掃一掃
關(guān)注中圖網(wǎng)
官方微博
買過本商品的人還買了
模式識別與機(jī)器學(xué)習(xí) 版權(quán)信息
- ISBN：9787302558927
- 條形碼：9787302558927 ; 978-7-302-55892-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
模式識別與機(jī)器學(xué)習(xí) 本書特色
通俗易懂，配有典型示例 ?? 圖文并茂，配有近100幅直觀示意圖 ?? 算法清晰，做到知其然和知其所以然 ?? 富有深度，包含重要模型擴(kuò)展 ?? 完整性好，附有重要數(shù)學(xué)基礎(chǔ) ?? 配套全面，教學(xué)和學(xué)習(xí)無憂
模式識別與機(jī)器學(xué)習(xí) 內(nèi)容簡介
模式識別與機(jī)器學(xué)習(xí)系統(tǒng)介紹了模式識別與機(jī)器學(xué)習(xí)的基礎(chǔ)理論、模型與算法，同時兼顧了前沿知識的適當(dāng)融入。本書以貝葉斯學(xué)習(xí)的思想貫穿始終，并適時與其他重要知識點（如支持向量機(jī)、深度學(xué)習(xí)）等進(jìn)行交叉和關(guān)聯(lián)，便于讀者在形成良好知識體系的同時保持對整個領(lǐng)域知識的全面把握。 全書共14章和4個附錄，循序漸進(jìn)地對模式識別與機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)行剖析。首先介紹貝葉斯學(xué)習(xí)基礎(chǔ)、邏輯回歸、概率圖模型基礎(chǔ)、隱馬爾可夫模型和條件隨機(jī)場，接著介紹支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、高斯過程、聚類、主成分分析與相關(guān)的譜方法，很后介紹確定性近似推理、隨機(jī)近似推理和強(qiáng)化學(xué)習(xí)。附錄包括傳統(tǒng)的模式識別與機(jī)器學(xué)習(xí)方法近鄰法和決策樹，還有向量微積分和隨機(jī)變量的變換等與本學(xué)科方向強(qiáng)相關(guān)的重要知識點。 本書內(nèi)容深入淺出，生動有趣，力求反映這一領(lǐng)域的核心知識體系和新的發(fā)展趨勢。每章內(nèi)容都盡可能做到豐富完整，并附有思考與計算題，便于讀者對知識的鞏固和融會貫通。 本書適合作為本科生和研究生（碩/博）課程的教材，也可作為希望從事人工智能相關(guān)工作的科技工作者的自學(xué)參考書。
模式識別與機(jī)器學(xué)習(xí) 目錄
目錄
第1章引言1
1.1基本概念1
1.1.1投票選舉2
1.1.2三個小皮匠勝過諸葛亮3
1.1.3主動學(xué)習(xí)4
1.2典型的機(jī)器學(xué)習(xí)系統(tǒng)5
1.2.1醫(yī)學(xué)圖像診斷5
1.2.2時間序列識別6
1.2.3對話系統(tǒng)7
1.2.4異常檢測8
1.3前沿研究方向舉例9
1.3.1多視圖機(jī)器學(xué)習(xí)9
1.3.2強(qiáng)化學(xué)習(xí)11
1.3.3可信人工智能11
1.4后續(xù)章節(jié)安排13
參考文獻(xiàn)13
第2章貝葉斯學(xué)習(xí)基礎(chǔ)15
2.1貝葉斯公式16
2.2貝葉斯決策18
2.2.1*小錯誤率貝葉斯決策18
2.2.2*小風(fēng)險貝葉斯決策21
2.3分類器的相關(guān)概念23
2.3.1分類器、判別函數(shù)和決策面24
2.3.2分類器的錯誤率25
2.4基于高斯分布的貝葉斯分類器26
2.5樸素貝葉斯分類器32
2.6參數(shù)估計33
2.6.1*大似然估計33
2.6.2*大后驗估計35
2.6.3期望*大化算法36
2.6.4貝葉斯參數(shù)估計37
思考與計算38
參考文獻(xiàn)39
第3章邏輯回歸40
3.1線性回歸41
3.1.1*小二乘與*大似然44
3.1.2正則化*小二乘與*大后驗47
3.2貝葉斯線性回歸50
3.3邏輯回歸52
