- 机器学习(应用视角)/智能科学与技术丛书
- - 作者：(美)大卫·福赛斯|责编:柯敬贤|译者:常虹//王树徽//庄福振//杨双
  - 出版社：机械工业
  - ISBN：9787111668299
  - 出版日期：2021/01/01
  - 页数：332
- 售价：51.6

内容大纲
本书涵盖了每个想以机器学习为工具的人都应该知道的概念和方法，广泛介绍了机器学习的诸多领域，包括分类、高维数据、聚类、回归、图模型和深度网络。理论方法与应用实例相结合，使读者易于理解和上手实践。强调使用现有的工具和软件包，而不是自己编写代码。
本书是一个机器学习工具箱，不仅可以作为相关专业高年级本科生和低年级研究生的教材，也适合各类工程技术人员自学参考。
作者介绍
目录
译者序
前言
致谢
关于作者
第一部分　分类
第1章  学会分类
  1.1  分类的主要思想
    　1.1.1  误差率及其他性能指标
    　1.1.2  更详细的评估
    　1.1.3  过拟合与交叉验证
  1.2  最近邻分类
  1.3  朴素贝叶斯
    　1.3.1  利用交叉验证进行模型选择
    　1.3.2  数据缺失
　编程练习
第2章  支持向量机和随机森林
  2.1  支持向量机
    　2.1.1  铰链损失
    　2.1.2  正则化
    　2.1.3  通过随机梯度下降来寻找分类器
    　2.1.4  λ的搜索
    　2.1.5  总结：用随机梯度下降训练
    　2.1.6  例子：利用支持向量机分析成人收入
    　2.1.7  利用支持向量机进行多类分类
  2.2  利用随机森林进行分类
    　2.2.1  构造决策树
    　2.2.2  用信息增益来选择划分
    　2.2.3  森林
    　2.2.4  构造并评估决策森林
    　2.2.5  利用决策森林进行数据分类
　编程练习
　MNIST练习
第3章  学习理论初步
  3.1  用留出损失预测测试损失
    　3.1.1  样本均值和期望
    　3.1.2  利用切比雪夫不等式
    　3.1.3  一个泛化界
  3.2  有限分类器族的测试误差与训练误差
    　3.2.1  霍夫丁不等式
    　3.2.2  在有限预测器族上训练
    　3.2.3  所需样例数量
  3.3  无限预测器集合
    　3.3.1  预测器和二值函数
    　3.3.2  对称化
    　3.3.3  限制泛化误差
第二部分　高维数据
第4章  高维数据
  4.1  概述及简单绘图
    　4.1.1  均值
    　4.1.2  杆图和散点图矩阵

    　4.1.3  协方差
    　4.1.4  协方差矩阵
  4.2  维数灾难
    　4.2.1  灾难：数据不是你想象的那样
    　4.2.2  维数的小困扰
  4.3  用均值和协方差理解高维数据
    　4.3.1  仿射变换下的均值和协方差
    　4.3.2  特征向量及矩阵对角化
    　4.3.3  通过旋转数据堆来对角化协方差矩阵
  4.4  多元正态分布
    　4.4.1  仿射变换与高斯模型
    　4.4.2  绘制二维高斯模型：协方差椭圆
    　4.4.3  描述统计与期望
    　4.4.4  维数灾难的更多内容
　习题
第5章  主成分分析
  5.1  在主成分上表示数据
    　5.1.1  近似数据团块
    　5.1.2  例子：变换身高体重堆
    　5.1.3  在主成分上表示数据
    　5.1.4  低维表示中的误差
    　5.1.5  用NIPALS算法提取若干主成分
    　5.1.6  主成分和缺失值
    　5.1.7  PCA作为平滑方法
  5.2  例子：用主成分表示颜色
  5.3  例子：用主成分表示人脸
　习题
　编程练习
第6章  低秩近似
  6.1  奇异值分解
    　6.1.1  SVD和PCA
    　6.1.2  SVD和低秩近似
    　6.1.3  用SVD进行平滑
  6.2  多维缩放
    　6.2.1  通过高维的距离选择低维的点
    　6.2.2  使用低秩近似分解因子
    　6.2.3  例子：利用多维缩放进行映射
  6.3  例子：文本模型和潜在语义分析
    　6.3.1  余弦距离
    　6.3.2  对单词计数进行平滑
    　6.3.3  例子：对NIPS文档进行映射
    　6.3.4  获得词的含义
    　6.3.5  例子：对NIPS数据集的词进行映射
    　6.3.6  TFIDF
　习题
　编程练习
第7章  典型相关分析
  7.1  典型相关分析算法
  7.2  例子：在词和图片上进行CCA
  7.3  例子：在反射率和遮光上进行CCA

　编程练习
第三部分　聚类
第8章  聚类
  8.1  聚合式聚类和拆分式聚类
  8.2  k均值算法及其变体
    　8.2.1  如何选择k的值
    　8.2.2  软分配
    　8.2.3  高效聚类和层级式k均值
    　8.2.4  k中心点算法
    　8.2.5  例子：葡萄牙的杂货
    　8.2.6  关于k均值算法的一些见解
  8.3  用向量量化描述重复性
    　8.3.1  向量量化
    　8.3.2  例子：基于加速度计数据的行为
　编程练习
第9章  使用概率模型进行聚类
  9.1  混合模型与聚类
    　9.1.1  数据团块的有限混合模型
    　9.1.2  主题和主题模型
  9.2  EM算法
    　9.2.1  例子——高斯混合：E步
    　9.2.2  例子——高斯混合：M步
    　9.2.3  例子——主题模型：E步
    　9.2.4  例子——主题模型：M步
    　9.2.5  EM算法的实践
　习题
　编程练习
第四部分　回归
第10章  回归
  10.1  概述
  10.2  线性回归和最小二乘法
    　10.2.1  线性回归
    　10.2.2  选择β
    　10.2.3  残差
    　10.2.4  R

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目