| 失效链接处理 |
|
机器学习导论 原书第3版 PDF 下载
本站整理下载：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
http://product.dangdang.com/650056671.html
相关截图：
 资料简介： 机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，优化机器人的行为以便使用较少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。本书是关于机器学习的内容全面的教科书，其中有些内容在一般的在机器学习导论书中很少介绍。主要内容包括监督学习，贝叶斯决策理论，参数、半参数和非参数方法，多元分析，隐马尔可夫模型，增强学习，核机器，图模型，贝叶斯估计和统计检验。机器学习正在迅速成为计算机科学专业的学生必须掌握的一门技能。本书第3版反映了这种变化，增加了对初学者的支持，包括给出了部分习题的参考答案和补充了实例数据集（提供在线代码）。其他显著的变化包括离裙点检测的讨论、感知器和支持向量机的排名算法、矩阵分解和谱方法、距离估计、新的核算法、多层感知器的深度学习和非参数贝叶斯方法。书中对所有学习算法都进行了解释，以便读者可以很容易地将书中的公式转变为计算机程序。本书可以用作高年级本科生和硕士研究生的教材，也可供研究机器学习方法的技术人员参考。.. 资料目录： 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 1.1什么是机器学习1 1.2机器学习的应用实例2 1.2.1学习关联性2 1.2.2分类3 1.2.3回归5 1.2.4非监督学习6 1.2.5增强学习7 1.3注释8 1.4相关资源10 1.5习题11 1.6参考文献12 第2章监督学习13 2.1由实例学习类13 2.2VC维16 2.3概率近似正确学习16 2.4噪声17 2.5学习多类18 2.6回归19 2.7模型选择与泛化21 2.8监督机器学习算法的维23 2.9注释24 2.10习题25 2.11参考文献26 第3章贝叶斯决策理论27 3.1引言27 3.2分类28 3.3损失与风险29 3.4判别式函数30 3.5关联规则31 3.6注释33 3.7习题33 3.8参考文献36 第4章参数方法37 4.1引言37 4.2*似然估计37 4.2.1伯努利密度38 4.2.2多项式密度38 4.2.3高斯（正态）密度39 4.3评价估计：偏倚和方差39 4.4贝叶斯估计40 4.5参数分类42 4.6回归44 4.7调整模型的复杂度：偏倚/方差两难选择46 4.8模型选择过程49 4.9注释51 4.10习题51 4.11参考文献53 第5章多元方法54 5.1多元数据54 5.2参数估计54 5.3缺失值估计55 5.4多元正态分布56 5.5多元分类57 5.6调整复杂度61 5.7离散特征62 5.8多元回归63 5.9注释64 5.10习题64 5.11参考文献66 第6章维度归约67 6.1引言67 6.2子集选择67 6.3主成分分析70 6.4特征嵌入74 6.5因子分析75 6.6奇异值分解与矩阵分解78 6.7多维定标79 6.8线性判别分析82 6.9典范相关分析85 6.10等距特征映射86 6.11局部线性嵌入87 6.12拉普拉斯特征映射89 6.13注释90 6.14习题91 6.15参考文献92 第7章聚类94 7.1引言94 7.2混合密度94 7.3k均值聚类95 7.4期望*化算法98 7.5潜在变量混合模型100 7.6聚类后的监督学习101 7.7谱聚类102 7.8层次聚类103 7.9选择簇个数104 7.10注释104 7.11习题105 7.12参考文献106 第8章非参数方法107 8.1引言107 8.2非参数密度估计108 8.2.1直方图估计108 8.2.2核估计109 8.2.3k最近邻估计110 8.3推广到多变元数据111 8.4非参数分类112 8.5精简的最近邻112 8.6基于距离的分类113 8.7离群点检测115 8.8非参数回归：光滑模型116 8.8.1移动均值光滑116 8.8.2核光滑117 8.8.3移动线光滑119 8.9如何选择光滑参数119 8.10注释120 8.11习题121 8.12参考文献122 第9章决策树124 9.1引言124 9.2单变量树125 9.2.1分类树125 9.2.2回归树128 9.3剪枝130 9.4由决策树提取规则131 9.5由数据学习规则132 9.6多变量树134 9.7注释135 9.8习题137 9.9参考文献138 第10章线性判别式139 