当前位置:主页 > 计算机电子书 > 人工智能 > 人工智能下载
机器学习导论

机器学习导论 PDF 第2版

  • 更新:2019-08-03
  • 大小:77.7 MB
  • 类别:人工智能
  • 作者:Ethem、Alpaydin
  • 出版:机械工业出版社
  • 格式:PDF

  • 资源介绍
  • 相关推荐

机器学习导论 PDF

机器学习导论(原书第2版)》讨论了机器学习在统计学、模式识别、神经网络、人工智能、信号处理等不同领域的应用,其中涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、多层感知器、局部模型、隐马尔可夫模型、分类算法评估和比较以及增强学习。

《机器学习导论(原书第2版)》可供完成计算机程序设计、概率论、微积分和线性代数课程的高年级本科生和研究生使用,也可供对机器学习感兴趣的工程技术人员参考。

近期始终在看Duda 英文版的模式分类,看的很头疼,在图书管遇到了这这书,能够 用于提升信心,觉得这这书的许多层面很Duda的书很类似,乃至许多內容立即就是说引证的Duda的书,內容过度精减,只有益处是将会出书的時间较为晚,提及了许多Duda的书里边沒有的较为最前沿的专业知识。

的确只有当导论用。

这这书內容详细介绍的较为全方位,深度学习的各个领域都进而涉及到,但更是由于全,该书也免不了保证各个领域的深层次详细介绍。置于汉语翻译,本人感觉可以,一些地区不太通畅,绝大多数汉语翻译的算是能够 。书中也是许多有不正确的地区,包含关系式,但用心阅读文章,这种不会后患,应当是著作人笔误罢了。读了的是汉化版其次版,大概找了好多个后边章节目录的不正确,第13章中关系式13-12,在其中β是加法噪音的精密度,应改成epsilon是加法噪音的精密度。随后下边的1个几率p听从正太遍布, p中的也相对改成epsilon. 第18章中16.5.1节链 pi(x)=P(E^+|X),应改成pi(x)=P(X|E^+). 关系式16.17 P(E^- X)应改成P(E^-|X)。就先强调这好多个不正确吧。别的不正确,也都很容易找到。总的来说,该书做为新手入门还非常好。在其中假如对关系式计算非常关心的同学们,能够 融合李航的统计学习方法看来。李老师书,较为重视关系式计算。有关深度学习定义的表述过少,恰好与该书能够 相辅相成一下下。李老师的书也称得上汉语深度学习的经典书籍之首。

