中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
統計學習方法-(第2版) 版權信息
- ISBN：9787302517276
- 條形碼：9787302517276 ; 978-7-302-51727-6
- 裝幀：一般輕型紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
統計學習方法-(第2版) 本書特色
統計學習方法即機器學習方法，是計算機及其應用領域的一門重要學科。
本書分為監督學 習和無監督學習兩篇，全面系統地介紹了統計學習的主要方法。
包括感知機、k 近鄰法、樸素貝 葉斯法、決策樹、邏輯斯諦回歸與*熵模型、
支持向量機、提升方法、EM 算法、隱馬爾可夫 模型和條件隨機場，以及聚類方法、
奇異值分解、主成分分析、潛在語義分析、概率潛在語義分 析、馬爾可夫鏈蒙特卡羅法、
潛在狄利克雷分配和 PageRank 算法等。除有關統計學習、監督學 習和無監督學習的概
論和總結的四章外，每章介紹一種方法。敘述力求從具體問題或實例入手， 由淺入深，
闡明思路，給出必要的數學推導，便于讀者掌握統計學習方法的實質，學會運用。
為滿足讀者進一步學習的需要，書中還介紹了一些相關研究，給出了少量習題，統計學習方法即機器學習方法，是計算機及其應用領域的一門重要學科。
本書分為監督學 習和無監督學習兩篇，全面系統地介紹了統計學習的主要方法。
包括感知機、k 近鄰法、樸素貝 葉斯法、決策樹、邏輯斯諦回歸與*熵模型、
支持向量機、提升方法、EM 算法、隱馬爾可夫 模型和條件隨機場，以及聚類方法、
奇異值分解、主成分分析、潛在語義分析、概率潛在語義分 析、馬爾可夫鏈蒙特卡羅法、
潛在狄利克雷分配和 PageRank 算法等。除有關統計學習、監督學 習和無監督學習的概
論和總結的四章外，每章介紹一種方法。敘述力求從具體問題或實例入手， 由淺入深，
闡明思路，給出必要的數學推導，便于讀者掌握統計學習方法的實質，學會運用。
為滿足讀者進一步學習的需要，書中還介紹了一些相關研究，給出了少量習題，
列出了主要參 考文獻。 本書是統計機器學習及相關課程的教學參考書，
適用于高等院校文本數據挖掘、信
息檢索及自然語言處理等專業的大學生、
研究生，也可供從事計算機應用相關專業的研發人員 參考。
統計學習方法-(第2版) 內容簡介
隨著人工智能和大數據在社會各行各業的廣泛應用，統計學習方法已經成為人們急需了解與掌握的熱門知識與技術。本書為具有高等數學、線性代數和概率統計基礎知識的人們提供了一本統計機器學習的基本讀物。2012年的*版敘述了一批重要和常用的主要是監督學習的方法，受到廣大讀者的歡迎，已加印十三萬多冊。第二版主要增加了無監督學習的內容，包括近十種統計學習方法，使讀者能夠更好地了解和掌握統計機器學習這門新興學科。
統計學習方法-(第2版) 目錄
目錄
**篇 監督學習
第二篇 無監督學習
第13章 無監督學習概論
13.1.1 無監督學習基本原理
13.1.2 基本問題
13.1.3 機器學習三要素
13.1.4 無監督學習方法
第14章 聚類方法
14.1 聚類的基本概念
14.1.1 相似度或距離
14.1.2 類或簇
14.1.3 類與類之間的距離
14.2 層次聚類
14.3 k均值聚類
14.3.1 模型
14.3.2 策略
14.3.3 算法
14.3.4 算法特點
本章概要
繼續閱讀
習題
參考文獻
第15章 奇異值分解
15.1 奇異值分解的定義與性質
15.1.1 定義與定理
15.1.2 緊奇異值分解與截斷奇異值分解
15.1.3 幾何解釋
15.1.4 主要性質
15.2 奇異值分解的計算
15.3 奇異值分解與矩陣近似
15.3.1 弗羅貝尼烏斯范數
15.3.2 矩陣的*優近似
15.3.3 矩陣的外積展開式
本章概要
繼續閱讀
習題
參考文獻
第16章 主成分分析
16.1 總體主成分分析
16.1.1 基本想法
16.1.2 定義和導出
16.1.3 主要性質
16.1.4 主成分的個數
16.1.5 規范化變量的總體主成分
16.2 樣本主成分分析
16.2.1 樣本主成分的定義和性質
