本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 機器學習:從公理到算法
  • 點閱:19
  • 作者: 于劍著
  • 出版社:清華大學出版社
  • 出版年:2017[民106]
  • 集叢名:中國計算機學會學術著作叢書
  • ISBN:978-7-302-47136-3 ; 7-302-47136-3
  • 格式:EPUB
  • 附註:簡體字版
租期14天 今日租書可閱讀至2021-07-03

這是一本基於公理研究學習算法的書。共17章,由兩部分組成。第一部分是機器學習公理以及部分理論演繹,包括第1、2、6、8章,論述學習公理以及相應的聚類、分類理論。第二部分關注如何從公理推出經典學習算法,包括單類、多類和多源問題。第3~5章為單類問題,分別論述密度估計、回歸和單類數據降維。第7、9~16章為多類問題,包括聚類、神經網絡、K近鄰、支持向量機、Logistic回歸、貝葉斯分類、決策樹、多類降維與升維等經典算法。最後第17章研究了多源數據學習問題。

本書可以作為高等院校計算機、自動化、數學、統計學、人工智能及相關專業的研究生教材,也可以供機器學習的愛好者參考。

  • 封面页
  • 书名页
  • 版权页
  • 内容简介
  • 自序
  • 前言
  • 目录
  • 第1章 引言
    • 1.1 机器学习的目的:从数据到知识
    • 1.2 机器学习的基本框架
    • 1.3 机器学习思想简论
    • 延伸阅读
    • 习题
    • 参考文献
  • 第2章 归类理论
    • 2.1 类表示公理
    • 2.2 归类公理
    • 2.3 归类结果分类
    • 2.4 归类方法设计准则
    • 讨论
    • 延伸阅读
    • 习题
    • 参考文献
  • 第3章 密度估计
    • 3.1 密度估计的参数方法
    • 3.2 密度估计的非参数方法
    • 延伸阅读
    • 习题
    • 参考文献
  • 第4章 回归
    • 4.1 线性回归
    • 4.2 岭回归
    • 4.3 Lasso回归
    • 讨论
    • 习题
    • 参考文献
  • 第5章 单类数据降维
    • 5.1 主成分分析
    • 5.2 非负矩阵分解
    • 5.3 字典学习与稀疏表示
    • 5.4 局部线性嵌入
    • 5.5 典型关联分析
    • 5.6 多维度尺度分析与等距映射
    • 讨论
    • 习题
    • 参考文献
  • 第6章 聚类理论
    • 6.1 聚类问题表示及相关定义
    • 6.2 聚类算法设计准则
    • 6.3 聚类有效性
    • 延伸阅读
    • 习题
    • 参考文献
  • 第7章 聚类算法
    • 7.3 基于密度估计的聚类算法
    • 延伸阅读
    • 习题
    • 参考文献
    • 7.1 样例理论:层次聚类算法
    • 7.2 原型理论:点原型聚类算法
  • 第8章 分类理论
    • 8.1 分类及相关定义
    • 8.2 从归类理论到经典分类理论
    • 8.3 分类测试公理
    • 讨论
    • 习题
    • 参考文献
  • 第9章 基于单类的分类算法:神经网络
    • 9.1 分类问题的回归表示
    • 9.2 人工神经网络
    • 9.3 从参数密度估计到受限玻耳兹曼机
    • 9.4 深度学习
    • 讨论
    • 习题
    • 参考文献
  • 第10章 K近邻分类模型
    • 10.1 K近邻算法
    • 10.2 距离加权最近邻算法
    • 10.3 K近邻算法加速策略
    • 10.4 kd树
    • 10.5 K近邻算法中的参数问题
    • 延伸阅读
    • 习题
    • 参考文献
  • 第11章 线性分类模型
    • 11.1 判别函数和判别模型
    • 11.2 线性判别函数
    • 11.3 线性感知机算法
    • 11.4 支持向量机
    • 讨论
    • 习题
    • 参考文献
  • 第12章 对数线性分类模型
    • 12.1 Softmax回归
    • 12.2 Logistic回归
    • 讨论
    • 习题
    • 参考文献
  • 第13章 贝叶斯决策
    • 13.1 贝叶斯分类器
    • 13.2 朴素贝叶斯分类
    • 13.3 最小化风险分类
    • 13.4 效用最大化分类
    • 讨论
    • 习题
    • 参考文献
  • 第14章 决策树
    • 14.1 决策树的类表示
    • 14.2 信息增益与ID3算法
    • 14.3 增益比率与C4.5算法
    • 14.4 Gini指数与CART算法
    • 14.5 决策树的剪枝
    • 讨论
    • 习题
    • 参考文献
  • 第15章 多类数据降维
    • 15.1 有监督特征选择模型
    • 15.2 有监督特征提取模型
    • 延伸阅读
    • 习题
    • 参考文献
  • 第16章 多类数据升维:核方法
    • 16.1 核方法
    • 16.2 非线性支持向量机
    • 16.3 多核方法
    • 讨论
    • 习题
    • 参考文献
  • 第17章 多源数据学习
    • 17.1 多源数据学习的分类
    • 17.2 单类多源数据学习
    • 17.3 多类多源数据学习
    • 17.4 多源数据学习中的基本假设
    • 讨论
    • 习题
    • 参考文献
  • 后记
  • 索引
紙本書 NT$ 480
單本電子書
NT$ 336

點數租閱 20點
租期14天
今日租書可閱讀至2021-07-03
還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code