機(jī)器學(xué)習(xí)導(dǎo)論

定　價(jià)：￥39.00

作　者：	（土）阿培丁著，范明等譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	計(jì)算機(jī)科學(xué)叢書(shū)
標(biāo)　簽：	人工智能

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111265245	出版時(shí)間：	2009-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	272	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《機(jī)器學(xué)習(xí)導(dǎo)論》對(duì)機(jī)器學(xué)習(xí)的定義和應(yīng)用實(shí)例進(jìn)行了介紹，涵蓋了監(jiān)督學(xué)習(xí)。貝葉斯決策理論。參數(shù)方法、多元方法、維度歸約、聚類(lèi)、非參數(shù)方法、決策樹(shù)。線(xiàn)性判別式、多層感知器，局部模型、隱馬爾可夫模型。分類(lèi)算法評(píng)估和比較，組合多學(xué)習(xí)器以及增強(qiáng)學(xué)習(xí)等。機(jī)器學(xué)習(xí)的目標(biāo)是對(duì)計(jì)算機(jī)編程，以便使用樣本數(shù)據(jù)或以往的經(jīng)驗(yàn)來(lái)解決給定的問(wèn)題。已經(jīng)有許多機(jī)器學(xué)習(xí)的成功應(yīng)用，包括分析以往銷(xiāo)售數(shù)據(jù)來(lái)預(yù)測(cè)客戶(hù)行為，人臉識(shí)別或語(yǔ)音識(shí)別，優(yōu)化機(jī)器人行為以便使用最少的資源來(lái)完成任務(wù)，以及從生物信息數(shù)據(jù)中提取知識(shí)的各種系統(tǒng)。為了對(duì)機(jī)器學(xué)習(xí)問(wèn)題和解進(jìn)行統(tǒng)一的論述，《機(jī)器學(xué)習(xí)導(dǎo)論》討論了機(jī)器學(xué)習(xí)在統(tǒng)計(jì)學(xué)、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)。人工智能。信號(hào)處理、控制和數(shù)據(jù)挖掘等不同領(lǐng)域的應(yīng)用。對(duì)所有學(xué)習(xí)算法都進(jìn)行了解釋?zhuān)员阕x者可以容易地將書(shū)中的公式轉(zhuǎn)變?yōu)橛?jì)算機(jī)程序?！稒C(jī)器學(xué)習(xí)導(dǎo)論》可作為高等院校計(jì)算機(jī)相關(guān)專(zhuān)業(yè)高年級(jí)本科生和研究生的教材，也可供研究機(jī)器學(xué)習(xí)方法的技術(shù)人員參考。

作者簡(jiǎn)介

　　Ethem Alpaydin，是土耳其伊斯坦布爾博阿齊奇大學(xué)計(jì)算機(jī)工程系的教授。于1990年在洛桑聯(lián)邦理工學(xué)院獲博士學(xué)位，之后先后在美國(guó)麻省理工和伯克利大學(xué)工作和進(jìn)行博士后研究。Ethem博士主要從事機(jī)器學(xué)習(xí)方面的研究，是劍橋大學(xué)的《The Computer Journal》雜志編委和Elsevier的《Pattern Recognition》雜志的副主編。2001年和2002年，Ethem博士先后獲得土耳其科學(xué)院青年科學(xué)家獎(jiǎng)和土耳其科學(xué)與技術(shù)研究委員會(huì)科學(xué)獎(jiǎng)。

