机器学习及其应用 本书特色

本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。

机器学习及其应用 内容简介

本书是关于机器学习的综合性教程, 涵盖全部基础知识和理论, 涉及不同应用领域的技术和算法。书中提出, 机器学习背后的大多数想法都是简单且直接的。该书共分9章, 内容包括: 引言 ; 监督学习: 基本原理和基础知识 ; 统计学习 ; 学习支持向量机等。

机器学习及其应用 目录

译者序
前言
致谢
作者简介
第1章引言
1?1走向智能机器
1?2良好的机器学习问题
1?3各种领域的应用实例
1?4数据表示
1?4?1时间序列预测
1?4?2练习数据集和现实问题数据集
1?5机器学习生产应用所需的领域知识
1?6多样化的数据：结构的/非结构的
1?7学习形式
1?7?1监督/直接学习
1?7?2无监督/间接学习
1?7?3强化学习
1?7?4基于自然过程的学习：进化、群智和免疫系统
1?8机器学习和数据挖掘
1?9机器学习技术中的基本线性代数知识
1?10机器学习的相关资源
第2章监督学习：基本原理和基础知识
2?1从观察中学习
2?2偏差和方差
2?3为什么学习是有效的：计算学习理论
2?4奥卡姆剃刀原理和防止过拟合
2?5归纳学习中的启发式搜索
2?5?1搜索假设空间
2?5?2集成学习
2?5?3学习系统的评估
2?6泛化误差估计
2?6?1留出法和随机子采样
2?6?2交叉验证
2?6?3自助法
2?7用于评估回归（数值预测）准确率的度量指标
2?7?1均方误差
2?7?2平均绝对误差
2?8用于评估分类（模式识别）准确率的度量指标
2?8?1误分类的误差
2?8?2混淆矩阵
2?8?3基于ROC曲线的分类器比较
2?9机器学习中的设计周期和问题概述
第3章统计学习
3?1机器学习和推断统计分析
3?2学习技术中的描述统计学
3?2?1表示数据的不确定性：概率分布
3?2?2概率分布的描述性度量
3?2?3数据样本的描述性度量
3?2?4正态分布
3?2?5数据相似性
3?3贝叶斯推理：推理的一种概率方法
3?3?1贝叶斯定理
3?3?2朴素贝叶斯分类器
3?3?3贝叶斯信念网络
3?4k?近邻分类器
3?5判别函数和回归函数
3?5?1分类和判别函数
3?5?2数值预测和回归函数
3?5?3实用假设函数
3?6基于*小二乘误差准则的线性回归
3?6?1*小化误差平方和以及伪逆
3?6?2梯度下降优化方案
3?6?3*小均方算法
3?7用于分类任务的逻辑回归
3?8费希尔的线性判别和分类的阈值
3?8?1费希尔的线性判别
3?8?2阈值
3?9*小描述长度原则
3?9?1贝叶斯视角
3?9?2熵和信息
第4章学习支持向量机
4?1引言
4?2二元分类的线性判别函数
4?3感知器算法
4?4用于线性可分离数据的线性*大边距的分类器
4?5用于重叠类的线性软边距分类器
4?6核函数约简的特征空间
4?7非线性分类器
4?8支持向量机的回归器
4?8?1线性回归器
4?8?2非线性回归器
4?9将多元分类问题分解为二元分类任务
4?9?1一对所有
4?9?2一对一
4?10基本SVM技术的变体
第5章基于神经网络的学习
5?1走向认知机器
5?2神经元模型
5?2?1生物神经元
5?2?2人工神经元
5?2?3数学模型
5?3网络架构
5?3?1前馈网络
5?3?2循环网络
5?4感知器
5?4?1线性分类任务中感知器算法的局限性
5?4?2使用回归技术的线性分类器
5?4?3标准梯度下降优化方案：*速下降
5?5线性神经元和Widrow?Hoff学习规则
5?6误差修正的delta规则
5?7多层感知器网络和误差反向传播算法
5?7?1广义的delta规则
5?7?2收敛和局部*小值
5?7?3为梯度下降增加动量项
5?7?4误差反向传播算法的启发式方面
5?8MLP网络的多元判别
5?9径向基函数网络
5?10遗传神经系统
第6章模糊推理系统
6?1引言
6?2认知不确定性和模糊规则库
6?3知识的模糊量化
6?3?1模糊逻辑
6?3?2模糊集
6?3?3模糊集操作
6?3?4模糊关系
6?4模糊规则库和近似推理
6?4?1通过模糊关系量化规则
6?4?2输入的模糊化

 1/2    1 2 下一页 尾页

教材 研究生/本科/专科教材 工学

在线阅读