机器学习 计算机与互联网 书籍|8185 epub pdf mobi txt 电子书 下载 2024
机器学习 计算机与互联网 书籍|8185 epub pdf mobi txt 电子书 下载 2024
简体网页||繁体网页
美 Tom Mitchell 著，曾华军 张银奎 等 译
下载链接在页面底部
点击这里下载
发表于2024-11-06
商品介绍
店铺： 互动出版网图书专营店
出版社： 机械工业出版社
ISBN：7111109937
商品编码：16007151390
丛书名： 计算机科学丛书
出版时间：2003-01-01
页数：280
机器学习 计算机与互联网 书籍|8185 epub pdf mobi txt 电子书 下载 2024
类似图书 点击查看全场最低价
相关书籍
书籍描述
| 书[0名0]： | 机器[0学0]习|8185 |
| 图书定价： | 35元 |
| 图书作者： | （美）Tom Mitchell |
| 出版社： | 机械工业出版社 |
| 出版日期： | 2003/1/1 0:00:00 |
| ISBN号： | 7111109937 |
| 开本： | 16开 |
| 页数： | 280 |
| 版次： | 1-1 |
| 作者简介 |
| TOM M.Mitchell是卡内基梅隆[0大0][0学0]的教授，讲授“机器(AAA)的主席：美[0国0]《Machine Leaming》杂志、[0国0]际机器[0学0]习年度[0会0]议（ICML）的创始人：多种技术杂志的撰稿人，曾发表过许多文章，出版过多本专著，是机器[0学0]习[0领0]域的著[0名0][0学0]者。 |
| 内容简介 |
| 本书展示了机器[0学0]习中核心的算[0法0]和理论，并阐明了算[0法0]的运行过程。本书综合了许多的研究成果，例如统计[0学0]、人工智能、哲[0学0]、信息论、生物[0学0]、认[0知0]科[0学0]、计算复杂性和控制论等，并以此来理解问题的背景、算[0法0]和其中的隐含假定。本书可作为计算机专业 本科生、研究生教材，也可作为相关[0领0]域研究人员、教师的参考书。 |
| 目录 |
[0第0]1章 引言 1．1 [0学0]习问题的标准描述 1．2 设计-个[0学0]习系统 1．2．1 选择训练经验 1．2．2 选择目标函数 1．2．3 选择目标函数的表示 1. 2．4 选择函数逼近算[0法0] 1．2．5 终设计 1．3 机器[0学0]习的一些观点和问题 1．4 如何阅读本书 1．5 小结和补充读物 习题 [0第0]2章 概念[0学0]习和一般到特殊序 2．1 简介 2．2 概念[0学0]习任务 2．2．1 术语定义 2．2．2 归纳[0学0]习假设 2．3 作为搜索的概念[0学0]习 2．4 FIND-S：寻找[0极0][0大0]特殊假设 2．5 变型空间和候选消除算[0法0] 2．5．1 表示 2．5．2 列表后消除算[0法0] 2．5．3 变型空间的更简洁表示 2．5．4 候选消除[0学0]习算[0法0] 2．5．5 算[0法0]的举例 2．6 关于变型空间和候选消除的说明 2．6．1 候选消除算[0法0]是否[0会0]收敛到正确的假设 2．6．2 下一步需要什么样的训练样例 2．6．3 怎样使用不完全[0学0]习概念 2．7 归纳偏置 2．7．1 -个有偏的假设空间 2．7．2 无偏的[0学0]习器 2．7．3 无偏[0学0]习的无用性 2．8 小始和补充读物 习题 [0第0]3章 决策树[0学0]习 3．1 简介 3．2 决策树表示[0法0] 3．3 决策树[0学0]习的适用问题 3．4 基本的决策树[0学0]习算[0法0] 3．4．1 哪个属性是佳的分类属性 3．4．2 举例 3．5 决策树[0学0]习中的假设空间搜索 3．6 决策树[0学0]习的归纳偏置 3．6．1 限定偏置和[0优0]选偏置 3．6．2 为什么短的假设[0优0]先 3．7 决策树[0学0]习的常见问题 3．7．