图书详情 | 《统计机器学习导论》
图书分类 一 〉工学 一 〉计算机科学与技术
本书可免费申请样书

数据科学与工程技术丛书 : 统计机器学习导论

[日]杉山将著;谢宁译 著;

2020年4月

机械工业出版社

新华国采教育网络科技有限责任公司 折后价:¥89.00 定价:¥89.00
  • 机械工业出版社
  • 9787111596790
  • 1-2
  • 209236
  • 48239385-7
  • 平装
  • 16开
  • 2020年4月
  • -
  • 235
  • 352
  • -
  • 工学
  • 计算机科学与技术
  • 0812
  • TP181
  • 人工智能
  • 本科
  • 重版
  • -
  • -
  • -
内容简介:
统计技术与机器学习的结合使其成为一种强大的工具,能够对众多计算机和工程领域的数据进行分析,包括图像处理、语音处理、自然语言处理、机器人控制以及生物、医学、天文学、物理、材料等基础科学范畴。本书介绍机器学习的基础知识,注重理论与实践的结合。第一部分讨论机器学习算法中统计与概率的基本概念,第二部分和第三部分讲解机器学习的两种主要方法,即生成学习方法和判别分类方法,其中,第三部分对实际应用中重要的机器学习算法进行了深入讨论。本书配有MATLAB/Octave代码,可帮助读者培养实践技能,完成数据分析任务。
目录
目录译者序前言作者简介第一部分绪论第1章统计机器学习1.1学习的类型1.2机器学习任务举例1.2.1监督学习1.2.2非监督学习1.2.3进一步的主题1.3本书结构第二部分概率与统计第2章随机变量与概率分布2.1数学基础2.2概率2.3随机变量和概率分布2.4概率分布的性质2.4.1期望、中位数和众数2.4.2方差和标准差2.4.3偏度、峰度和矩2.5随便变量的变换第3章离散概率分布的实例3.1离散均匀分布3.2二项分布3.3超几何分布3.4泊松分布3.5负二项分布3.6几何分布第4章连续概率分布的实例4.1连续均匀分布4.2正态分布4.3伽马分布、指数分布和卡方分布4.4Beta分布4.5柯西分布和拉普拉斯分布4.6t分布和F分布第5章多维概率分布5.1联合概率分布5.2条件概率分布5.3列联表5.4贝叶斯定理5.5协方差与相关性5.6独立性第6章多维概率分布的实例6.1多项分布6.2多元正态分布6.3狄利克雷分布6.4威沙特分布第7章独立随机变量之和7.1卷积7.2再生性7.3大数定律7.4中心极限定理第8章概率不等式8.1联合界8.2概率不等式8.2.1马尔可夫不等式和切尔诺夫不等式8.2.2坎泰利不等式和切比雪夫不等式8.3期望不等式8.3.1琴生不等式8.3.2赫尔德不等式和施瓦茨不等式8.3.3闵可夫斯基不等式8.3.4康托洛维奇不等式8.4独立随机变量和的不等式8.4.1切比雪夫不等式和切尔诺夫不等式8.4.2霍夫丁不等式和伯恩斯坦不等式8.4.3贝内特不等式第9章统计估计9.1统计估计基础9.2点估计9.2.1参数密度估计9.2.2非参数密度估计9.2.3回归和分类9.2.4模型选择9.3区间估计9.3.1基于正态样本期望的区间估计9.3.2bootstrap置信区间9.3.3贝叶斯置信区间第10章假设检验10.1假设检验基础10.2正态样本期望的检验10.3尼曼皮尔森引理10.4列联表检验10.5正态样本期望差值检验10.5.1无对应关系的两组样本10.5.2有对应关系的两组样本10.6秩的无参检验10.6.1无对应关系的两组样本10.6.2有对应关系的两组样本10.7蒙特卡罗检验第三部分统计模式识别的生成式方法第11章通过生成模型估计的模式识别11.1模式识别的公式化11.2统计模式识别11.3分类器训练的准则11.3.1最大后验概率规则11.3.2最小错误分类率准则11.3.3贝叶斯决策规则11.3.4讨论11.4生成式方法和判别式方法第12章极大似然估计12.1定义12.2高斯模型12.3类后验概率的计算12.4Fisher线性判别分析12.5手写数字识别12.5.1预备知识12.5.2线性判别分析的实现12.5.3多分类器方法第13章极大似然估计的性质13.1一致性13.2渐近无偏性13.3渐近有效性13.3.1一维的情况13.3.2多维的情况13.4渐近正态性13.5总结第14章极大似然估计的模型选择14.1模型选择14.2KL散度14.3AIC信息论准则14.4交叉检验14.5讨论第15章高斯混合模型的极大似然估计15.1高斯混合模型15.2极大似然估计15.3梯度上升算法15.4EM算法第16章非参数估计16.1直方图方法16.2问题描述16.3核密度估计16.3.1Parzen 窗法16.3.2利用核的平滑16.3.3带宽的选择16.4最近邻密度估计16.4.1最近邻距离16.4.2最近邻分类器第17章贝叶斯推理17.1贝叶斯预测分布17.1.1定义17.1.2与极大似然估计的比较17.1.3计算问题17.2共轭先验17.3最大后验估计17.4贝叶斯模型选择第18章边缘相似的解析近似18.1拉普拉斯近似18.1.1高斯密度估计18.1.2例证18.1.3应用于边际似然逼近18.1.4贝叶斯信息准则18.2变分近似18.2.1变分贝叶斯最大期望算法18.2.2与一般最大期望法的关系第19章预测分布的数值近似19.1蒙特卡罗积分19.2重要性采样19.3采样算法19.3.1逆变换采样19.3.2拒绝采样19.3.3马尔可夫链蒙特卡罗方法第20章贝叶斯混合模型20.1高斯混合模型20.1.1贝叶斯公式化20.1.2变分推断20.1.3吉布斯采样20.2隐狄利克雷分配模型20.2.1主题模型20.2.2贝叶斯公式化20.2.3吉布斯采样第四部分统计机器学习的判别式方法第21章学习模型21.1线性参数模型21.2核模型21.3层次模型第22章最小二乘回归22.1最小二乘法22.2线性参数模型的解决方案22.3最小二乘法的特性22.4大规模数据的学习算法22.5层次模型的学习算法第23章具有约束的最小二乘回归23.1子空间约束的最小二乘23.22约束的最小二乘23.3模型选择第24章稀疏回归24.11约束的最小二乘24.2解决1约束的最小二乘24.3稀疏学习的特征选择24.4若干扩展24.4.1广义1约束最小二乘24.4.2p约束最小二乘24.4.31+2约束最小二乘24.4.41,2约束最小二乘24.4.5迹范数约束最小二乘第25章稳健回归25.12损失最小化的非稳健性25.21损失最小化25.3Huber损失最小化25.3.1定义25.3.2随机梯度算法25.3.3迭代加权最小二乘25.3.41约束Huber损失最小化25.4Tukey 损失最小化第26章最小二乘分类器26.1基于最小二乘回归的分类器26.20/1损失和间隔2