幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習(應用視角)/智能科學與技術叢書

  • 作者：(美)大衛·福賽斯|責編:柯敬賢|譯者:常虹//王樹徽//庄福振//楊雙
  • 出版社：機械工業
  • ISBN：9787111668299
  • 出版日期：2021/01/01
  • 裝幀：平裝
  • 頁數：332
人民幣：RMB 129 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書涵蓋了每個想以機器學習為工具的人都應該知道的概念和方法，廣泛介紹了機器學習的諸多領域，包括分類、高維數據、聚類、回歸、圖模型和深度網路。理論方法與應用實例相結合，使讀者易於理解和上手實踐。強調使用現有的工具和軟體包，而不是自己編寫代碼。
    本書是一個機器學習工具箱，不僅可以作為相關專業高年級本科生和低年級研究生的教材，也適合各類工程技術人員自學參考。
作者介紹
(美)大衛·福賽斯|責編:柯敬賢|譯者:常虹//王樹徽//庄福振//楊雙
目錄
譯者序
前言
致謝
關於作者
第一部分　分類
第1章  學會分類
  1.1  分類的主要思想
    　1.1.1  誤差率及其他性能指標
    　1.1.2  更詳細的評估
    　1.1.3  過擬合與交叉驗證
  1.2  最近鄰分類
  1.3  樸素貝葉斯
    　1.3.1  利用交叉驗證進行模型選擇
    　1.3.2  數據缺失
　編程練習
第2章  支持向量機和隨機森林
  2.1  支持向量機
    　2.1.1  鉸鏈損失
    　2.1.2  正則化
    　2.1.3  通過隨機梯度下降來尋找分類器
    　2.1.4  λ的搜索
    　2.1.5  總結：用隨機梯度下降訓練
    　2.1.6  例子：利用支持向量機分析成人收入
    　2.1.7  利用支持向量機進行多類分類
  2.2  利用隨機森林進行分類
    　2.2.1  構造決策樹
    　2.2.2  用信息增益來選擇劃分
    　2.2.3  森林
    　2.2.4  構造並評估決策森林
    　2.2.5  利用決策森林進行數據分類
　編程練習
　MNIST練習
第3章  學習理論初步
  3.1  用留出損失預測測試損失
    　3.1.1  樣本均值和期望
    　3.1.2  利用切比雪夫不等式
    　3.1.3  一個泛化界
  3.2  有限分類器族的測試誤差與訓練誤差
    　3.2.1  霍夫丁不等式
    　3.2.2  在有限預測器族上訓練
    　3.2.3  所需樣例數量
  3.3  無限預測器集合
    　3.3.1  預測器和二值函數
    　3.3.2  對稱化
    　3.3.3  限制泛化誤差
第二部分　高維數據
第4章  高維數據
  4.1  概述及簡單繪圖
    　4.1.1  均值
    　4.1.2  桿圖和散點圖矩陣

    　4.1.3  協方差
    　4.1.4  協方差矩陣
  4.2  維數災難
    　4.2.1  災難：數據不是你想象的那樣
    　4.2.2  維數的小困擾
  4.3  用均值和協方差理解高維數據
    　4.3.1  仿射變換下的均值和協方差
    　4.3.2  特徵向量及矩陣對角化
    　4.3.3  通過旋轉數據堆來對角化協方差矩陣
  4.4  多元正態分佈
    　4.4.1  仿射變換與高斯模型
    　4.4.2  繪製二維高斯模型：協方差橢圓
    　4.4.3  描述統計與期望
    　4.4.4  維數災難的更多內容
　習題
第5章  主成分分析
  5.1  在主成分上表示數據
    　5.1.1  近似數據團塊
    　5.1.2  例子：變換身高體重堆
    　5.1.3  在主成分上表示數據
    　5.1.4  低維表示中的誤差
    　5.1.5  用NIPALS演算法提取若干主成分
    　5.1.6  主成分和缺失值
    　5.1.7  PCA作為平滑方法
  5.2  例子：用主成分表示顏色
  5.3  例子：用主成分表示人臉
　習題
　編程練習
第6章  低秩近似
  6.1  奇異值分解
    　6.1.1  SVD和PCA
    　6.1.2  SVD和低秩近似
    　6.1.3  用SVD進行平滑
  6.2  多維縮放
    　6.2.1  通過高維的距離選擇低維的點
    　6.2.2  使用低秩近似分解因子
    　6.2.3  例子：利用多維縮放進行映射
  6.3  例子：文本模型和潛在語義分析
    　6.3.1  餘弦距離
    　6.3.2  對單詞計數進行平滑
    　6.3.3  例子：對NIPS文檔進行映射
    　6.3.4  獲得詞的含義
    　6.3.5  例子：對NIPS數據集的詞進行映射
    　6.3.6  TF?IDF
　習題
　編程練習
第7章  典型相關分析
  7.1  典型相關分析演算法
  7.2  例子：在詞和圖片上進行CCA
  7.3  例子：在反射率和遮光上進行CCA

　編程練習
第三部分　聚類
第8章  聚類
  8.1  聚合式聚類和拆分式聚類
  8.2  k均值演算法及其變體
    　8.2.1  如何選擇k的值
    　8.2.2  軟分配
    　8.2.3  高效聚類和層級式k均值
    　8.2.4  k中心點演算法
    　8.2.5  例子：葡萄牙的雜貨
    　8.2.6  關於k均值演算法的一些見解
  8.3  用向量量化描述重複性
    　8.3.1  向量量化
    　8.3.2  例子：基於加速度計數據的行為
　編程練習
第9章  使用概率模型進行聚類
  9.1  混合模型與聚類
    　9.1.1  數據團塊的有限混合模型
    　9.1.2  主題和主題模型
  9.2  EM演算法
    　9.2.1  例子——高斯混合：E步
    　9.2.2  例子——高斯混合：M步
    　9.2.3  例子——主題模型：E步
    　9.2.4  例子——主題模型：M步
    　9.2.5  EM演算法的實踐
　習題
　編程練習
第四部分　回歸
第10章  回歸
  10.1  概述
  10.2  線性回歸和最小二乘法
    　10.2.1  線性回歸
    　10.2.2  選擇β
    　10.2.3  殘差
    　10.2.4  R
      

  • 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