3.3.1二類邏輯回歸52
3.3.2多類邏輯回歸55
3.4貝葉斯邏輯回歸56
思考與計算60
參考文獻(xiàn)60
第4章概率圖模型基礎(chǔ)61
4.1有向圖模型63
4.1.1模型表示63
4.1.2條件獨立性65
4.1.3常見的有向圖模型71
4.2無向圖模型73
4.2.1模型表示73
4.2.2條件獨立性74
4.2.3常見的無向圖模型81
4.3圖模型中的推理82
4.3.1鏈?zhǔn)浇Y(jié)構(gòu)82
4.3.2樹結(jié)構(gòu)84
4.3.3因子圖84
4.3.4和積算法85
4.3.5*大和算法92
思考與計算94
參考文獻(xiàn)95
第5章隱馬爾可夫模型96
5.1模型表示97
5.2模型推理100
5.2.1邊緣似然的推理101
5.2.2隱狀態(tài)序列的推理107
5.2.3隱狀態(tài)邊緣后驗的推理108
5.3參數(shù)學(xué)習(xí)109
5.4模型擴(kuò)展111
思考與計算115
參考文獻(xiàn)116
第6章條件隨機(jī)場117
6.1模型表示118
6.1.1線性鏈條件隨機(jī)場120
6.1.2一般的條件隨機(jī)場121
6.1.3條件隨機(jī)場的特征函數(shù)122
6.2模型推理124
6.2.1前向—后向算法125
6.2.2維特比算法129
6.3參數(shù)學(xué)習(xí)130
6.4線性鏈條件隨機(jī)場與隱馬爾可夫模型132
6.5模型擴(kuò)展133
思考與計算133
參考文獻(xiàn)134
第7章支持向量機(jī)135
7.1大間隔原理136
7.2基本分類模型137
7.3拉格朗日對偶優(yōu)化138
7.4線性不可分?jǐn)?shù)據(jù)的分類140
7.4.1松弛變量140
7.4.2核方法142
7.5支持向量機(jī)回歸144
7.6模型擴(kuò)展146
思考與計算146
參考文獻(xiàn)147
第8章人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)148
8.1感知機(jī)149
8.2多層神經(jīng)網(wǎng)絡(luò)151
8.2.1神經(jīng)元151
8.2.2多層神經(jīng)網(wǎng)絡(luò)模型153
8.2.3反向傳播算法155
8.3深度神經(jīng)網(wǎng)絡(luò)159
8.3.1淺層與深度神經(jīng)網(wǎng)絡(luò)159
8.3.2過擬合問題160
8.3.3局部極值問題162
8.3.4梯度消失問題163
8.4常用的深度神經(jīng)網(wǎng)絡(luò)166
8.4.1自編碼網(wǎng)絡(luò)166
8.4.2深度玻爾茲曼機(jī)168
8.4.3深度信念網(wǎng)絡(luò)169
8.4.4卷積神經(jīng)網(wǎng)絡(luò)170
8.4.5循環(huán)神經(jīng)網(wǎng)絡(luò)174
8.4.6Transformer177
思考與計算180
參考文獻(xiàn)181
第9章高斯過程183
9.1高斯過程的定義184
9.2高斯過程回歸模型185
9.2.1權(quán)重空間185
9.2.2函數(shù)空間189
9.3高斯過程分類模型192
9.3.1模型表示193
9.3.2近似推理方法195
9.4高斯過程與支持向量機(jī)199
9.5高斯過程與人工神經(jīng)網(wǎng)絡(luò)200
9.6模型擴(kuò)展201
思考與計算203
參考文獻(xiàn)203
第10章聚類205
10.1K均值聚類206
10.1.1算法介紹206
10.1.2模糊K均值聚類209
10.2譜聚類210
10.3高斯混合模型聚類217
10.3.1模型表示217
10.3.2模型推理與參數(shù)估計218
10.3.3無限高斯混合模型219
思考與計算222
參考文獻(xiàn)223
第11章主成分分析與相關(guān)的譜方法224
11.1主成分分析225
11.1.1*大化方差225
11.1.2*小化誤差227
