|
-- 會員 / 註冊 --
|
|
|
|
圖解機器學習 ( 簡體 字) |
作者:[日] 彬山將 | 類別:1. -> 程式設計 -> 機器學習 |
譯者: |
出版社:人民郵電出版社 | 3dWoo書號: 41298 詢問書籍請說出此書號!【缺書】 【不接受訂購】 |
出版日:4/1/2015 |
頁數:226 |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 簡體 版 ) |
|
【不接受訂購】 | ISBN:9787115388025-1 |
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
作者序: |
譯者序: |
前言: |
內容簡介: 《圖解機器學習》用豐富的圖示,從最小二乘法出發,對基于最小二乘法實現的各種機器學習算法進行了詳細的介紹。第Ⅰ部分介紹了機器學習領域的概況;第Ⅱ部分和第Ⅲ部分分別介紹了各種有監督的回歸算法和分類算法;第Ⅳ部分介紹了各種無監督學習算法;第Ⅴ部分介紹了機器學習領域中的新興算法。書中大部分算法都有相應的MATLAB程序源代碼,可以用來進行簡單的測試。 |
目錄:第I部分 緒 論 第1章 什么是機器學習 2 1.1 學習的種類 2 1.2 機器學習任務的例子 4 1.3 機器學習的方法 8 第2章 學習模型 12 2.1 線性模型 12 2.2 核模型 15 2.3 層級模型 17 第II部分 有監督回歸 第3章 最小二乘學習法 22 3.1 最小二乘學習法 22 3.2 最小二乘解的性質 25 3.3 大規模數據的學習算法 27 第4章帶有約束條件的最小二乘法 31 4.1 部分空間約束的最小二乘學習法 31 4.2 l2 約束的最小二乘學習法 33 4.3 模型選擇 37 第5章 稀疏學習 43 5.1 l1 約束的最小二乘學習法 43 5.2 l1 約束的最小二乘學習的求解方法 45 5.3 通過稀疏學習進行特征選擇 50 5.4 lp約束的最小二乘學習法 51 5.5 l1+l2 約束的最小二乘學習法 52 第6章 魯棒學習 55 6.1 l1 損失最小化學習 56 6.2 Huber損失最小化學習 58 6.3 圖基損失最小化學習 63 6.4 l1 約束的Huber損失最小化學習 65 第III部分 有監督分類 第7章 基于最小二乘法的分類 70 7.1 最小二乘分類 70 7.2 0/1 損失和間隔 73 7.3 多類別的情形 76 第8章 支持向量機分類 80 8.1 間隔最大化分類 80 8.2 支持向量機分類器的求解方法 83 8.3 稀疏性 86 8.4 使用核映射的非線性模型 88 8.5 使用Hinge損失最小化學習來解釋 90 8.6 使用Ramp損失的魯棒學習 93 第9章 集成分類 98 9.1 剪枝分類 98 9.2 Bagging學習法 101 9.3 Boosting 學習法 105 第10章 概率分類法 112 10.1 Logistic回歸 112 10.2 最小二乘概率分類 116 第11 章序列數據的分類 121 11.1 序列數據的模型化 122 11.2 條件隨機場模型的學習 125 11.3 利用條件隨機場模型對標簽序列進行預測 128 第IV部分 無監督學習 第12章 異常檢測 132 12.1 局部異常因子 132 12.2 支持向量機異常檢測 135 12.3 基于密度比的異常檢測 137 第13章 無監督降維 143 13.1 線性降維的原理 144 13.2 主成分分析 146 13.3 局部保持投影 148 13.4 核函數主成分分析 152 13.5 拉普拉斯特征映射 155 第14章 聚類 158 14.1 K均值聚類 158 14.2 核K均值聚類 160 14.3 譜聚類 161 14.4 調整參數的自動選取 163 第V部分 新興機器學習算法 第15章 在線學習 170 15.1 被動攻擊學習 170 15.2 適應正則化學習 176 第16章 半監督學習 181 16.1 靈活應用輸入數據的流形構造 182 16.2 拉普拉斯正則化最小二乘學習的求解方法 183 16.3 拉普拉斯正則化的解釋 186 第17章 監督降維 188 17.1 與分類問題相對應的判別分析 188 17.2 充分降維 195 第18章 遷移學習 197 18.1 協變量移位下的遷移學習 197 18.2 類別平衡變化下的遷移學習 204 第19章 多任務學習 212 19.1 使用最小二乘回歸的多任務學習 212 19.2 使用最小二乘概率分類器的多任務學習 215 19.3 多次維輸出函數的學習 216 第VI部分 結 語 第20章 總結與展望 222 參考文獻 225 |
序: |
|