16.2.2 相關矩陣的特征值分解算法
16.2.3 數據局正的奇異值分解算法
本章概要
繼續閱讀
習題
參考文獻
第17章 潛在語義分析
17.1 單詞向量空間與話題向量空間
17.1.1 單詞向量空間
17.1.2 話題向量空間
17.2 潛在語義分析算法
17.2.1 矩陣奇異值分解算法
17.2.2 例子
17.3 非負矩陣分解算法
17.3.1 非負矩陣分解
17.3.2 潛在語義分析模型
17.3.3 非負矩陣分解的形式化
17.3.4 算法
本章概要
繼續閱讀
習題
參考文獻
第18章 概率潛在語義分析
18.1 概率潛在語義分析模型
18.1.1 基本想法
18.1.2 生成模型
18.1.3 共現模型
18.1.4 模型性質
18.2 概率潛在語義分析的算法
本章概要
繼續閱讀
習題
參考文獻
第19章 馬爾可夫鏈蒙特卡羅法
19.1 蒙特卡羅法
19.1.1 隨機抽樣
19.1.2 數學期望估計
19.1.3 積分計算
19.2 馬爾可夫鏈
19.2.1 基本定義
19.2.2 離散狀態馬爾可夫鏈
19.2.3 連續狀態馬爾可夫鏈
19.2.4 馬爾可夫鏈的性質
19.3 馬爾可夫鏈蒙特卡羅法
19.3.1 基本想法
19.3.2 基本步驟
19.3.3 馬爾可夫鏈蒙特卡羅法與統計學習
19.4 Metropolis-Hastings算法
19.4.1 基本原理
19.4.2 Metropolis-Hastings算法
19.4.3 單分量Metropolis-Hastings算法
19.5 吉布斯抽樣
19.5.1 基本原理
19.5.2 吉布斯抽樣算法
19.5.3 抽樣計算
本章概要
繼續閱讀
習題
參考文獻
第20章 潛在狄利克雷分配
20.1 狄利克雷分布
20.1.1 分布定義
20.1.2 共軛先驗
20.2 潛在狄利克雷分配模型
20.2.1 基本想法
20.2.2 模型定義
20.2.3 概率圖模型
20.2.4 隨機變量序列的可交換性
20.2.5 概率公式
20.3 LDA的吉布斯抽樣算法
20.3.1 基本想法
20.3.2 算法的主要部分
20.3.3 算法的后處理
20.3.4 算法
20.4 LDA的變分EM算法
20.4.1 變分推理
20.4.2 變分EM算法
20.4.3 算法推導
20.4.4 算法總結
本章概要
繼續閱讀
習題
參考文獻
第21章 PageRank算法
21.1 PageRank的定義
21.1.1 基本想法
21.1.2 有向圖和隨機游走模型
21.1.3 PageRank的基本定義
21.1.4 PageRank的一般定義
21.2 PageRank的計算
21.2.1 迭代算法
21.2.2 冪法
21.3.3 代數算法
本章概要
繼續閱讀
習題
參考文獻
第22章 無監督學習方法總結
22.1 無監督學習方法的關系和特點
22.1.1 各種方法之間的關系
22.1.2 無監督學習方法
22.1.3 基礎及其學習方法
22.2 話題模型之間的關系和特點
參考文獻
附錄A 梯度下降法
附錄B 牛頓法和擬牛頓法
附錄C 拉格朗日對偶性
附錄D 矩陣的基本子空間
附錄E KL散度的定義和狄利克雷分布的性質
索引
**篇 監督學習
第二篇 無監督學習
第13章 無監督學習概論
13.1.1 無監督學習基本原理
13.1.2 基本問題
13.1.3 機器學習三要素
13.1.4 無監督學習方法
第14章 聚類方法
14.1 聚類的基本概念
14.1.1 相似度或距離
14.1.2 類或簇
14.1.3 類與類之間的距離
14.2 層次聚類
14.3 k均值聚類
14.3.1 模型
14.3.2 策略
14.3.3 算法
14.3.4 算法特點
本章概要
繼續閱讀
習題
參考文獻
第15章 奇異值分解
15.1 奇異值分解的定義與性質
15.1.1 定義與定理
15.1.2 緊奇異值分解與截斷奇異值分解
15.1.3 幾何解釋
15.1.4 主要性質
15.2 奇異值分解的計算
15.3 奇異值分解與矩陣近似
15.3.1 弗羅貝尼烏斯范數
15.3.2 矩陣的*優近似
15.3.3 矩陣的外積展開式
本章概要
繼續閱讀
習題
參考文獻
