机器学习导论（原书第3版） / 计算机科学丛书
￥79.00定价
作者： [土耳其]埃塞姆·阿培丁著；范明译
译者：范明 译；
出版时间：2016年1月
出版社：机械工业出版社
- 机械工业出版社
- 9787111521945
- 3版
- 46374
- 47229867-8
- 平装
- 16开
- 2016年1月
- 517
- 369
- 工学
- 计算机科学与技术
- TP181
- 计算机通信类
- 本科
内容简介
埃塞姆·阿培丁著的《机器学习导论(原书第3版)》全面介绍了机器学习的相关内容，涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、核机器、图方法、隐马尔可夫模型、贝叶斯估计、组合多学习器、增强学习以及机器学习实验的设计与分析等，反映了快速发展的机器学习领域的最新进展。
本书可以用作高年级本科生和硕士研究生的教材，也可供研究机器学习方法的技术人员参考。
本书可以用作高年级本科生和硕士研究生的教材，也可供研究机器学习方法的技术人员参考。
目录
出版者的话
译者序
前言
符号说明
第1章 引言
1.1 什么是机器学习
1.2 机器学习的应用实例
1.2.1 学习关联性
1.2.2 分类
1.2.3 回归
1.2.4 非监督学习
1.2.5 增强学习
1.3 注释
1.4 相关资源
1.5 习题
1.6 参考文献
第2章 监督学习
2.1 由实例学习类
2.2 VC维
2.3 概率近似正确学习
2.4 噪声
2.5 学习多类
2.6 回归
2.7 模型选择与泛化
2.8 监督机器学习算法的维
2.9 注释
2.10 习题
2.11 参考文献
第3章 贝叶斯决策理论
3.1 引言
3.2 分类
3.3 损失与风险
3.4 判别式函数
3.5 关联规则
3.6 注释
3.7 习题
3.8 参考文献
第4章 参数方法
4.1 引言
4.2 最大似然估计
4.2.1 伯努利密度
4.2.2 多项式密度
4.2.3 高斯（正态）密度
4.3 评价估计：偏倚和方差
4.4 贝叶斯估计
4.5 参数分类
4.6 回归
4.7 调整模型的复杂度：偏倚/方差两难选择
4.8 模型选择过程
4.9 注释
4.10 习题
4.11 参考文献
第5章 多元方法
5.1 多元数据
5.2 参数估计
5.3 缺失值估计
5.4 多元正态分布
5.5 多元分类
5.6 调整复杂度
5.7 离散特征
5.8 多元回归
5.9 注释
5.10 习题
5.11 参考文献
……
第6章 维度归约
第7章 聚类
第8章 非参数方法
第9章 决策树
第10章 线性判别式
第11章 多层感知器
第12章 局部模型
第13章 核机器
第14章 图方法
第15章 隐马尔科夫模型
第16章 贝叶斯估计
第17章 组合多学习器
第18章 增强学习
第19章 机器学习实验的设计与分析
附录A 概率论
索引
译者序
前言
符号说明
第1章 引言
1.1 什么是机器学习
1.2 机器学习的应用实例
1.2.1 学习关联性
1.2.2 分类
1.2.3 回归
1.2.4 非监督学习
1.2.5 增强学习
1.3 注释
1.4 相关资源
1.5 习题
1.6 参考文献
第2章 监督学习
2.1 由实例学习类
2.2 VC维
2.3 概率近似正确学习
2.4 噪声
2.5 学习多类
2.6 回归
2.7 模型选择与泛化
2.8 监督机器学习算法的维
2.9 注释
2.10 习题
2.11 参考文献
第3章 贝叶斯决策理论
3.1 引言
3.2 分类
3.3 损失与风险
3.4 判别式函数
3.5 关联规则
3.6 注释
3.7 习题
3.8 参考文献
第4章 参数方法
4.1 引言
4.2 最大似然估计
4.2.1 伯努利密度
4.2.2 多项式密度
4.2.3 高斯（正态）密度
4.3 评价估计：偏倚和方差
4.4 贝叶斯估计
4.5 参数分类
4.6 回归
4.7 调整模型的复杂度：偏倚/方差两难选择
4.8 模型选择过程
4.9 注释
4.10 习题
4.11 参考文献
第5章 多元方法
5.1 多元数据
5.2 参数估计
5.3 缺失值估计
5.4 多元正态分布
5.5 多元分类
5.6 调整复杂度
5.7 离散特征
5.8 多元回归
5.9 注释
5.10 习题
5.11 参考文献
……
第6章 维度归约
第7章 聚类
第8章 非参数方法
第9章 决策树
第10章 线性判别式
第11章 多层感知器
第12章 局部模型
第13章 核机器
第14章 图方法
第15章 隐马尔科夫模型
第16章 贝叶斯估计
第17章 组合多学习器
第18章 增强学习
第19章 机器学习实验的设计与分析
附录A 概率论
索引
