互联网
类型
可以朗读
语音朗读
80千字
字数
2023-10-01
发行日期
展开全部
主编推荐语
一本全面介绍机器学习方法特别是算法的新书。
内容简介
机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。
机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最快捷的办法还是带着机器学习的具体问题来掌握背后的数学原理。因为线性代数和概率理论使用较多，本书在最后两章集中把重要的一些概率论和线性代数的内容加以介绍，如果有需要的同学可以参考。
目录
- 版权信息
- 作者简介
- 内容简介
- 前言
- 第1章 引论
- 1.1 什么是机器学习
- 1.2 多项式逼近函数
- 1.3 多项式Remez算法
- 习题
- 第2章 感知机模型
- 2.1 分类问题的刻画
- 2.2 线性规划
- 习题
- 第3章 线性回归
- 3.1 最小二乘法原理
- 3.2 多元高斯分布模型
- 3.3 误差和方差
- 3.4 岭回归和Lasso回归
- 习题
- 第4章 逻辑回归
- 4.1 逻辑回归概述
- 4.2 多重分类线性模型和非线性模型
- 习题
- 第5章 决策树模型
- 5.1 离散型数据
- 5.2 熵和决策树的建立
- 5.3 剪枝
- 5.4 连续型数据
- 5.5 CART树
- 习题
- 第6章 生成模型和判别模型
- 6.1 极大似然估计
- 6.2 贝叶斯估计
- 6.3 线性判别模型
- 6.4 多元正态分布
- 6.5 LDA和LQA
- 第7章 优化方法
- 7.1 数值解方程
- 7.2 光滑函数的极值点
- 7.3 带约束条件的极值问题
- 7.4 梯度下降法
- 7.5 凸函数
- 7.6 对偶问题
- 7.7 Minimax问题
- 7.8 L1过滤
- 第8章 支持向量机
- 8.1 点到平面的距离
- 8.2 支持向量机的原理
- 8.3 对偶问题
- 8.4 核函数的方法
- 8.5 软性支持向量机
- 8.6 支持向量机回归
- 习题
- 第9章 神经网络
- 9.1 简单函数逼近复杂函数
- 9.2 神经网络结构
- 习题
- 第10章 机器学习理论问题
- 10.1 问题的提出
- 10.2 概率不等式
- 10.3 有限假设空间
- 10.4 No Free Lunch定理
- 10.5 VC维度
- 习题
- 第11章 集成和提升
- 11.1 方差偏度分解
- 11.2 随机森林
- 11.3 梯度提升决策树模型
- 11.4 AdaBoost方法
- 习题
- 第12章 主成分分析
- 12.1 对称矩阵特征值和特征向量
- 12.2 矩阵的奇异值分解
- 12.3 主成分分析
- 第13章 EM算法
- 13.1 一个概率问题
- 13.2 混合高斯分布的EM算法
- 13.3 一般形式推导
- 习题
- 第14章 隐马尔可夫模型
- 14.1 第一个问题
- 14.2 第二个问题
- 14.3 第三个问题
- 14.4 连续型隐马尔可夫模型
- 习题
- 第15章 强化学习
- 15.1 马尔可夫价值系统
- 15.2 马尔可夫价值蒙特卡罗数值解
- 15.3 马尔可夫决策系统
- 15.4 马尔可夫决策系统最优策略
- 15.5 时序差分方法
- 15.6 资格迹
- 15.7 值函数逼近方法
- 习题
- 第16章 概率论基础
- 16.1 古典概率论内容
- 16.2 连续分布
- 16.3 期望
- 16.4 信息和熵
- 16.5 大数定律证明
- 16.6 中心极限定理证明
- 第17章 线性代数基础
- 17.1 行列式
- 17.2 Cramer法则
- 17.3 矩阵初等性质
- 17.4 矩阵的逆
- 17.5 矩阵的初等变换
- 17.6 伴随矩阵
- 17.7 对于矩阵运算求导数
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
清华大学出版社
清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。