10.1引言139 10.2推广线性模型140 10.3线性判别式的几何意义140 10.3.1两类问题140 10.3.2多类问题141 10.4逐对分离142 10.5参数判别式的进一步讨论143 10.6梯度下降144 10.7逻辑斯谛判别式145 10.7.1两类问题145 10.7.2多类问题147 10.8回归判别式150 10.9学习排名151 10.10注释152 10.11习题152 10.12参考文献154 第11章多层感知器155 11.1引言155 11.1.1理解人脑155 11.1.2神经网络作为并行处理的典范156 11.2感知器157 11.3训练感知器159 11.4学习布尔函数160 11.5多层感知器161 11.6作为普适近似的MLP162 11.7向后传播算法163 11.7.1非线性回归163 11.7.2两类判别式166 11.7.3多类判别式166 11.7.4多个隐藏层167 11.8训练过程167 11.8.1改善收敛性167 11.8.2过分训练168 11.8.3构造网络169 11.8.4线索169 11.9调整网络规模170 11.10学习的贝叶斯观点172 11.11维度归约173 11.12学习时间174 11.12.1时间延迟神经网络175 11.12.2递归网络175 11.13深度学习176 11.14注释177 11.15习题178 11.16参考文献180 第12章局部模型182 12.1引言182 12.2竞争学习182 12.2.1在线k均值182 12.2.2自适应共鸣理论184 12.2.3自组织映射185 12.3径向基函数186 12.4结合基于规则的知识189 12.5规范化基函数190 12.6竞争的基函数191 12.7学习向量量化193 12.8混合专家模型193 12.8.1协同专家模型194 12.8.2竞争专家模型195 12.9层次混合专家模型195 12.10注释196 12.11习题196 12.12参考文献198 第13章核机器200 13.1引言200 13.2*分离超平面201 13.3不可分情况：软边缘超平面203 13.4vSVM205 13.5核技巧205 13.6向量核206 13.7定义核207 13.8多核学习208 13.9多类核机器209 13.10用于回归的核机器210 13.11用于排名的核机器212 13.12一类核机器213 13.13大边缘最近邻分类215 13.14核维度归约216 13.15注释217 13.16习题217 13.17参考文献218 第14章图方法221 14.1引言221 14.2条件独立的典型情况222 14.3生成模型226 14.4d分离227 14.5信念传播228 14.5.1链228 14.5.2树229 14.5.3多树230 14.5.4结树232 14.6无向图：马尔科夫随机场232 14.7学习图模型的结构234 14.8影响图234 14.9注释234 14.10习题235 14.11参考文献237 第15章隐马尔科夫模型238 15.1引言238 15.2离散马尔科夫过程238 15.3隐马尔科夫模型240 15.4HMM的三个基本问题241 15.5估值问题241 15.6寻找状态序列244 15.7学习模型参数245 15.8连续观测247 15.9HMM作为图模型248 15.10HMM中的模型选择250 15.11注释251 15.12习题252 15.13参考文献254 第16章贝叶斯估计255 16.1引言255 16.2离散分布的参数的贝叶斯估计257 16.2.1K>2个状态：狄利克雷分布257 16.2.2K=2个状态:贝塔分布258 16.3高斯分布的参数的贝叶斯估计258 16.3.1一元情况：未知均值，已知方差258 16.3.2一元情况:未知均值,未知方差259 16.3.3多元情况:未知均值,未知协方差260 16.4函数的参数的贝叶斯估计261 16.4.1回归261 16.4.2具有噪声精度先验的回归264 16.4.3基或核函数的使用265 16.4.4贝叶斯分类266 16.5选择先验268 16.6贝叶斯模型比较268 16.7混合模型的贝叶斯估计270 16.8非参数贝叶斯建模272 16.9高斯过程272 16.10狄利克雷过程和中国餐馆275 16.11本征狄利克雷分配276 16.12贝塔过程和印度自助餐277 16.13注释278 16.14习题278 16.15参考文献279 第17章组合多学习器280 17.1基本原理280 17.2产生有差异的学习 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
