×
超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

关闭
暂无评论
图文详情
  • ISBN:9787115388025
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:32开
  • 页数:226
  • 出版时间:2021-08-01
  • 条形码:9787115388025 ; 978-7-115-38802-5

本书特色

187张图解轻松入门 提供可执行的Matlab程序代码 覆盖机器学习中实用、用途广的算法 专业实用 东京大学教授、机器学习研究人员执笔,浓缩机器学习的关键知识点 图文并茂 187张图示帮助理解,详略得当,为读懂大部头开路。 角度新颖 基于ZUI小二乘法讲解各种有监督学习的回归和分类算法,以及无监督学习算法。 实战导向 配有可执行的MATLAB程序代码,边学习边实践。

内容简介

    《图解机器学习》用丰富的图示,从ZUI小二乘法出发,对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况;第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法;第Ⅳ部分介绍了各种监督学习算法;第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码,可以用来进行简单的测试。

目录

目录

第I部分 绪 论
第 1章 什么是机器学习 2
1.1 学习的种类  2
1.2 机器学习任务的例子  4
1.3 机器学习的方法  8
第 2章 学习模型 12
2.1 线性模型  12
2.2 核模型  15
2.3 层级模型  17
第II部分 有监督回归
第3章 **小二乘学习法 22
3.1 **小二乘学习法  22
3.2 **小二乘解的性质  25
3.3 大规模数据的学习算法  27
第4章带有约束条件的**小二乘法 31
4.1 部分空间约束的**小二乘学习法  31
4.2 l2 约束的**小二乘学习法  33
4.3 模型选择  37
第5章 稀疏学习 43
5.1 l1 约束的**小二乘学习法  43
5.2 l1 约束的**小二乘学习的求解方法  45
5.3 通过稀疏学习进行特征选择  50
5.4 lp约束的**小二乘学习法  51
5.5 l1+l2 约束的**小二乘学习法  52
第6章 鲁棒学习 55
6.1 l1 损失**小化学习  56
6.2 Huber损失**小化学习  58
6.3 图基损失**小化学习  63
6.4 l1 约束的Huber损失**小化学习  65
第III部分 有监督分类
第7章 基于**小二乘法的分类 70
7.1 **小二乘分类  70
7.2 0/1 损失和间隔  73
7.3 多类别的情形  76
第8章 支持向量机分类 80
8.1 间隔**大化分类  80
8.2 支持向量机分类器的求解方法  83
8.3 稀疏性  86
8.4 使用核映射的非线性模型  88
8.5 使用Hinge损失**小化学习来解释  90
8.6 使用Ramp损失的鲁棒学习  93
第9章 集成分类 98
9.1 剪枝分类  98
9.2 Bagging学习法  101
9.3 Boosting 学习法  105
第 10章 概率分类法 112
10.1 Logistic回归  112
10.2 **小二乘概率分类  116
第 11 章序列数据的分类 121
11.1 序列数据的模型化  122
11.2 条件随机场模型的学习  125
11.3 利用条件随机场模型对标签序列进行预测  128
第IV部分 无监督学习
第 12章 异常检测 132
12.1 局部异常因子  132
12.2 支持向量机异常检测  135
12.3 基于密度比的异常检测  137
第 13章 无监督降维 143
13.1 线性降维的原理  144
13.2 主成分分析  146
13.3 局部保持投影  148
13.4 核函数主成分分析  152
13.5 拉普拉斯特征映射  155
第 14章 聚类 158
14.1 K均值聚类  158
14.2 核K均值聚类  160
14.3 谱聚类  161
14.4 调整参数的自动选取  163
第V部分 新兴机器学习算法
第 15章 在线学习 170
15.1 被动攻击学习  170
15.2 适应正则化学习  176
第 16章 半监督学习 181
16.1 灵活应用输入数据的流形构造  182
16.2 拉普拉斯正则化**小二乘学习的求解方法  183
16.3 拉普拉斯正则化的解释  186
第 17章 监督降维 188
17.1 与分类问题相对应的判别分析  188
17.2 充分降维  195
第 18章 迁移学习 197
18.1 协变量移位下的迁移学习  197
18.2 类别平衡变化下的迁移学习  204
第 19章 多任务学习 212
19.1 使用**小二乘回归的多任务学习  212
19.2 使用**小二乘概率分类器的多任务学习  215
19.3 多次维输出函数的学习  216
第VI部分 结 语
第 20章 总结与展望 222
参考文献  225
展开全部

作者简介

  杉山将,1974年生于大阪。东京工业大学计算机工程学博士毕业,现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发,以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。 许永伟,2009年赴东京大学攻读博士学位,现于东京大学空间信息科学研究所从事博士后研究(特任研究员)。主要研究方向为模式识别与机器学习、图像处理与计算机视觉,对数据挖掘、大数据和信息架构有浓厚兴趣。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航