目录

  • Introduction to Machine Learning,Second Edition
  • 出版者的话
  • 中文版序
  • 译者序
  • 前言
  • 致谢
  • 关于第2版
  • 符号表
  • 第1章 绪论1
  • 1.1 什么是机器学习1
  • 1.2 机器学习的应用实例3
  • 1.2.1 学习关联性3
  • 1.2.2 分类3
  • 1.2.3 回归6
  • 1.2.4 非监督学习7
  • 1.2.5 增强学习8
  • 1.3 注释8
  • 1.4 相关资源10
  • 1.5 习题11
  • 1.6 参考文献12
  • 第2章 监督学习13
  • 2.1 由实例学习类13
  • 2.2 VC维15
  • 2.3 概率逼近正确学习16
  • 2.4 噪声17
  • 2.5 学习多类18
  • 2.6 回归19
  • 2.7 模型选择与泛化21
  • 2.8 监督机器学习算法的维23
  • 2.9 注释24
  • 2.10 习题25
  • 2.11 参考文献25
  • 第3章 贝叶斯决策定理27
  • 3.1 引言27
  • 3.2 分类28
  • 3.3 损失与风险29
  • 3.4 判别式函数31
  • 3.5 效用理论31
  • 3.6 关联规则32
  • 3.7 注释33
  • 3.8 习题33
  • 3.9 参考文献34
  • 第4章 参数方法35
  • 4.1 引言35
  • 4.2 最大似然估计35
  • 4.2.1 伯努利密度36
  • 4.2.2 多项密度36
  • 4.2.3 高斯(正态)密度37
  • 4.3 评价估计:偏倚和方差37
  • 4.4 贝叶斯估计38
  • 4.5 参数分类40
  • 4.6 回归43
  • 4.7 调整模型的复杂度:偏倚/方差两难选择45
  • 4.8 模型选择过程47
  • 4.9 注释50
  • 4.10 习题50
  • 4.11 参考文献51
  • 第5章 多元方法52
  • 5.1 多元数据52
  • 5.2 参数估计52
  • 5.3 缺失值估计53
  • 5.4 多元正态分布54
  • 5.5 多元分类56
  • 5.6 调整复杂度59
  • 5.7 离散特征61
  • 5.8 多元回归62
  • 5.9 注释63
  • 5.10 习题63
  • 5.11 参考文献64
  • 第6章 维度归约65
  • 6.1 引言65
  • 6.2 子集选择65
  • 6.3 主成分分析67
  • 6.4 因子分析71
  • 6.5 多维定标75
  • 6.6 线性判别分析77
  • 6.7 等距特征映射80
  • 6.8 局部线性嵌入81
  • 6.9 注释83
  • 6.10 习题84
  • 6.11 参考文献85
  • 第7章 聚类86
  • 7.1 引言86
  • 7.2 混合密度86
  • 7.3 k-均值聚类87
  • 7.4 期望最大化算法90
  • 7.5 潜在变量混合模型93
  • 7.6 聚类后的监督学习94
  • 7.7 层次聚类95
  • 7.8 选择簇个数96
  • 7.9 注释96
  • 7.10 习题97
  • 7.11 参考文献97
  • 第8章 非参数方法99
  • 8.1 引言99
  • 8.2 非参数密度估计99
  • 8.2.1 直方图估计100
  • 8.2.2 核估计101
  • 8.2.3 k最近邻估计102
  • 8.3 到多元数据的推广103
  • 8.4 非参数分类104
  • 8.5 精简的最近邻105
  • 8.6 非参数回归:光滑模型106
  • 8.6.1 移动均值光滑106
  • 8.6.2 核光滑108
  • 8.6.3 移动线光滑108
  • 8.7 如何选择光滑参数109
  • 8.8 注释110
  • 8.9 习题111
  • 8.10 参考文献112
  • 第9章 决策树113
  • 9.1 引言113
  • 9.2 单变量树114
  • 9.2.1 分类树114
  • 9.2.2 回归树118
  • 9.3 剪枝119
  • 9.4 由决策树提取规则120
  • 9.5 由数据学习规则121
  • 9.6 多变量树124
  • 9.7 注释125
  • 9.8 习题126
  • 9.9 参考文献127
  • 第10章 线性判别式129
  • 10.1 引言129
  • 10.2 推广线性模型130
  • 10.3 线性判别式的几何意义131
  • 10.3.1 两类问题131
  • 10.3.2 多类问题132
  • 10.4 逐对分离132
  • 10.5 参数判别式的进一步讨论133
  • 10.6 梯度下降135
  • 10.7 逻辑斯谛判别式135
  • 10.7.1 两类问题135
  • 10.7.2 多类问题138
  • 10.8 回归判别式141
  • 10.9 注释142
  • 10.10 习题143
  • 10.11 参考文献143
  • 第11章 多层感知器144
  • 11.1 引言144
  • 11.1.1 理解人脑144
  • 11.1.2 神经网络作为并行处理的典范145
  • 11.2 感知器146
  • 11.3 训练感知器148
  • 11.4 学习布尔函数150
  • 11.5 多层感知器151
  • 11.6 作为普适近似的MLP153
  • 11.7 后向传播算法154
  • 11.7.1 非线性回归154
  • 11.7.2 两类判别式157
  • 11.7.3 多类判别式158
  • 11.7.4 多个隐藏层158
  • 11.8 训练过程158
  • 11.8.1 改善收敛性158
  • 11.8.2 过分训练159
  • 11.8.3 构造网络161
  • 11.8.4 线索162
  • 11.9 调整网络规模163
  • 11.10 学习的贝叶斯观点164
  • 11.11 维度归约165
  • 11.12 学习时间167
  • 11.12.1 时间延迟神经网络167
  • 11.12.2 递归网络168
  • 11.13 注释169
  • 11.14 习题170
  • 11.15 参考文献170
  • 第12章 局部模型173
  • 12.1 引言173