圖書(shū)目錄

出版者的話(huà)
中文版序
譯者序
前言
致謝
符號(hào)表
第1章緒論
1．1 什么是機(jī)器學(xué)習(xí)
1．2 機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例
1．2．1 學(xué)習(xí)關(guān)聯(lián)性
1．2．2 分類(lèi)
1．2．3 回歸
1．2．4 非監(jiān)督學(xué)習(xí)
1．2．5 增強(qiáng)學(xué)習(xí)
1．3 注釋
1．4 相關(guān)資源
1．5 習(xí)題
1．6 參考文獻(xiàn)
第2章監(jiān)督學(xué)習(xí)
2．1 由實(shí)例學(xué)習(xí)類(lèi)
2．2 VC維
2．3 概率逼近正確學(xué)習(xí)
2．4 噪聲
2．5 學(xué)習(xí)多類(lèi)
2．6 回歸
2．7 模型選擇與泛化
2．8 監(jiān)督機(jī)器學(xué)習(xí)算法的維
2．9 注釋
2．10 習(xí)題
2．11 參考文獻(xiàn)
第3章貝葉斯決策定理
3．1 引言
3．2 分類(lèi)
3．3 損失與風(fēng)險(xiǎn)
3．4 判別式函數(shù)
3．5 效用理論
3．6 信息值
3．7 貝葉斯網(wǎng)絡(luò)
3．8 影響圖
3．9 關(guān)聯(lián)規(guī)則
3．10 注釋
3．11 習(xí)題
3．12 參考文獻(xiàn)
第4章參數(shù)方法
4．1 引言
4．2 最大似然估計(jì)
4．2．1 伯努利密度
4．2．2 多項(xiàng)密度
4．2．3 高斯(正態(tài))密度
4．3 評(píng)價(jià)估計(jì)：偏倚和方差
4．4 貝葉斯估計(jì)
4．5 參數(shù)分類(lèi)
4．6 回歸
4．7 調(diào)整模型的復(fù)雜度：偏倚／方差兩難選擇
4．8 模型選擇過(guò)程
4．9 注釋
4．10 習(xí)題
4．11 參考文獻(xiàn)
第5章多元方法
5．1 多元數(shù)據(jù)
5．2 參數(shù)估計(jì)
5．3 缺失值估計(jì)
5．4 多元正態(tài)分布
5．5 多元分類(lèi)
5．6 調(diào)整復(fù)雜度
5．7 離散特征
5．8 多元回歸
5．9 注釋
5．10 習(xí)題
5．11 參考文獻(xiàn)
第6章維度歸約
6．1 引言
6．2 子集選擇
6．3 主成分分析
6．4 因子分析
6．5 多維定標(biāo)
6．6 線(xiàn)性判別分析
6．7 注釋
6．8 習(xí)題
6．9 參考文獻(xiàn)
第7章聚類(lèi)
7．1 引言
7．2 混合密度
7．3 平均值聚類(lèi)
7．4 期望最大化算法
7．5 潛在變量混合模型
7．6 聚類(lèi)后的監(jiān)督學(xué)習(xí)
7．7 層次聚類(lèi)
7．8 選擇簇個(gè)數(shù)
7．9 注釋
7．10 習(xí)題
7．11 參考文獻(xiàn)
第8章非參數(shù)方法
8．1 引言
8．2 非參數(shù)密度估計(jì)
8．2．1 直方圖估計(jì)
8．2．2 核估計(jì)
8．2．3 ％-最近鄰估計(jì)
8．3 到多變?cè)獢?shù)據(jù)的推廣
8．4 非參數(shù)分類(lèi)
8．5 精簡(jiǎn)的最近鄰
8．6 非參數(shù)回歸：光滑模型
8．6．1 移動(dòng)均值光滑
8．6．2 核光滑
8．6．3 移動(dòng)線(xiàn)光滑
8．7 如何選擇光滑參數(shù)
8．8 注釋
8．9 習(xí)題
8．10 參考文獻(xiàn)
第9章決策樹(shù)
9．1 引言
9．2 單變量樹(shù)
9．2．1 分類(lèi)樹(shù)
9．2．2 回歸樹(shù)
9．3 剪枝
9．4 由決策樹(shù)提取規(guī)則
9．5 由數(shù)據(jù)學(xué)習(xí)規(guī)則
9．6 多變量樹(shù)
9．7 注釋
9．8 習(xí)題
9．9 參考文獻(xiàn)
第10章線(xiàn)性判別式
10．1 引言
10．2 推廣線(xiàn)性模型
10．3 線(xiàn)性判別式的幾何意義
10．3．1 兩類(lèi)問(wèn)題
10．3．2 多類(lèi)問(wèn)題
10．4 逐對(duì)分離
10．5 參數(shù)判別式的進(jìn)一步討論
10．6 梯度下降
10．7 邏輯斯諦判別式
10．7．1 兩類(lèi)問(wèn)題
10．7．2 多類(lèi)問(wèn)題
10．8 回歸判別式
10．9 支持向量機(jī)
10．9．1 最佳分離超平面
10．9．2 不可分情況：軟邊緣超平面
10．9．3 核函數(shù)
10．9．4 用于回歸的支持向量機(jī)
10．10 注釋
