統計學習方法, 2/e
李航
- 出版商: 清華大學
- 出版日期: 2019-05-01
- 定價: $588
- 售價: 8.5 折 $499
- 語言: 簡體中文
- 頁數: 464
- ISBN: 7302517274
- ISBN-13: 9787302517276
-
相關分類:
Machine Learning
-
相關翻譯:
機器學習聖經：最完整的統計學習方法 (好評熱銷版) (繁中版)
立即出貨(限量) (庫存=2)
買這商品的人也買了...
-
$295R語言實用教程 -
$550機器學習 -
程序員的數學3 : 線性代數$474$450 -
貝葉斯方法：概率編程與貝葉斯推斷 (Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference)$534$507 -
演算法技術手冊, 2/e (Algorithms in a Nutshell: A Practical Guide, 2/e)$580$493 -
$402深入淺出強化學習 : 原理入門 -
$414ROS 機器人高效編程, 3/e (Effective Robotics Programming with ROS, 3/e) -
程序員的數學2 : 概率統計$474$450 -
$555百面機器學習 : 算法工程師帶你去面試 -
$402Python 統計分析 (An Introduction to Statistics with Python: With Applications in the Life Sciences) -
$351機器學習：算法背後的理論與優化 -
$300特徵工程入門與實踐 (Feature Engineering Made Easy) -
$504機器學習基礎 -
$352深度學習的數學 -
$756強化學習, 2/e (Reinforcement Learning: An Introduction, 2/e) -
自然語言處理入門$594$564 -
$648Introduction to Linear Algebra, 5/e -
$453智能風控：原理算法與工程實踐 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$522 -
知識圖譜與深度學習$594$564 -
$453ECharts 數據可視化：入門、實戰與進階 -
$402機器學習中的概率統計：Python 語言描述 -
$714算法設計 (Algorithm Design) -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$539 -
貝葉斯統計導論$539$512
相關主題
商品描述
本書全面系統地介紹了統計學習的主要方法，共分兩篇。第一篇系統介紹監督學習的各種重要方法，包括決策樹、感知機、支持向量機、最大熵模型與邏輯斯諦回歸、推進法、多類分類法、EM算法、隱馬爾科夫模型和條件隨機場等；第二篇介紹無監督學習，包括聚類、奇異值、主成分分析、潛在語義分析等。兩篇中，除概論和總結外，每章介紹一或二種方法。
作者簡介
李航 日本京都大學電氣工程系畢業，日本東京大學計算機科學博士。曾任日本NEC公司中央研究所研究員，微軟亞洲研究院高級研究員及主任研究員，華為諾亞方舟實驗室主任、首席科學家，現任字節跳動人工智能實驗室總監。北京大學、南京大學客座教授。研究方向為信息檢索、自然語言處理、統計機器學習及數據挖掘等。
目錄大綱
第1篇 監督學習
第1章 統計學習及監督學習概論
1.1 統計學習
1.2 統計學習的分類
1.2.1 基本分類
1.2.2 按模型分類
1.2.3 按算法分類
1.2.4 按技巧分類
1.3 統計學習方法三要素
1.3.1 模型
1.3.2 策略
1.3.3 算法
1.4 模型評估與模型選擇
1.4.1 訓練誤差與測試誤差
1.4.2 過擬合與模型選擇
1.5 正則化與交叉驗證
1.5.1 正則化
1.5.2 交叉驗證
1.6 泛化能力
1.6.1 泛化誤差
1.6.2 泛化誤差上界
1.7 生成模型與判別模型
1.8 監督學習應用
1.8.1 分類問題
1.8.2 標註問題
1.8.3 回歸問題
本章概要
繼續閱讀
習題
參考文獻
第2章 感知機
2.1 感知機模型
2.2 感知機學習策略
2.2.1 數據集的線性可分性
2.2.2 感知機學習策略
2.3 感知機學習算法
2.3.1 感知機學習算法的原始形式
2.3.2 算法的收斂性
2.3.3 感知機學習算法的對偶形式
本章概要
繼續閱讀
習題
參考文獻
第3章 k近鄰法
3.1 k近鄰算法
3.2 k近鄰模型
3.2.1 模型
3.2.2 距離度量
3.2.3 k值的選擇
3.2.4 分類決策規則
3.3 k近鄰法的實現：kd樹
3.3.1 構造kd樹
3.3.2 搜索kd樹
本章概要
繼續閱讀
……
第2篇 無監督學習
附錄A 梯度下降法
附錄B 牛頓法和擬牛頓法
附錄C 拉格朗日對偶性
附錄D 矩陣的基本子空間
附錄 EKL散度的定義和狄利克雷分布的性質
索引
