齣版者的話中文版序譯者序前言緻謝符號錶第1章 緒論 1.1 什麼是機器學習 1.2 機器學習的應用實例 1.2.1 學習關聯性 1.2.2 分類 1.2.3 迴歸 1.2.4 非監督學習 1.2.5 增強學習 1.3 注釋 1.4 相關資源 1.5 習題 1.6 參考文獻第2章 監督學習 2.1 由實例學習類 2.2 VC維 2.3 概率逼近正確學習 2.4 噪聲 2.5 學習多類 2.6 迴歸 2.7 模型選擇與泛化 2.8 監督機器學習算法的維 2.9 注釋 2.10 習題 2.11 參考文獻第3章 貝葉斯決策定理 3.1 引言 3.2 分類 3.3 損失與風險 3.4 判彆式函數 3.5 效用理論 3.6 信息值 3.7 貝葉斯網絡 3.8 影響圖 3.9 關聯規則 3.10 注釋 3.11 習題 3.12 參考文獻第4章 參數方法 4.1 引言 4.2 最大似然估計 4.2.1 伯努利密度 4.2.2 多項密度 4.2.3 高斯（正態）密度 4.3 評價估計：偏倚和方差 4.4 貝葉斯估計 4.5 參數分類 4.6 迴歸 4.7 調整模型的復雜度：偏倚／方差兩難選擇 4.8 模型選擇過程 4.9 注釋 4.10 習題 4.11 參考文獻第5章 多元方法 5.1 多元數據 5.2 參數估計 5.3 缺失值估計 5.4 多元正態分布 5.5 多元分類……第6章 維度旭納第7章 聚類第8章 非參數方法第9章 決策樹第10章 綫性判彆式第11章 多層感知器第12章 局部模型 第13章 隱馬爾可夫模型 第14章 分類算法評估和比較第15章 組閤多學習器第16章 增強學習
· · · · · · (收起)
· · · · · · (收起)
具體描述
《機器學習導論》對機器學習的定義和應用實例進行瞭介紹，涵蓋瞭監督學習。貝葉斯決策理論。參數方法、多元方法、維度歸約、聚類、非參數方法、決策樹。綫性判彆式、多層感知器，局部模型、隱馬爾可夫模型。分類算法評估和比較，組閤多學習器以及增強學習等。機器學習的目標是對計算機編程，以便使用樣本數據或以往的經驗來解決給定的問題。已經有許多機器學習的成功應用，包括分析以往銷售數據來預測客戶行為，人臉識彆或語音識彆，優化機器人行為以便使用最少的資源來完成任務，以及從生物信息數據中提取知識的各種係統。為瞭對機器學習問題和解進行統一的論述，《機器學習導論》討論瞭機器學習在統計學、模式識彆、神經網絡。人工智能。信號處理、控製和數據挖掘等不同領域的應用。對所有學習算法都進行瞭解釋，以便讀者可以容易地將書中的公式轉變為計算機程序。《機器學習導論》可作為高等院校計算機相關專業高年級本科生和研究生的教材，也可供研究機器學習方法的技術人員參考。
用戶評價
評分
##內容廣而淺
評分##Michelle那本太老瞭
評分##比《模式分類》好太多，重概念不重優化解法。
評分比機器學習那本好
評分##內容廣而淺
評分##對各種機器學習算法都作瞭簡單介紹 適閤初學入門 對機器學習各種算法有個大概的認識 整本書比較偏理論，數學公式比較多
評分 評分 評分##淺
相關圖書
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.tinynews.org All Rights Reserved. 静思书屋 版权所有