幫助中心 | 我的帳號 | 關於我們

機器學習(貝葉斯和優化方法原書第2版)/智能科學與技術叢書

  • 作者:(希)西格爾斯·西奧多里蒂斯|責編:曲熠|譯者:王剛//李忠偉//任明明//李鵬
  • 出版社:機械工業
  • ISBN:9787111692577
  • 出版日期:2022/01/01
  • 裝幀:平裝
  • 頁數:828
人民幣:RMB 279 元      售價:
放入購物車
加入收藏夾

內容大鋼
    《機器學習:貝葉斯和優化方法(原書第2版)》對所有重要的機器學習方法和新近研究趨勢進行了深入探索,通過講解監督學習的兩大支柱——回歸和分類,站在全景視角將這些繁雜的方法一一打通,形成了明晰的機器學習知識體系。
    新版對內容做了全面更新,使各章內容相對獨立。全書聚焦于數學理論背後的物理推理,關注貼近應用層的方法和演算法,並輔以大量實例和習題,適合該領域的科研人員和工程師閱讀,也適合學習模式識別、統計/自適應信號處理、統計/貝葉斯學習、稀疏建模和深度學習等課程的學生參考。
    此外,《機器學習:貝葉斯和優化方法(原書第2版)》的所有代碼均可免費下載,包含MATLAB和Python兩個版本。
    《機器學習:貝葉斯和優化方法(原書第2版)》重要更新及特色:
    重寫了關於神經網路和深度學習的章節,以反映自第1版以來的研究進展。這一章從感知器和前饋神經網路的基礎概念開始討論,對深度網路進行了深入研究,涵蓋較新的優化演算法、批標準化、正則化技術(如Dropout方法)、CNN和RNN、注意力機制、對抗樣本和對抗訓練、膠囊網路、生成架構(如RBM)、變分自編碼器和GAN。
    擴展了關於貝葉斯學習的內容,包括非參數貝葉斯方法,重點討論中國餐館過程(CRP)和印度自助餐過程(IBP)。    追蹤新的研究趨勢,包括稀疏、凸分析與凸優化、在線分散式演算法、RKH空間學習、貝葉斯推斷、圖模型與隱馬爾可夫模型、粒子濾波、深度學習、字典學習和潛變數建模等。
    提供實用案例分析,包括蛋白質摺疊預測、光學字元識別、文本作者身份識別、fMRI數據分析、變點檢測、高光譜圖像分離、目標定位等。

作者介紹
(希)西格爾斯·西奧多里蒂斯|責編:曲熠|譯者:王剛//李忠偉//任明明//李鵬

目錄
譯者序
前言
致謝
作者簡介
符號說明
第1章  引言
  1.1  歷史背景
  1.2  人工智慧與機器學習
  1.3  演算法能學習數據中隱藏的東西
  1.4  機器學習典型應用
    1.4.1  語音識別
    1.4.2  電腦視覺
    1.4.3  多模態數據
    1.4.4  自然語言處理
    1.4.5  機器人
    1.4.6  自動駕駛
    1.4.7  未來的挑戰
  1.5  機器學習的主要方向
    1.5.1  監督學習
  1.6  無監督和半監督學習
  1.7  本書結構和路線圖
  參考文獻
第2章  概率和隨機過程
  2.1  引言
  2.2  概率和隨機變數
    2.2.1  概率
    2.2.2  離散隨機變數
    2.2.3  連續隨機變數
    2.2.4  均值和方差
    2.2.5  隨機變數變換
  2.3  分佈示例
    2.3.1  離散變數
    2.3.2  連續變數
  2.4  隨機過程
    2.4.1  一階和二階統計量
    2.4.2  平穩性和遍歷性
    2.4.3  功率譜密度
    2.4.4  自回歸模型
  2.5  資訊理論
    2.5.1  離散隨機變數
    2.5.2  連續隨機變數
  2.6  隨機收斂
    2.6.1  處處收斂
    2.6.2  幾乎處處收斂
    2.6.3  均方意義下的收斂
    2.6.4  依概率收斂
    2.6.5  依分佈收斂
  習題
  參考文獻
第3章  參數化建模學習:概念和方向

  3.1  引言
  3.2  參數估計:確定性觀點
  3.3  線性回歸
  3.4  分類
    3.4.1  生成和判別學習
  3.5  有偏估計與無偏估計
    3.5.1  選擇有偏還是無偏估計
  3.6  克拉美一羅下界
  3.7  充分統計量
  3.8  正則化
    3.8.1  逆問題:病態和過擬合
  3.9  偏差一方差困境
    3.9.1  均方誤差估計
    3.9.2  偏差一方差權衡
  3.10  最大似然法
    3.10.1  線性回歸:非白高斯雜訊實例
  3.11  貝葉斯推斷
    3.11.1  最大后驗概率估計方法
  3.12  維數災難
  3.13  驗證
    3.13.1  交叉驗證
  3.14  期望損失函數和經驗風險函數
    3.14.1  可學習性
  3.15  非參數建模和非參數估計
  習題
  參考文獻
第4章  均方誤差線性估計
  4.1  引言
  4.2  均方誤差線性估計:正規方程
    4.2.1  代價函數曲面
  4.3  幾何觀點:正交性條件
  4.4  擴展到復值變數
    4.4.1  寬線性復值估計
    4.4.2  復值變數優化:沃廷格微積分
  4.5  線性濾波
  4.6  均方誤差線性濾波:頻率域觀點
    4.6.1  反卷積:圖像去模糊
  4.7  一些典型應用
    4.7.1  干擾抵消
    4.7.2  系統辨識
    4.7.3  反卷積:通道均衡
  4.8  演算法方面:萊文森演算法和格一梯演算法
    4.8.1  前向後向均方誤差最優預測
    4.8.2  格一梯方案
  4.9  線性模型均方誤差估計
    4.9.1  高斯一馬爾可夫定理
    4.9.2  約束線性估計:波束成形實例
  4.10  時變統計:卡爾曼濾波
  習題
  參考文獻

……
第5章  隨機梯度下降:LMS演算法族
第6章  最小二乘演算法族
第7章  分類:經典方法導覽
第8章  參數學習:凸分析方法
第9章  稀疏感知學習:概念和理論基礎
第10章  稀疏感知學習:演算法和應用
第11章  再生核希爾伯特空間中的學習
第12章  貝葉斯學習:推斷和EM演算法
第13章  貝葉斯學習:近似推斷和非參模型
第14章  蒙特卡羅方法
第15章  概率圖模型:第一部分
第16章  概率圖模型:第二部分
第17章  粒子濾波
第18章  神經網路和深度學習
第19章  降維與潛變數模型
索引
在線章節

  • 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