
第17章 自組織映射 
  17.1 將實體映射到原型的人工皮層
  17.2 使用成熟的自組織映射進行分類
第18章 通過線性變換降維(投影) 
  18.1 線性投影 
  18.2 主成分分析 
  18.3 加權主成分分析:結合坐標和關係 
  18.4 通過比值優化進行線性判別 
  18.5 費希爾線性判別分析 
第19章 通過非線性映射可視化圖與網路 
  19.1 最小應力可視化 
  19.2 一維情況:譜圖繪製 
  19.3 複雜圖形分佈標準 

第20章 半監督學習 
  20.1 用部分無監督數據進行學習 
    20.1.1 低密度區域中的分離 
    20.1.2 基於圖的演算法 
    20.1.3 學習度量 
    20.1.4 集成約束和度量學習 

第三部分 優化:力量之源
第21章 自動改進的局部方法 
  21.1 優化和學習 
  21.2 基於導數技術的一維情況 
    21.2.1 導數可以由割線近似 
    21.2.2 一維最小化
  21.3 求解高維模型(二次正定型) 
    21.3.1 梯度與最速下降法 
    21.3.2 共軛梯度法 
  21.4 高維中的非線性優化 
    21.4.1 通過線性查找的全局收斂 
    21.4.2 解決不定黑塞矩陣 
    21.4.3 與模型信賴域方法的關係 
    21.4.4 割線法 
    21.4.5 縮小差距:二階方法與線性複雜度 
  21.5 不涉及導數的技術:反饋仿射振蕩器
    21.5.1 RAS:抽樣區域的適應性 
    21.5.2 為健壯性和多樣化所做的重複 
第22章 局部搜索和反饋搜索優化 
  22.1 基於擾動的局部搜索 
  22.2 反饋搜索優化:搜索時學習 
  22.3 基於禁忌的反饋搜索優化 
第23章 合作反饋搜索優化
  23.1 局部搜索過程的智能協作
  23.2 CoRSO:一個政治上的類比 
  23.3 CoRSO的例子:RSO與RAS合作
第24章 多目標反饋搜索優化 
  24.1 多目標優化和帕累托最優 
  24.2 腦-電腦優化:循環中的用戶 

第四部分 應用精選
第25章 文本和網頁挖掘
  25.1 網頁信息檢索與組織
    25.1.1 爬蟲 
    25.1.2 索引 
  25.2 信息檢索與排名 
    25.2.1 從文檔到向量:向量-空間模型 
    25.2.2 相關反饋 
    25.2.3 更複雜的相似性度量 
  25.3 使用超鏈接來進行網頁排名 
  25.4 確定中心和權威:HITS 
  25.5 聚類 
第26章 協同過濾和推薦 

  26.1 通過相似用戶結合評分 
  26.2 基於矩陣分解的模型 
參考文獻 
索引

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032