机器学习

批量采购专线:028-83157118

定  价 :
¥88.00
文 轩 价 :
¥65.10 (7.4折) (降价通知)
配 送 至 :
中国四川省成都市
中国
四川省
成都市
请选择
    现在有货
    (配送详情)
    作  者 :
    周志华
    所属分类 :
    图书 > 辞典与工具书 > 计算机
    促销活动 :
    ❤文轩特卖
    ❤图书音像单笔满99减10,满299减40!(特惠图书、电子书除外)
    ❤大陆非新疆西藏地区包邮,新疆西藏地区每单运费20元
    ❤特惠品超50本无特价可参加网站满省
    购买数量 :
    -+
    服  务 :
    由"文轩网"直接销售和发货,并提供售后服务
    正品低价|闪电发货|货到付款|高效退换货
    机器学习
    • 作 者:周志华
    • 出版社:清华大学出版社
    • 出版时间:2016-01-01
    • 开 本:其他
    • 页 数:425
    • 印刷时间:2016-01-01
    • 字 数:626千字
    • 装 帧:平装
    • 语  种:中文
    • 版 次:1
    • 印 次:1
    • I S B N:9787302423287
    小学教辅
    中学教辅
    幼儿园

    目录

    目录

    第1章 1
    1.1 引言  1
    1.2 基本术 2
    1.3 假设空间 4
    1.4 归纳偏好  6
    1.5 发展历程 10
    1.6 应用现状 13
    1.7 阅读材料 16
    习题 19
    参考文献 20
    休息一会儿 22


    第2章 模型评估与选择  23
    2.1 经验误差与过拟合  23
    2.2 评估方法  24
    2.2.1 留出法  25
    2.2.2 交叉验证法  26
    2.2.3 自助法  27
    2.2.4 调参与最终模型  28
    2.3 性能度量  28
    2.3.1 错误率与精度  29
    2.3.2 查准率、查全率与F1  30
    2.3.3 ROC与AUC  33
    2.3.4 代价敏感错误率与代价曲线  35
    2.4 比较检验  37
    2.4.1 假设检验  37
    2.4.2 交叉验证t检验  40
    2.4.3 McNemar检验  41
    2.4.4 Friedman检验与后续检验  42
    2.5 偏差与方差  44
    2.6 阅读材料  46
    习题  48
    参考文献  49
    休息一会儿  51


    第3章   线性模型  53
    3.1 基本形式  53
    3.2 线性回归  53
    3.3 对数几率回归  57
    3.4 线性判别分析  60
    3.5 多分类学习  63
    3.6 类别不平衡问题  66
    3.7 阅读材料  67
    习题    69
    参考文献    70
    休息一会儿    72


    第4章   决策树  73
    4.1 基本流程  73
    4.2 划分选择  75
    4.2.1 信息增益  75
    4.2.2 增益率  77
    4.2.3 基尼指数  79
    4.3 剪枝处理  79
    4.3.1 预剪枝  80
    4.3.2 后剪枝  82
    4.4 连续与缺失值  83
    4.4.1 连续值处理  83
    4.4.2 缺失值处理  85
    4.5 多变量决策树  88
    4.6 阅读材料  92
    习题    93
    参考文献    94
    休息一会儿    95


    第5章  神经网络  97
    5.1 神经元模型  97
    5.2 感知机与多层网络  98
    5.3 误差逆传播算法  101
    5.4 全局最小与局部极小  106
    5.5 其他常见神经网络  108
    5.5.1 RBF网络  108
    5.5.2 ART网络  108
    5.5.3 SOM网络  109
    5.5.4 级联相关网络  110
    5.5.5 Elman网络  111
    5.5.6 Boltzmann机  111
    5.6 深度学习  113
    5.7 阅读材料  115
    习题    116
    参考文献    117
    休息一会儿    120


    第6章  支持向量机  121
    6.1 间隔与支持向量  121
    6.2 对偶问题  123
    6.3 核函数  126
    6.4 软间隔与正则化  129
    6.5 支持向量回归  133
    6.6 核方法  137
    6.7 阅读材料  139
    习题    141
    参考文献    142
    休息一会儿    145



    第7章   贝叶斯分类器  147
    7.1 贝叶斯决策论  147
    7.2 极大似然估计  149
    7.3 朴素贝叶斯分类器  150
    7.4 半朴素贝叶斯分类器  154
    7.5 贝叶斯网  156
    7.5.1 结构  157
    7.5.2 学习  159
    7.5.3 推断  161
    7.6 EM算法  162
    7.7 阅读材料  164
    习题    166
    参考文献    167
    休息一会儿    169