1 避免过度拟合数据 3. 7．2 合并连续值属性 3．7．3 属性选择的其他度量标准 3．7．4 处理缺少属性值的训练样例 3．7．5 处理不同代价的属性 3．8 小结和补充读物 习题 [0第0]4章 人工神经网络 4．1 简介 4．2 神经网络表示 4．3 适合神经网络[0学0]习的问题 4．4 感[0知0]器 4．4．1 感[0知0]器的表征能力 4. 4．2 感[0知0]器训练[0法0]则 4．4．3 梯度下降和delta[0法0]则 4．4．4 小结 4．5 多层网络和反向传播算[0法0] 4．5．1 可微阈值单元 4．5．2 反向传播算[0法0] 4．5．3 反向传播[0法0]则的推导 4．6 反向传播算[0法0]的说明 4．6．1 收敛性和局部[0极0]小值 4．6．2 前馈网络的表征能力 4．6．3 假设空间搜索和归纳偏置 4．6．4 隐藏层表示 4．6．5 泛化、过度拟合和停止判据 4．7 举例：人脸识别 4．7．1 任务 4．7．2 设计要素 4．7．3 [0学0]习到的隐藏层表示 4．8 人工神经网络的高级课题 4．8．1 其他可选的误差函数 4．8．2 其他可选的误差小化过程 4．8．3 递归网络 4．8．4 动态修改网络结构 4．9 小结和补充读物 习题 [0第0]5章 [0评0]估假设 5．1 动机 5．2 估计假设精度 5．2．1 样本错误率和真实错误率 5．2．2 离散值假设的置信区间 5．3 采样理论基础 5．3．1 错误率估计和二项比例估计 5．3．2 二项分布 5．3．3 均值和方差 5．3．4 估计量、偏差和方差 5．3．5 置信区间 5．3．6 [0[0双0]0]侧和单侧边界 5．4 推导置信区间的一般方[0法0] 5．5 两个假设错误率间的差异 5．6 [0学0]习算[0法0]比较 5．6. 1 配对t测试 5．6．2 实际考虑 5．7 小结和补充读物 习题 [0第0]6章 贝叶斯[0学0]习 6．1 简介 6．2 贝叶斯[0法0]则 6．3 贝叶斯[0法0]则和概念[0学0]习 6．3．1 BRUTE-FORCE贝叶斯概念[0学0]习 6．3．2 MAP假设和一致[0学0]习器 6．4 [0极0][0大0]似然和小误差平方假设 6．5 用于预测概率的[0极0][0大0]似然假设 6．6 小描述长度准则 6．7 贝叶斯[0优0]分类器 6．8 GIBBS算[0法0] 6．9 朴素贝叶斯分类器 6．10 举例：[0学0]习分类文本 6．11 贝叶斯信念网 6．11．1 条件[0独0]立性 6．11．2 表示 6．11．3 推理 6．11．4 [0学0]习贝叶斯信念网 6．11．5 贝叶斯网的梯度上升训练 6．11．6 [0学0]习贝叶斯网的结构 6．12 EM算[0法0] 6．12．1 估计k个高斯分布的均值 6．12．2 EM算[0法0]的一般表述 6．12．3 k均值算[0法0]的推导 6．13 小结和补充读物 习题 [0第0]7章 计算[0学0]习理论 7．1 简介 7．2 可能[0学0]习近似正确假设 7．2．1 问题框架 7．2．2 假设的错误率 7．2．3 PAC可[0学0]习性 7．3 有限假设空间的样本复杂度 7．3．1 不可[0知0][0学0]习和不一致假设 7．3．2 布尔文字的合取是PAC可[0学0]习的 7．3．3 其他概念类别的PAC可[0学0]习性 7．4 无限假设空间的样本复杂度 7．4．1 打散一个实例集合 7．4．2 Vapnik-Chervonenkis维度 7．4．3 样本复杂度和VC维 7．4．4 神经网络的VC维 7．5 [0学0]习的出错界限模型 7．5．1 FIND-S算[0法0]的出错界限 7．5．2 HALVING算[0法0]的出错界限 7．5．3 [0优0]出错界限 7．5．4 加[0权0]多数算[0法0] 7．6 小结和补充读物 习题 [0第0]8章 基于实例的[0学0]习 8．1 简介 8．2 k-近邻算[0法0] 8．2．