- 模式识别与机器学习
- - 作者：(英)克里斯托弗·M.毕晓普|责编:郭泳泽//卜一凡|译者:陈翔//张存旺//姜振东//刘志毅//许劭华
  - 出版社：人民邮电
  - ISBN：9787115681409
  - 出版日期：2026/01/01
  - 页数：595
- 售价：79.52

内容大纲
本书深入而系统地介绍了模式识别和机器学习领域的基本概念、数学原理和核心算法，并附有丰富的习题。作为机器学习领域的“圣经”，本书融合了概率论、统计学、线性代数和优化理论，构建了从基础概念到前沿技术的完整知识体系，内容涵盖决策论、概率分布、线性回归模型、线性分类模型、神经网络、核方法、稀疏核机、图模型、混合模型与最大期望算法、近似推断、采样方法、连续潜变量、序列数据、模型组合等。
本书适合计算机专业高年级本科生和低年级硕士生阅读，也适合作为机器学习从业人员和爱好者的参考资料。
作者介绍
目录
第1章  绪论
  1.1  示例：多项式曲线拟合
  1.2  概率论
    1.2.1  概率密度
    1.2.2  期望与协方差
    1.2.3  贝叶斯概率
    1.2.4  高斯分布
    1.2.5  再论曲线拟合
    1.2.6  贝叶斯曲线拟合
  1.3  模型选择
  1.4  维度灾难
  1.5  决策论
    1.5.1  最小化误分类率
    1.5.2  最小化预期损失
    1.5.3  拒绝选项
    1.5.4  推断与决策
    1.5.5  回归问题的损失函数
  1.6  信息论
    1.6.1  相对熵与互信息
  习题
第2章  概率分布
  2.1  二元变量
    2.1.1  β分布
  2.2  多项式变量
    2.2.1  狄利克雷分布
  2.3  高斯分布
    2.3.1  条件高斯分布
    2.3.2  边缘高斯分布
    2.3.3  高斯变量的贝叶斯定理
    2.3.4  高斯分布的最大似然估计
    2.3.5  序贯估计
    2.3.6  高斯分布的贝叶斯推断
    2.3.7  学生t分布
    2.3.8  周期变量
    2.3.9  高斯混合模型
  2.4  指数族分布
    2.4.1  最大似然估计与充分统计量
    2.4.2  共轭先验
    2.4.3  无信息先验
  2.5  非参数方法
    2.5.1  核密度估计
    2.5.2  最近邻方法
  习题
第3章  线性回归模型
  3.1  线性基函数模型
    3.1.1  最大似然估计与最小二乘法
    3.1.2  最小二乘解的几何解释
    3.1.3  序贯学习
    3.1.4  正则化最小二乘法
    3.1.5  多重输出

  3.2  偏差-方差分解
  3.3  贝叶斯线性回归模型
    3.3.1  参数分布
    3.3.2  预测分布
    3.3.3  等效核
  3.4  贝叶斯模型比较
  3.5  证据近似
    3.5.1  计算证据函数
    3.5.2  最大化证据函数
    3.5.3  有效参数量
  3.6  固定基函数的局限性
  习题
第4章  线性分类模型
  4.1  判别函数
    4.1.1  二分类
    4.1.2  多分类
  ……
第5章  神经网络
第6章  核方法
第7章  稀疏核机
第8章  图模型
第9章  混合模型和EM算法
第10章  近似推断
第11章  采样方法
第12章  连续潜变量
第13章  序列数据
第14章  模型组合
附录A  数据集
附录B  概率分布
附录C  矩阵性质
附录D  变分法
附录E  拉格朗日乘子法
参考资料
索引

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目