10．11 習(xí)題
10．12 參考文獻(xiàn)
第11章多層感知器
11．1 引言
11．1．1 理解人腦
11．1．2 神經(jīng)網(wǎng)絡(luò)作為并行處理的典范
11．2 感知器
11．3 訓(xùn)練感知器
11．4 學(xué)習(xí)布爾函數(shù)
11．5 多層感知器
11．6 MLP作為通用逼近器
11．7 后向傳播算法
11．7．1 非線(xiàn)性回歸
11．7．2 兩類(lèi)判別式
11．7．3 多類(lèi)判別式
11．7．4 多個(gè)隱藏層
11．8 訓(xùn)練過(guò)程
11．8．1 改善收斂性
11．8．2 過(guò)分訓(xùn)練
11．8．3 構(gòu)造網(wǎng)絡(luò)
11．8．4 線(xiàn)索
11．9 調(diào)整網(wǎng)絡(luò)規(guī)模
11．10 學(xué)習(xí)的貝葉斯觀(guān)點(diǎn)
11．11 維度歸約
11．12 學(xué)習(xí)時(shí)間
11．12．1 時(shí)間延遲神經(jīng)網(wǎng)絡(luò)
11．12．2 遞歸網(wǎng)絡(luò)
11．13 注釋
11．14 習(xí)題
11．15 參考文獻(xiàn)
第12章局部模型
12．1 引言
12．2 競(jìng)爭(zhēng)學(xué)習(xí)
12．2．1 在線(xiàn)均值
12．2．2 自適應(yīng)共鳴理論
12．2．3 自組織映射
12．3 徑向基函數(shù)
12．4．結(jié)合基于規(guī)則的知識(shí)
12．5 規(guī)范化基函數(shù)
12．6 競(jìng)爭(zhēng)的基函數(shù)
12．7 學(xué)習(xí)向量量化
12．8 混合專(zhuān)家模型
12．8．1 協(xié)同專(zhuān)家模型
12．8．2 競(jìng)爭(zhēng)專(zhuān)家模型
12．9 層次混合專(zhuān)家模型
12．10 注釋
12．11 習(xí)題
12．12 參考文獻(xiàn)
第13章隱馬爾可夫模型
13．1 引言
13．2 離散馬爾可夫過(guò)程
13．3 隱馬爾可夫模型
13．4 HMM的三個(gè)基本問(wèn)題
13．5 估值問(wèn)題
13．6 尋找狀態(tài)序列
13．7 學(xué)習(xí)模型參數(shù)
13．8 連續(xù)觀(guān)測(cè)
13．9 帶輸入的HMM
13．10 HNMqItl的模型選擇
13．11 注釋
13．12 習(xí)題
13．13 參考文獻(xiàn)
第14章分類(lèi)算法評(píng)估和比較
14．1 引言
14．2 交叉確認(rèn)和再抽樣方法
14．2．1 K．折交叉確認(rèn)
14．2．2 5~2交叉確認(rèn)
14．2．3 自助法
14．3 誤差度量
14．4 區(qū)間估計(jì)
14．5 假設(shè)檢驗(yàn)
14．6 評(píng)估分類(lèi)算法的性能
14．6．1 二項(xiàng)檢驗(yàn)
14．6．2 近似正態(tài)檢驗(yàn)
14．6．3 配對(duì)￡檢驗(yàn)
14．7 比較兩個(gè)分類(lèi)算法
14．7．1 McNemar-檢驗(yàn)
14．7．2 K-折交叉確認(rèn)配對(duì)t檢驗(yàn)
14．7．3 5x2交叉確認(rèn)配對(duì)t檢驗(yàn)
14．7．4 5x2交叉確認(rèn)配對(duì)F檢驗(yàn)
14．8 比較多個(gè)分類(lèi)算法：方差分析
14．9 注釋
14．10 習(xí)題
14．11 參考文獻(xiàn)
第15章組合多學(xué)習(xí)器
15．1 基本原理
15．2 投票法
15．3 糾錯(cuò)輸出碼
15．4 裝袋
15．5 提升
15．6 重溫混合專(zhuān)家模型
15．7 層疊泛化
15．8 級(jí)聯(lián)
15．9 注釋
15．10 習(xí)題
15．11 參考文獻(xiàn)
第16章增強(qiáng)學(xué)習(xí)
16．1 引言
16．2 單狀態(tài)情況：K臂賭博機(jī)問(wèn)題
16．3 增強(qiáng)學(xué)習(xí)基礎(chǔ)
16．4 基于模型的學(xué)習(xí)
16．4．1 價(jià)值迭代
16．4．2 策略迭代
16．5 時(shí)間差分學(xué)習(xí)
16．5．1 探索策略
16．5．2 確定性獎(jiǎng)勵(lì)和動(dòng)作
16．5．3 確定性獎(jiǎng)勵(lì)和動(dòng)作
16．5．4 資格跡
16．6 推廣
16．7 部分可觀(guān)測(cè)狀態(tài)
16．8 注釋
16．9 習(xí)題
16．10 參考文獻(xiàn)
附錄A概率論
索引