統計機器學習(原理與實踐) Statistical Machine Learning: A Unified Framework

Richard M.Golden 劉凱 汪興海 潘耀宗 袁建

統計機器學習(原理與實踐)

買這商品的人也買了...

中文年末書展｜繁簡參展書2書75折 詳見活動內容 »

相關主題

商品描述

本書主要介紹由一組核心定理支撐的統計機器學習框架，書中通過相關機器學習案例幫助學生理解框架中的核心定理。對於實踐型的專業工程師和科學家來說，本書可以幫助他們驗證確保許多常用的確定性和隨機機器學習優化算法收斂的充分條件，以及正確使用常用的統計工具來表徵抽樣誤差和泛化性能。此外，由於本書包含大量示例，機器學習課程的教師以及從事機器學習應用的研究人員也會發現本書非常有用。 本書的讀者需要具備統計學、計算機科學、電子工程或應用數學方面的基本知識。全書共分為四部分： 第一部分包含第1～3章，通過實例介紹機器學習算法概念和描述算法的數學工具； 第二部分包含第4～7章，討論確定性學習機的漸近行為； 第三部分包含第8～12章，討論隨機推理機和隨機學習機的漸近行為； 第四部分包含第13～16章，關註機器學習算法的泛化性能表徵問題。

作者簡介

理乍得·M.戈爾登（Richard M.Golden），得克薩斯大學達拉斯分校認知科學教授，並兼任該校電子工程系教授。在過去三十年間，戈爾登教授在統計學與機器學習領域發表了大量學術論文，並在國際學術會議上就廣泛議題發表演講。他的長期研究興趣包括：確立確定性及隨機性機器學習算法的收斂條件，以及探究存在概率模型誤設情況下的估計與推斷問題。

目錄大綱

譯者序
前言
第一部分 推理機與學習機
第1章 統計機器學習框架
1.1 統計機器學習：概述
1.2 機器學習環境
1.2.1 特徵向量
1.2.2 平穩統計環境
1.2.3 機器學習算法的訓練策略
1.2.4 先驗知識
1.3 經驗風險最小化框架
1.3.1 ANN圖形符號
1.3.2 風險函數
1.3.3 正則化項
1.3.4 優化方法
1.4 基於理論的系統分析和設計
1.4.1 第一階段：系統規範
1.4.2 第二階段：理論分析
1.4.3 第三階段：具體實施
1.4.4 第四階段：系統行為評估
1.5 監督學習機
1.5.1 差異函數
1.5.2 基函數與隱單元
1.5.3 循環神經網絡
1.6 無監督學習機
1.7 強化學習機
1.7.1 強化學習概述
1.7.2 值函數被動式強化學習
1.7.3 策略梯度反應式強化學習
1.8 擴展閱讀
第2章 概念建模的集合論
2.1 集合論與邏輯學
2.2 關系
2.2.1 關系類型
2.2.2 有向圖
2.2.3 無向圖
2.3 函數
2.4 度量空間
2.5 擴展閱讀
第3章 形式化機器學習算法
3.1 環境模型
3.1.1 時間環境
3.1.2 事件環境
3.2 學習機模型
3.2.1 動態系統
3.2.2 疊代映射
3.2.3 向量場
3.3 智能機模型
3.4 擴展閱讀
第二部分 確定性學習機
第4章 機器學習的線性代數
第5章 機器學習的矩陣微積分
第6章 時不變動態系統收斂性
第7章 批量學習算法收斂性
第三部分 隨機學習機
第8章 隨機向量與隨機函數
第9章 隨機序列
第10章 數據生成概率模型
第11章 蒙特卡羅馬爾可夫鏈算法收斂性
第12章 適應性學習算法的收斂性
第四部分 泛化性能
第13章 統計學習目標函數設計
第14章 泛化評估模擬方法
第15章 評估泛化的解析公式
第16章 模型選擇與評估
參考文獻

類似商品

最後瀏覽商品 (20)