第16章 主成分分析
16.1 總體主成分分析
16.1.1 基本想法
16.1.2 定義和導出
16.1.3 主要性質
16.1.4 主成分的個數
16.1.5 規范化變量的總體主成分
16.2 樣本主成分分析
16.2.1 樣本主成分的定義和性質
16.2.2 相關矩陣的特征值分解算法
16.2.3 數據局正的奇異值分解算法
本章概要
繼續閱讀
習題
參考文獻
第17章 潛在語義分析
17.1 單詞向量空間與話題向量空間
17.1.1 單詞向量空間
17.1.2 話題向量空間
17.2 潛在語義分析算法
17.2.1 矩陣奇異值分解算法
17.2.2 例子
17.3 非負矩陣分解算法
17.3.1 非負矩陣分解
17.3.2 潛在語義分析模型
17.3.3 非負矩陣分解的形式化
17.3.4 算法
本章概要
繼續閱讀
習題
參考文獻
第18章 概率潛在語義分析
18.1 概率潛在語義分析模型
18.1.1 基本想法
18.1.2 生成模型
18.1.3 共現模型
18.1.4 模型性質
18.2 概率潛在語義分析的算法
本章概要
繼續閱讀
習題
參考文獻
第19章 馬爾可夫鏈蒙特卡羅法
19.1 蒙特卡羅法
19.1.1 隨機抽樣
19.1.2 數學期望估計
19.1.3 積分計算
19.2 馬爾可夫鏈
19.2.1 基本定義
19.2.2 離散狀態馬爾可夫鏈
19.2.3 連續狀態馬爾可夫鏈
19.2.4 馬爾可夫鏈的性質
19.3 馬爾可夫鏈蒙特卡羅法
19.3.1 基本想法
19.3.2 基本步驟
19.3.3 馬爾可夫鏈蒙特卡羅法與統計學習
19.4 Metropolis-Hastings算法
19.4.1 基本原理
19.4.2 Metropolis-Hastings算法
19.4.3 單分量Metropolis-Hastings算法
19.5 吉布斯抽樣
19.5.1 基本原理
19.5.2 吉布斯抽樣算法
19.5.3 抽樣計算
本章概要
繼續閱讀
習題
參考文獻
第20章 潛在狄利克雷分配
20.1 狄利克雷分布
20.1.1 分布定義
20.1.2 共軛先驗
20.2 潛在狄利克雷分配模型
20.2.1 基本想法
20.2.2 模型定義
20.2.3 概率圖模型
20.2.4 隨機變量序列的可交換性
20.2.5 概率公式
20.3 LDA的吉布斯抽樣算法
20.3.1 基本想法
20.3.2 算法的主要部分
20.3.3 算法的后處理
20.3.4 算法
20.4 LDA的變分EM算法
20.4.1 變分推理
20.4.2 變分EM算法
20.4.3 算法推導
20.4.4 算法總結
本章概要
繼續閱讀
習題
參考文獻
第21章 PageRank算法
21.1 PageRank的定義
21.1.1 基本想法
21.1.2 有向圖和隨機游走模型
21.1.3 PageRank的基本定義
21.1.4 PageRank的一般定義
21.2 PageRank的計算
21.2.1 迭代算法
21.2.2 冪法
21.3.3 代數算法
本章概要
繼續閱讀
習題
參考文獻
第22章 無監督學習方法總結
22.1 無監督學習方法的關系和特點
22.1.1 各種方法之間的關系
22.1.2 無監督學習方法
22.1.3 基礎及其學習方法
22.2 話題模型之間的關系和特點
參考文獻
附錄A 梯度下降法
附錄B 牛頓法和擬牛頓法
附錄C 拉格朗日對偶性
附錄D 矩陣的基本子空間
附錄E KL散度的定義和狄利克雷分布的性質
索引
展開全部
統計學習方法-(第2版) 作者簡介
李航，男，畢業于日本京都大學電氣電子工程系，日本東京大學獲得計算機科學博士學位。北京大學、南京大學兼職教授。曾任日本NEC公司中央研究所研究員，微軟亞洲研究院高級研究員與主任研究員、華為技術有限公司諾亞方舟實驗室主任。現任今日頭條人工智能實驗室主任。
書友推薦
- >
月亮與六便士
- >
名家帶你讀魯迅:朝花夕拾
- >
月亮虎
- >
上帝之肋:男人的真實旅程
- >
有舍有得是人生
- >
名家帶你讀魯迅:故事新編
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