  • 12.2 竞争学习173
  • 12.2.1 在线k-均值173
  • 12.2.2 自适应共鸣理论176
  • 12.2.3 自组织映射177
  • 12.3 径向基函数178
  • 12.4 结合基于规则的知识182
  • 12.5 规范化基函数182
  • 12.6 竞争的基函数184
  • 12.7 学习向量量化186
  • 12.8 混合专家模型186
  • 12.8.1 协同专家模型188
  • 12.8.2 竞争专家模型188
  • 12.9 层次混合专家模型189
  • 12.10 注释189
  • 12.11 习题190
  • 12.12 参考文献190
  • 第13章 核机器192
  • 13.1 引言192
  • 13.2 最佳分离超平面193
  • 13.3 不可分情况:软边缘超平面195
  • 13.4 v-SVM197
  • 13.5 核技巧198
  • 13.6 向量核199
  • 13.7 定义核200
  • 13.8 多核学习201
  • 13.9 多类核机器202
  • 13.10 用于回归的核机器203
  • 13.11 一类核机器206
  • 13.12 核维度归约208
  • 13.13 注释209
  • 13.14 习题209
  • 13.15 参考文献210
  • 第14章 贝叶斯估计212
  • 14.1 引言212
  • 14.2 分布参数的估计213
  • 14.2.1 离散变量213
  • 14.2.2 连续变量215
  • 14.3 函数参数的贝叶斯估计216
  • 14.3.1 回归216
  • 14.3.2 基函数或核函数的使用218
  • 14.3.3 贝叶斯分类219
  • 14.4 高斯过程221
  • 14.5 注释223
  • 14.6 习题224
  • 14.7 参考文献224
  • 第15章 隐马尔可夫模型225
  • 15.1 引言225
  • 15.2 离散马尔可夫过程225
  • 15.3 隐马尔可夫模型227
  • 15.4 HMM的三个基本问题229
  • 15.5 估值问题229
  • 15.6 寻找状态序列231
  • 15.7 学习模型参数233
  • 15.8 连续观测235
  • 15.9 带输入的HMM236
  • 15.10 HMM中的模型选择236
  • 15.11 注释237
  • 15.12 习题238
  • 15.13 参考文献239
  • 第16章 图方法240
  • 16.1 引言240
  • 16.2 条件独立的典型情况241
  • 16.3 图模型实例245
  • 16.3.1 朴素贝叶斯分类245
  • 16.3.2 隐马尔可夫模型246
  • 16.3.3 线性回归248
  • 16.4 d-分离248
  • 16.5 信念传播249
  • 16.5.1 链249
  • 16.5.2 树250
  • 16.5.3 多树251
  • 16.5.4 结树252
  • 16.6 无向图:马尔可夫随机场253
  • 16.7 学习图模型的结构254
  • 16.8 影响图255
  • 16.9 注释255
  • 16.10 习题256
  • 16.11 参考文献256
  • 第17章 组合多学习器258
  • 17.1 基本原理258
  • 17.2 产生有差异的学习器258
  • 17.3 模型组合方案260
  • 17.4 投票法261
  • 17.5 纠错输出码263
  • 17.6 装袋265
  • 17.7 提升265
  • 17.8 重温混合专家模型267
  • 17.9 层叠泛化268
  • 17.10 调整系综268
  • 17.11 级联269
  • 17.12 注释270
  • 17.13 习题271
  • 17.14 参考文献272
  • 第18章 增强学习275
  • 18.1 引言275
  • 18.2 单状态情况:K臂赌博机问题276
  • 18.3 增强学习基础277
  • 18.4 基于模型的学习278
  • 18.4.1 价值迭代279
  • 18.4.2 策略迭代279
  • 18.5 时间差分学习280
  • 18.5.1 探索策略280
  • 18.5.2 确定性奖励和动作280
  • 18.5.3 非确定性奖励和动作282
  • 18.5.4 资格迹283
  • 18.6 推广285
  • 18.7 部分可观测状态286
  • 18.7.1 场景286
  • 18.7.2 例子:老虎问题287
  • 18.8 注释290
  • 18.9 习题291
  • 18.10 参考文献292
  • 第19章 机器学习实验的设计与分析294
  • 19.1 引言294
  • 19.2 因素、响应和实验策略296
  • 19.3 响应面设计297
  • 19.4 随机化、重复和阻止298
  • 19.5 机器学习实验指南298
  • 19.6 交叉验证和再抽样方法300
  • 19.6.1 K-折交叉验证300
  • 19.6.2 5×2交叉验证301
  • 19.6.3 自助法302
  • 19.7 度量分类器的性能302
  • 19.8 区间估计304
  • 19.9 假设检验307
  • 19.10 评估分类算法的性能308
  • 19.10.1 二项检验308
  • 19.10.2 近似正态检验309
  • 19.10.3 t检验309
  • 19.11 比较两个分类算法309
  • 19.11.1 McNemar检验310
  • 19.11.2 K-折交叉验证配对t检验310
  • 19.11.3 5×2交叉验证配对t检验311
  • 19.11.4 5×2交叉验证配对F检验311
  • 19.12 比较多个算法:方差分析312
  • 19.13 在多个数据集上比较315
  • 19.13.1 比较两个算法315
  • 19.13.2 比较多个算法317
  • 19.14 注释317
  • 19.15 习题318
  • 19.16 参考文献319
  • 附录A 概率论320
  • 索引328

资源下载

资源下载地址1:https://pan.baidu.com/s/1QGsZ-cOG_FYIStNEspcaAg

相关资源

网友留言