自我提升
类型
9.3
豆瓣评分
可以朗读
语音朗读
218千字
字数
2020-11-01
发行日期
展开全部
主编推荐语
本书全面系统地介绍了统计学习的主要方法。
内容简介
全书共分两篇。
第一篇系统介绍监督学习的各种重要方法，包括决策树、感知机、支持向量机、最大熵模型与逻辑斯谛回归、推进法、多类分类法、EM算法、隐马尔科夫模型和条件随机场等；
第二篇介绍无监督学习，包括聚类、奇异值、主成分分析、潜在语义分析等。
两篇中，除概论和总结外，每章介绍一或二种方法。
目录
- 版权信息
- 内容简介
- 第2版序言
- 第1版序言
- 第1篇 监督学习
- 第1章 统计学习及监督学习概论
- 1.1 统计学习
- 1.2 统计学习的分类
- 1.3 统计学习方法三要素
- 1.4 模型评估与模型选择
- 1.5 正则化与交叉验证
- 1.6 泛化能力
- 1.7 生成模型与判别模型
- 1.8 监督学习应用
- 本章概要
- 继续阅读
- 习题
- 第2章 感知机
- 2.1 感知机模型
- 2.2 感知机学习策略
- 2.3 感知机学习算法
- 本章概要
- 继续阅读
- 习题
- 第3章 k近邻法
- 3.1 k近邻算法
- 3.2 k近邻模型
- 3.3 k近邻法的实现：kd树
- 本章概要
- 继续阅读
- 习题
- 第4章 朴素贝叶斯法
- 4.1 朴素贝叶斯法的学习与分类
- 4.2 朴素贝叶斯法的参数估计
- 本章概要
- 继续阅读
- 习题
- 第5章 决策树
- 5.1 决策树模型与学习
- 5.2 特征选择
- 5.3 决策树的生成
- 5.4 决策树的剪枝
- 5.5 CART算法
- 本章概要
- 继续阅读
- 习题
- 第6章 逻辑斯谛回归与最大熵模型
- 6.1 逻辑斯谛回归模型
- 6.2 最大熵模型
- 6.3 模型学习的最优化算法
- 本章概要
- 继续阅读
- 习题
- 第7章 支持向量机
- 7.1 线性可分支持向量机与硬间隔最大化
- 7.2 线性支持向量机与软间隔最大化
- 7.3 非线性支持向量机与核函数
- 7.4 序列最小最优化算法
- 本章概要
- 继续阅读
- 习题
- 第8章 提升方法
- 8.1 提升方法AdaBoost算法
- 8.2 AdaBoost算法的训练误差分析
- 8.3 AdaBoost算法的解释
- 8.4 提升树
- 本章概要
- 继续阅读
- 习题
- 第9章 EM算法及其推广
- 9.1 EM算法的引入
- 9.2 EM算法的收敛性
- 9.3 EM算法在高斯混合模型学习中的应用
- 9.4 EM算法的推广
- 本章概要
- 继续阅读
- 习题
- 第10章 隐马尔可夫模型
- 10.1 隐马尔可夫模型的基本概念
- 10.2 概率计算算法
- 10.3 学习算法
- 10.4 预测算法
- 本章概要
- 继续阅读
- 习题
- 第11章 条件随机场
- 11.1 概率无向图模型
- 11.2 条件随机场的定义与形式
- 11.3 条件随机场的概率计算问题
- 11.4 条件随机场的学习算法
- 11.5 条件随机场的预测算法
- 本章概要
- 继续阅读
- 习题
- 第12章 监督学习方法总结
- 第2篇 无监督学习
- 第13章 无监督学习概论
- 13.1 无监督学习基本原理
- 13.2 基本问题
- 13.3 机器学习三要素
- 13.4 无监督学习方法
- 本章概要
- 继续阅读
- 第14章 聚类方法
- 14.1 聚类的基本概念
- 14.2 层次聚类
- 14.3 k均值聚类
- 本章概要
- 继续阅读
- 习题
- 第15章 奇异值分解
- 15.1 奇异值分解的定义与性质
- 15.2 奇异值分解的计算
- 15.3 奇异值分解与矩阵近似
- 本章概要
- 继续阅读
- 习题
- 第16章 主成分分析
- 16.1 总体主成分分析
- 16.2 样本主成分分析
- 本章概要
- 继续阅读
- 习题
- 第17章 潜在语义分析
- 17.1 单词向量空间与话题向量空间
- 17.2 潜在语义分析算法
- 17.3 非负矩阵分解算法
- 本章概要
- 继续阅读
- 习题
- 第18章 概率潜在语义分析
- 18.1 概率潜在语义分析模型
- 18.2 概率潜在语义分析的算法
- 本章概要
- 继续阅读
- 习题
- 第19章 马尔可夫链蒙特卡罗法
- 19.1 蒙特卡罗法
- 19.2 马尔可夫链
- 19.3 马尔可夫链蒙特卡罗法
- 19.4 Metropolis-Hastings算法
- 19.5 吉布斯抽样
- 本章概要
- 继续阅读
- 习题
- 第20章 潜在狄利克雷分配
- 20.1 狄利克雷分布
- 20.2 潜在狄利克雷分配模型
- 20.3 LDA的吉布斯抽样算法
- 20.4 LDA的变分EM算法
- 本章概要
- 继续阅读
- 习题
- 第21章 PageRank算法
- 21.1 PageRank的定义
- 21.2 PageRank的计算
- 本章概要
- 继续阅读
- 习题
- 第22章 无监督学习方法总结
- 22.1 无监督学习方法的关系和特点
- 22.2 话题模型之间的关系和特点
- 附录A 梯度下降法
- 附录B 牛顿法和拟牛顿法
- 附录C 拉格朗日对偶性
- 附录D 矩阵的基本子空间
- 附录E KL散度的定义和狄利克雷分布的性质
- 索引
展开全部
评分及书评
尚无评分
目前还没人评分
- 加载中...
出版方
清华大学出版社
清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。
