- 机器学习与推理(教育部高等学校电工电子基础课程教学指导分委员会推荐教材)
- - 作者：编者:俞成浦//陈文颉//邓方|责编:文怡
  - 出版社：清华大学
  - ISBN：9787302668657
  - 出版日期：2024/08/01
  - 页数：313
- 售价：30

内容大纲
    在人工智能与控制科学产生深度交叉融合的背景下，本书对机器学习和模型推理的经典算法和前沿理论知识进行深度剖析和全面梳理，形成具有理论深度和知识广度的参考资料，旨在支撑“智能科学与技术”和“控制科学与工程”两个一级学科的建设和发展。
    本书的主要内容分成两篇。第一篇主要介绍机器学习的主要理论和方法，包括统计决策方法、监督学习方法、无监督学习方法、深度学习方法和近似推理方法。除了总结经典算法之外，第一篇还介绍了最新的集成学习方法（如迁移学习、终身学习和元学习）和深度学习方法（如图神经网络、深度信念网络和深度生成网络），使学生能够掌握机器学习专业方向的前沿理论知识。第二篇主要介绍模型推理的主要理论与方法，包括静态统计模型、概率图模型、马尔可夫模型以及马尔可夫决策过程。在模型知识的驱动下，第二篇聚焦控制领域的状态估计、系统辨识和马尔可夫决策，形成更具理论深度的高层次学习内容。为了帮助读者掌握核心内容和知识点，每章都配备了习题和主要参考文献，附录提供了本书学习的必备基础知识。
    本书前半部分的知识点相对容易，适合本科教学；后半部分的知识点对矩阵分析和随机过程等数学知识要求较高，适合研究生教学。本书也是机器学习、模式识别和系统辨识等专业研究生科研的重要参考资料。
作者介绍
目录
  第1章  绪论
    1.1  人工智能发展
    1.2  机器学习
      1.2.1  机器学习概念
      1.2.2  机器学习方法
      1.2.3  机器学习分类
    1.3  模型推理
      1.3.1  模型分类
      1.3.2  模型推理概念
      1.3.3  模型推理方法
    1.4  应用例子
    1.5  内容安排
    习题
第一篇  机器学习
  第2章  统计决策方法
    2.1  贝叶斯决策
      2.1.1  最小错误率贝叶斯决策
      2.1.2  最小风险贝叶斯决策
      2.1.3  Neyman-Pearson决策
      2.1.4  贝叶斯决策规则比较
      2.1.5  正态分布统计决策
    2.2  概率密度函数估计
      2.2.1  参数估计——极大似然法
      2.2.2  参数估计——最大后验法
      2.2.3  参数估计——贝叶斯方法
      2.2.4  概率密度函数估计——贝叶斯学习
      2.2.5  非参数概率密度函数估计——k近邻法
      2.2.6  非参数概率密度函数估计——Parzen窗法
    习题
  第3章  监督学习方法
    3.1  最小二乘法
      3.1.1  线性回归
      3.1.2  逻辑回归
      3.1.3  均方误差估计
    3.2  支持向量机
      3.2.1  标准支持向量机
      3.2.2  软间隔与正则化
      3.2.3  支持向量回归
    3.3  核方法与正则化
      3.3.1  广义线性模型
      3.3.2  核支持向量机
      3.3.3  正则化理论
    3.4  神经网络
      3.4.1  感知器
      3.4.2  神经网络结构
      3.4.3  反向传播算法
    3.5  复合学习方法
      3.5.1  集成学习
      3.5.2  多任务学习
      3.5.3  迁移学习

      3.5.4  终身学习
      3.5.5  元学习
    习题
  第4章  无监督学习方法
    4.1  近邻测度和聚类准则
    4.2  聚类方法
  ……
第二篇  模型推理
附录A  概率理论
附录B  矩阵理论
附录C  优化理论
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目