幫助中心 | 我的帳號 | 關於我們

機器學習基礎/智能科學與技術叢書

  • 作者:(美)梅爾亞·莫里//阿夫欣·羅斯塔米扎達爾//阿米特·塔爾沃卡爾|譯者:張文生
  • 出版社:機械工業
  • ISBN:9787111622185
  • 出版日期:2019/05/01
  • 裝幀:平裝
  • 頁數:288
人民幣:RMB 99 元      售價:NT$ 445.5
放入購物車
加入收藏夾

內容大鋼
    本書從概率近似正確(PAC)理論出發探討機器學習的基礎理論與典型演算法。包括PAC學習框架、VC-維、支持向量機、核方法、在線學習、多分類、排序、回歸、降維、強化學習等豐富的內容。此外,附錄部分簡要回顧了與機器學習密切相關的概率論、凸優化、矩陣以及范數等必要的預備知識。
    本書重在介紹典型演算法的理論支撐並指出演算法在實際應用中的關鍵點,注重理論細節與證明過程,可作為高等院校機器學習、統計學等課程的教材,或作為相關領域研究人員的參考讀物。

作者介紹
(美)梅爾亞·莫里//阿夫欣·羅斯塔米扎達爾//阿米特·塔爾沃卡爾|譯者:張文生

目錄
譯者序
前言
第1章  引言
  1.1  應用與問題
  1.2  定義與術語
  1.3  交叉驗證
  1.4  學習情境
  1.5  本書概覽
第2章  PAC學習框架
  2.1  PAC學習模型
  2.2  對有限假設集的學習保證——一致的情況
  2.3  對有限假設集的學習保證——不一致的情況
  2.4  泛化性
    2.4.1  確定性與隨機性情境
    2.4.2  貝葉斯誤差與雜訊
    2.4.3  估計誤差與近似誤差
    2.4.4  模型選擇
  2.5  文獻評註
  2.6  習題
第3章  Rademacher複雜度和VC-維
  3.1  Rademacher複雜度
  3.2  生長函數
  3.3  VC-維
  3.4  下界
  3.5  文獻評註
  3.6  習題
第4章  支持向量機
  4.1  線性分類
  4.2  可分情況下的支持向量機
    4.2.1  原始優化問題
    4.2.2  支持向量
    4.2.3  對偶優化問題
    4.2.4  留一法
  4.3  不可分情況下的支持向量機
    4.3.1  原始優化問題
    4.3.2  支持向量
    4.3.3  對偶優化問題
  4.4  間隔理論
  4.5  文獻評註
  4.6  習題
第5章  核方法
  5.1  引言
  5.2  正定對稱核
    5.2.1  定義
    5.2.2  再生核希爾伯特空間
    5.2.3  性質
  5.3  基於核的演算法
    5.3.1  具有PDS核的SVM
    5.3.2  表示定理
    5.3.3  學習保證

  5.4  負定對稱核
  5.5  序列核
    5.5.1  加權轉換器
    5.5.2  有理核
  5.6  文獻評註
  5.7  習題
第6章  boosting
  6.1  引言
  6.2  AdaBoost演算法
    6.2.1  經驗誤差的界
    6.2.2  與坐標下降的關係
    6.2.3  與邏輯回歸的關係
    6.2.4  實踐中的標準使用方式
  6.3  理論結果
    6.3.1  基於VC-維的分析
    6.3.2  基於間隔的分析
    6.3.3  間隔最大化
    6.3.4  博弈論解釋
  6.4  討論
  6.5  文獻評註
  6.6  習題
第7章  在線學習
  7.1  引言
  7.2  有專家建議的預測
    7.2.1  錯誤界和折半演算法
    7.2.2  加權多數演算法
    7.2.3  隨機加權多數演算法
    7.2.4  指數加權平均演算法
  7.3  線性分類
    7.3.1  感知機演算法
    7.3.2  Winnow演算法
  7.4  在線到批處理的轉換
  7.5  與博弈論的聯繫
  7.6  文獻評註
  7.7  習題
第8章  多分類
  8.1  多分類問題
  8.2  泛化界
  8.3  直接型多分類演算法
    8.3.1  多分類SVM
    8.3.2  多分類boosting演算法
    8.3.3  決策樹
  8.4  類別分解型多分類演算法
    8.4.1  一對多
    8.4.2  一對一
    8.4.3  糾錯編碼
  8.5  結構化預測演算法
  8.6  文獻評註
  8.7  習題
第9章  排序

  9.1  排序問題
  9.2  泛化界
  9.3  使用SVM進行排序
  9.4  RankBoost
    9.4.1  經驗誤差界
    9.4.2  與坐標下降的關係
    9.4.3  排序問題集成演算法的間隔界
  9.5  二部排序
    9.5.1  二部排序中的boosting演算法
    9.5.2  ROC曲線下面積
  9.6  基於偏好的情境
    9.6.1  兩階段排序問題
    9.6.2  確定性演算法
    9.6.3  隨機性演算法
    9.6.4  關於其他損失函數的擴展
  9.7  討論
  9.8  文獻評註
  9.9  習題
第10章  回歸
  10.1  回歸問題
  10.2  泛化界
    10.2.1  有限假設集
    10.2.2  Rademacher複雜度界
    10.2.3  偽維度界
  10.3  回歸演算法
    10.3.1  線性回歸
    10.3.2  核嶺回歸
    10.3.3  支持向量回歸
    10.3.4  Lasso
    10.3.5  組范數回歸演算法
    10.3.6  在線回歸演算法
  10.4  文獻評註
  10.5  習題
第11章  演算法穩定性
  11.1  定義
  11.2  基於穩定性的泛化保證
  11.3  基於核的正則化演算法的穩定性
    11.3.1  應用於回歸演算法:SVR和KRR
    11.3.2  應用於分類演算法:SVM
    11.3.3  討論
  11.4  文獻評述
  11.5  習題
第12章  降維
  12.1  主成分分析
  12.2  核主成分分析
  12.3  KPCA和流形學習
    12.3.1  等距映射
    12.3.2  拉普拉斯特徵映射
    12.3.3  局部線性嵌入
  12.4  Johnson-Lindenstrauss引理

  12.5  文獻評註
  12.6  習題
第13章  學習自動機和語言
  13.1  引言
  13.2  有限自動機
  13.3  高效精確學習
    13.3.1  被動學習
    13.3.2  通過查詢學習
    13.3.3  通過查詢學習自動機
  13.4  極限下的識別
  13.5  文獻評註
  13.6  習題
第14章  強化學習
  14.1  學習情境
  14.2  馬爾可夫決策過程模型
  14.3  策略
    14.3.1  定義
    14.3.2  策略值
    14.3.3  策略評估
    14.3.4  最優策略
  14.4  規劃演算法
    14.4.1  值迭代
    14.4.2  策略迭代
    14.4.3  線性規劃
  14.5  學習演算法
    14.5.1  隨機逼近
    14.5.2  TD(0)演算法
    14.5.3  Q-學習演算法
    14.5.4  SARSA
    14.5.5  TD(λ)演算法
    14.5.6  大狀態空間
  14.6  文獻評註
結束語
附錄A  線性代數回顧
附錄B  凸優化
附錄C  概率論回顧
附錄D  集中不等式
附錄E  符號
索引
參考文獻

  • 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