    第8章   集成学习  171
    8.1 个体与集成  171
    8.2 Boosting  173
    8.3 Bagging与随机森林  178
    8.3.1 Bagging  178
    8.3.2 随机森林  179
    8.4 结合策略  181
    8.4.1 平均法  181
    8.4.2 投票法  182
    8.4.3 学习法  183
    8.5 多样性  185
    8.5.1 误差--分歧分解  185
    8.5.2 多样性度量  186
    8.5.3 多样性增强  188
    8.6 阅读材料  190
    习题    192
    参考文献    193
    休息一会儿    196



    第9章    聚类  197
    9.1 聚类任务  197
    9.2 性能度量  197
    9.3 距离计算  199
    9.4 原型聚类  202
    9.4.1 k均值算法  202
    9.4.2 学习向量量化  204
    9.4.3 高斯混合聚类  206
    9.5 密度聚类  211
    9.6 层次聚类  214
    9.7 阅读材料  217
    习题    220
    参考文献    221
    休息一会儿    224


    第10章   降维与度量学习  225
    10.1 k近邻学习  225
    10.2 低维嵌入  226
    10.3 主成分分析  229
    10.4 核化线性降维  232
    10.5 流形学习  234
    10.5.1 等度量映射  234
    10.5.2 局部线性嵌入  235
    10.6 度量学习  237
    10.7 阅读材料  240
    习题    242
    参考文献    243
    休息一会儿    246


    第11章  特征选择与稀疏学习  247
    11.1 子集搜索与评价  247
    11.2 过滤式选择  249
    11.3 包裹式选择  250
    11.4 嵌入式选择与L$_1$正则化  252
    11.5 稀疏表示与字典学习  254
    11.6 压缩感知  257
    11.7 阅读材料  260
    习题    262
    参考文献    263
    休息一会儿    266



    第12章  计算学习理论  267
    12.1 基础知识  267
    12.2 PAC学习  268
    12.3 有限假设空间  270
    12.3.1 可分情形  270
    12.3.2 不可分情形  272
    12.4 VC维  273
    12.5 Rademacher复杂度  279
    12.6 稳定性  284
    12.7 阅读材料  287
    习题    289
    参考文献    290
    休息一会儿    292


    第13章   半监督学习  293
    13.1 未标记样本  293
    13.2 生成式方法  295
    13.3 半监督SVM  298
    13.4 图半监督学习  300
    13.5 基于分歧的方法  304
    13.6 半监督聚类  307
    13.7 阅读材料  311
    习题    313
    参考文献    314
    休息一会儿    317



    第14章  概率图模型  319
    14.1 隐马尔可夫模型  319
    14.2 马尔可夫随机场  322
    14.3 条件随机场  325
    14.4 学习与推断  328
    14.4.1 变量消去  328
    14.4.2 信念传播  330
    14.5 近似推断  331
    14.5.1 MCMC采样  331
    14.5.2 变分推断  334
    14.6 话题模型  337
    14.7 阅读材料  339
    习题    341
    参考文献    342
    休息一会儿    345


    第15章  规则学习  347
    15.1 基本概念  347
    15.2 序贯覆盖  349
    15.3 剪枝优化  352
    15.4 一阶规则学习  354
    15.5 归纳逻辑程序设计  357
    15.5.1 最小一般泛化  358
    15.5.2 逆归结  359
    15.6 阅读材料  363
    习题    365
    参考文献    366
    休息一会儿    369



    第16章   强化学习  371
    16.1 任务与奖赏  371
    16.2 $K$-摇臂赌博机  373
    16.2.1 探索与利用  373
    16.2.2 $\epsilon $-贪心  374
    16.2.3 Softmax  375
    16.3 有模型学习  377
    16.3.1 策略评估  377

    作者简介

    周志华,南京大学计算机系教授,ACM杰出科学家,IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。

    主编推荐

    内容全面;结构合理;叙述清楚;深入浅出。人工智能领域中文的开山之作!
    这是一本面向中文读者的机器学习教科书, 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识.
    然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究,
    以及具有类似背景的对机器学习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介.

     

    读者对象

    内容简介

    机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章,大致分为3 个部分:1 部分(1~3 章)介绍机器学习的基础知识;第2 部分(第4~10 章)讨论一些经典而常用的机器学习方法(决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习);第3 部分11~16 章)为进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料,以便有兴趣的读者进一步钻研探索。

    本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材,也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

    价格说明

    定价:为出版社全国统一定价;

    文轩价:为商品的销售价,是您最终决定是否购买商品的依据;受系统缓存影响,最终价格以商品放入购物车后显示的价格为准;

    关于新广告法声明

    新广告法规定所有页面不得出现绝对化用词和功能性用词。

    本店非常支持新广告法,但为了不影响消费者正常购买,页面明显区域本店已在排查修改,对于不明显区域也将会逐步排查并修改,我们在此郑重声明:本店所有页面上的绝对化用词与功能性用词在此声明全部失效,不作为赔付理由。因极限用词引起的任何形式的商品赔付,本店不接受且不妥协。希望消费者理解并欢迎联系客服帮助完善,也请职业打假人士高抬贵手。