11.1.3主成分分析與KL變換229
11.2概率PCA230
11.3核PCA232
11.4相關(guān)的譜方法234
11.4.1線性判別分析234
11.4.2典型相關(guān)分析237
思考與計算242
參考文獻(xiàn)243
第12章確定性近似推理244
12.1近似推理的應(yīng)用場景245
12.2拉普拉斯近似245
12.3變分平均場近似247
12.3.1基本理論247
12.3.2相關(guān)問題250
12.4期望傳播近似253
12.4.1基本理論253
12.4.2相關(guān)問題256
思考與計算259
參考文獻(xiàn)259
第13章隨機(jī)近似推理260
13.1采樣方法的評價標(biāo)準(zhǔn)261
13.2基本的采樣方法262
13.2.1均勻采樣變換263
13.2.2拒絕采樣264
13.2.3重要性采樣265
13.3馬爾可夫鏈蒙特卡洛267
13.3.1MetropolisHastings采樣267
13.3.2Gibbs采樣269
13.3.3切片采樣271
13.3.4哈密爾頓蒙特卡洛采樣274
思考與計算277
參考文獻(xiàn)278
第14章強(qiáng)化學(xué)習(xí)280
14.1基本概念與理論基礎(chǔ)281
14.2規(guī)劃: 有環(huán)境模型的預(yù)測與控制286
14.2.1策略迭代287
14.2.2值迭代288
14.3無環(huán)境模型的控制: 基于值函數(shù)290
14.3.1蒙特卡洛控制291
14.3.2時序差分控制: SARSA292
14.3.3基于Q學(xué)習(xí)的異策略控制293
14.3.4基于Q學(xué)習(xí)的深度Q網(wǎng)絡(luò)控制295
14.4無環(huán)境模型的控制: 基于策略296
14.4.1蒙特卡洛策略梯度法和REINFORCE算法297
14.4.2行動者—評論者算法299
思考與計算300
參考文獻(xiàn)301
附錄A近鄰法302
A.1*近鄰法302
A.2*近鄰法的錯誤率分析302
A.3k近鄰法305
參考文獻(xiàn)306
附錄B決策樹307
B.1基本原理307
B.2信息增益和信息增益比309
B.3代表性算法311
參考文獻(xiàn)313
附錄C向量微積分314
C.1向量微分314
C.1.1常用定義314
C.1.2求導(dǎo)規(guī)則316
C.2向量積分319
參考文獻(xiàn)322
附錄D隨機(jī)變量的變換323
D.1概率密度中的變量變換323
D.2期望中的變量變換326
參考文獻(xiàn)327
展開全部
模式識別與機(jī)器學(xué)習(xí) 作者簡介
孫仕亮，清華大學(xué)博士，華東師范大學(xué)教授。在華東師范大學(xué)從事研究工作，主講本科和研究生“模式識別與機(jī)器學(xué)習(xí)”“高級機(jī)器學(xué)習(xí)”等課程，并在英國倫敦大學(xué)學(xué)院、美國哥倫比亞大學(xué)從事訪問合作研究。在模式識別與機(jī)器學(xué)習(xí)領(lǐng)域的國際著名期刊和會議發(fā)表學(xué)術(shù)論文100余篇，承擔(dān)多項國j級、省部級科研項目及國際知名企業(yè)的合作研究項目，研究成果多次獲得省部級科學(xué)技術(shù)獎勵。 ?? 趙靜，華東師范大學(xué)博士，講師。從事模式識別與機(jī)器學(xué)習(xí)領(lǐng)域的研究，包括概率模型、貝葉斯學(xué)習(xí)、近似推理與優(yōu)化。主講研究生“高級機(jī)器學(xué)習(xí)”和本科生“可信機(jī)器學(xué)習(xí)”等課程。入選上海市2016年度“揚帆計劃”和2019年度“晨光計劃”。發(fā)表論文近20篇，代表性成果發(fā)表于JMLR、T-CYB、IJCAI等國際頂j期刊和會議。
書友推薦
- >
煙與鏡
- >
自卑與超越
- >
月亮與六便士
- >
名家?guī)阕x魯迅:朝花夕拾
- >
唐代進(jìn)士錄
- >
推拿
- >
龍榆生：詞曲概論/大家小書
- >
姑媽的寶刀
本類暢銷
