中图网

机器学习导论-原书第3版

作者：(土)埃塞姆·阿培丁(EthemAlp

出版社：机械工业出版社出版时间：2016-01-01

开本： 16开 页数： 356

本类榜单：计算机/网络销量榜

中图价:¥57.7(7.3折) 定价 ~~¥79.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满69元免运费

?快递不能达地区使用邮政小包，运费14元起

云南、广西、海南、新疆、青海、西藏六省，部分地区快递不可达

本类五星书更多>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥11.3¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥28.2¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥55.2¥69
>
第一行代码Android

第一行代码Android

¥76.2¥99
>
C Primer Plus 第6版中文版

C Primer Plus 第6版中文版

¥75.6¥108
>
深度学习

深度学习

¥82.3¥168
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

¥43.5¥79

商品详情
商品评论(0条)

中图价:¥57.7 加入购物车

版权信息
本书特色
内容简介
目录

微信公众号

机器学习导论-原书第3版版权信息

ISBN：9787111521945
条形码：9787111521945 ; 978-7-111-52194-5
装帧：暂无
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
人工智能

机器学习导论-原书第3版本书特色

本书是关于机器学习这一主题内容全面的教科书，涵盖了通常在机器学习导论中并不包括的广泛题材。对机器学习的定义和应用实例进行了介绍，涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、核机器、图方法、隐马尔可夫模型、贝叶斯估计、组合多学习器、增强学习以及机器学习实验的设计与分析等。

机器学习导论-原书第3版内容简介

机器学习导论-原书第3版目录

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111什么是机器学习112机器学习的应用实例2121学习关联性2122分类3123回归5124非监督学习6125增强学习713注释814相关资源1015习题1116参考文献12第2章监督学习1321由实例学习类1322vc维1623概率近似正确学习1624噪声1725学习多类1826回归1927模型选择与泛化2128监督机器学习算法的维2329注释24210习题25211参考文献26第3章贝叶斯决策理论2731引言2732分类2833损失与风险2934判别式函数3035关联规则3136注释3337习题3338参考文献36第4章参数方法3741引言3742*大似然估计37421伯努利密度38422多项式密度38423高斯（正态）密度3943评价估计：偏倚和方差3944贝叶斯估计4045参数分类4246回归4447调整模型的复杂度：偏倚/方差两难选择4648模型选择过程4949注释51410习题51411参考文献53第5章多元方法5451多元数据5452参数估计5453缺失值估计5554多元正态分布5655多元分类5756调整复杂度6157离散特征6258多元回归6359注释64510习题64511参考文献66第6章维度归约6761引言6762子集选择6763主成分分析7064特征嵌入7465因子分析7566奇异值分解与矩阵分解7867多维定标7968线性判别分析8269典范相关分析85610等距特征映射86611局部线性嵌入87612拉普拉斯特征映射89613注释90614习题91615参考文献92第7章聚类9471引言9472混合密度9473k均值聚类9574期望*大化算法9875潜在变量混合模型10076聚类后的监督学习10177谱聚类10278层次聚类10379选择簇个数104710注释104711习题105712参考文献106第8章非参数方法10781引言10782非参数密度估计108821直方图估计108822核估计109823k*近邻估计11083推广到多变元数据11184非参数分类11285精简的*近邻11286基于距离的分类11387离群点检测11588非参数回归：光滑模型116881移动均值光滑116882核光滑117883移动线光滑11989如何选择光滑参数119810注释120811习题121812参考文献122第9章决策树12491引言12492单变量树125921分类树125922回归树12893剪枝13094由决策树提取规则13195由数据学习规则13296多变量树13497注释13598习题13799参考文献138第10章线性判别式139101引言139102推广线性模型140103线性判别式的几何意义1401031两类问题1401032多类问题141104逐对分离142105参数判别式的进一步讨论143106梯度下降144107逻辑斯谛判别式1451071两类问题1451072多类问题147108回归判别式150109学习排名1511010注释1521011习题1521012参考文献154第11章多层感知器155111引言1551111理解人脑1551112神经网络作为并行处理的典范156112感知器157113训练感知器159114学习布尔函数160115多层感知器161116作为普适近似的mlp162117向后传播算法1631171非线性回归1631172两类判别式1661173多类判别式166

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