《统计机器学习导论》对机器学习的关键知识点进行了全面讲解,帮助读者顺利完成从理论到实践的过渡。书中首先介绍用于描述机器学习算法的统计与概率的知识,接着详细分析机器学习技术的两类主要方法——生成方法和判别方法,后深入研究了如何使机器学习算法在实际应用中发挥更大的作用。本书提供程序源代码,便于读者进行数据分析实践。
本书适合高等院校计算机、统计等专业的研究生和高年级本科生阅读,同时也适合相关领域的技术人员参考。
目录
- 第一部分绪论
- 第1章统计机器学习
- 第二部分概率与统计
- 第2章随机变量与概率分布
- 第3章离散概率分布的实例
- 第4章连续概率分布的实例
- 第5章多维概率分布
- 第6章多维概率分布的实例
- 第7章独立随机变量之和
- 第8章概率不等式
- 第9章统计估计
- 第10章假设检验
- 第三部分统计模式识别的生成式方法
- 第11章通过生成模型估计的模式识别
- 第12章极大似然估计
- 第13章极大似然估计的性质
- 第14章极大似然估计的模型选择
- 第15章高斯混合模型的极大似然估计
- 第16章非参数估计
- 第17章贝叶斯推理
- 第18章边缘相似的解析近似
- 第19章预测分布的数值近似
- 第20章贝叶斯混合模型
- 第四部分统计机器学习的判别式方法
- 第21章学习模型
- 第22章最小二乘回归
- 第23章具有约束的最小二乘回归
- 第24章稀疏回归
- 第25章稳健回归
- 第26章最小二乘分类器