1 距离加[0权0]近邻算[0法0] 8．2．2 对k-近邻算[0法0]的说明 8．2．3 术语注解 8．3 局部加[0权0]回归 8．3．1 局部加[0权0]线性回归 8．3．2 局部加[0权0]回归的说明 8．4 径向基函数 8．5 基于案例的推理 8．6 对消[0极0][0学0]习和积[0极0][0学0]习的[0评0]论 8．7 小结和补充读物 习题 [0第0]9章 遗传算[0法0] 9．1 动机 9．2 遗传算[0法0] 9．2．1 表示假设 9．2．2 遗传算子 9．2．3 适应度函数和假设选择 9．3 举例 9．4 假设空间搜索 9．5 遗传编程 9．5．1 程序表示 9．5．2 举例 9．5．3 遗传编程说明 9．6 进化和[0学0]习模型 9．6．1 拉马克进化 9．6．2 鲍德温效应 9．7 并行遗传算[0法0] 9．8 小结和补充读物 习题 [0第0]10章 [0学0]习规则集合 10．1 简介 10．2 序列覆盖算[0法0] 10．2．1 一般到特殊的柱状搜索 10．2．2 几种变型 10．3 [0学0]习规则集：小结 10．4 [0学0]习一阶规则 10．4．1 一阶Horn子句 10．4．2 术语 10．5 [0学0]习一阶规则集：FOIL 10．5．1 FOIL中的候选特化式的生成 10．5．2 引导FOIL的搜索 10．5．3 [0学0]习递归规则集 10．5．4 FOIL小结 10．6 作为逆演绎的归纳 10．7 逆归纳 10．7．1 一阶归纳 10．7．2 逆归纳：一阶情况 10．7．3 逆归纳小结 10．7．4 泛化、-包容和涵蕴 10．7．5 PROGOL 10．8 小结和补充读物 习题 [0第0]11章 分析[0学0]习 11．1 简介 11．2 用完美的[0领0]域理论[0学0]习：PROLOG-EBG 11．3 对基于解释的[0学0]习的说明 11．3．1 发现新特征 11．3．2 演绎[0学0]习 11．3．3 基于解释的[0学0]习的归纳偏置 11．3．4 [0知0]识级的[0学0]习 11．4 搜索控制[0知0]识的基于解释的[0学0]习 11．5 小结和补充读物 习题 [0第0]12章 归纳和分析[0学0]习的结合 12．1 动机 12．2 [0学0]习的归纳-分析途径 12．2．1 [0学0]习问题 12．2．2 假设空间搜索 12．3 使用先验[0知0]识得到初始假设 12．3．1 KBANN算[0法0] 12．3．2 举例 12．3．3 说明 12．4 使用先验[0知0]识改变搜索目标 12．4．1 TANGENTPROP算[0法0] 12．4．2 举例 12．4．3 说明 12．4．4 EBNN算[0法0] 12．4．5 说明 12．5 使用先验[0知0]识来扩展搜索算子 12．5．1 FOCL算[0法0] 12．5．2 说明 12．6 研究现状 12．7 小结和补充读物 习题 [0第0]13章 增强[0学0]习 13．1 简介 13．2 [0学0]习任务 13．3 Q[0学0]习 13．3．1 Q函数 13．3．2 一个[0学0]习Q的算[0法0] 13．3．3 举例 13．3．4 收敛性 13．3．5 实验策略 13．3．6 更新序列 13．4 非确定性回报和动作 13．5 时间差分[0学0]习 13．6 从样例中泛化 13．7 与动态规划的联乐 13．8 小结和补充读物 习题 附录 符号约定 |
![[二手] 计算机组成原理(第五版 立体化教材)无盘 白中英 科学出版社 pdf epub mobi 电子书 下载](https://pic.tinynews.org/16010384991/59a78cd9N07d4f4ff.jpg)
![[二手] 计算机科学导论 原书第二版 佛罗赞,(美)莫沙拉夫 ,刘艺 pdf epub mobi 电子书 下载](https://pic.tinynews.org/16010625231/59a78ec8Na97757f9.jpg)
