概率機器學習 (基礎篇)(精裝版)

[美]凱文·P. 墨菲（Kevin P. Murphy）

概率機器學習 (基礎篇)(精裝版)

相關主題

商品描述

本書通過概率建模和貝葉斯決策理論的統一視角，詳細且與時俱進地介紹了機器學習（包括深度學習）的理論和方法。書中涵蓋了數學背景（包括線性代數和優化理論）、基礎的監督學習方法（包括線性回歸、邏輯回歸和深度神經網絡），以及更高級的主題（包括遷移學習和無監督學習）。章節末尾的練習讓讀者能夠應用所學知識，附錄部分則對書中使用的符號進行了說明。 本書源自作者2012年的著作《機器學習：概率視角》，它不僅僅是一個簡單的更新版本，更是一本全新的著作，反映了自2012年以來該領域的巨大發展，尤其是深度學習方面的進展。由於篇幅限制，新版分為上下兩卷：《概率機器學習：基礎篇》和《概率機器學習：進階篇》，本書是上卷基礎篇，下卷進階篇將繼續采用相同的概率方法，深入探討更高級的主題。 新版的另一個主要變化是所有的軟件代碼都使用Python而不是MATLAB來實現，新代碼使用了標準的Python庫，例如NumPy、Scikit-learn、JAX、PyTorch、TensorFlow等，這些代碼不需要本地安裝，它們可以在雲端筆記本中運行，這為書中討論的理論主題提供了實用的補充。

作者簡介

凱文·P.墨菲，先後獲得劍橋大學文學學士學位、賓夕法尼亞大學工程碩士學位以及加州大學伯克利分校博士學位。此後他在麻省理工學院完成博士後研究，並於2004至2012年間擔任加拿大溫哥華不列顛哥倫比亞大學計算機科學與統計學副教授。獲得終身教職後，他在學術休假期間加入谷歌公司，最終選擇留任。目前，凱文擔任谷歌Deepmind首席研究科學家兼總監，領導著由28名研究人員和工程師組成的團隊，專註生成模型（包括擴散模型和大語言模型）、強化學習、機器人技術、貝葉斯推斷等前沿領域。

目錄大綱

對本書的讚譽
譯者序
前言
第1章 導論
1.1 什麼是機器學習
1.2 監督學習
1.2.1 分類
1.2.2 回歸
1.2.3 過擬合和泛化
1.2.4 “沒有免費的午餐”定理
1.3 無監督學習
1.3.1 聚類
1.3.2 發現潛在的“變異因子”
1.3.3 自監督學習
1.3.4 評估無監督學習
1.4 強化學習
1.5 數據
1.5.1 常見的圖像數據集
1.5.2 常見的文本數據集
1.5.3 離散輸入數據的預處理
1.5.4 預處理文本數據
1.5.5 處理缺失數據
1.6 進一步討論
1.6.1 機器學習與其他領域的關系
1.6.2 本書的組織結構
1.6.3 註意事項
第一部分 理論基礎
第2章 概率：單變量模型
2.1 概述
2.1.1 什麼是概率
2.1.2 不確定性的類型
2.1.3 概率的基本規則
2.2 隨機變量
2.2.1 離散隨機變量
2.2.2 連續隨機變量
2.2.3 相關隨機變量集
2.2.4 獨立性和條件獨立性
2.2.5 分布的矩
2.2.6 匯總統計信息的局限性
2.3 貝葉斯規則
2.3.1 示例：病毒檢測
2.3.2 示例：三門問題
2.3.3 逆問題
2.4 伯努利分布和二項分布
2.4.1 定義
2.4.2 sigmoid函數
2.4.3 二元邏輯回歸
2.5 分類分布和多項式分布
2.5.1 定義
2.5.2 softmax函數
……
第二部分 線性模型
第三部分 深度神經網絡
第四部分 非參數化模型
第五部分 其他的機器學習方法
參考文獻

類似商品