-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
門市星期日公休
10/26 新書到! 10/19 新書到! 9/28 新書到! 9/23 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

圖解機器學習

( 簡體 字)
作者:[日]杉山將類別:1. -> 程式設計 -> 機器學習
譯者:
出版社:人民郵電出版社圖解機器學習 3dWoo書號: 55086
詢問書籍請說出此書號!

有庫存
NT定價: 300
折扣價: 281

出版日:8/1/2021
頁數:226
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115388025
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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ZUI小二乘法出發,對基于ZUI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 **小二乘學習法 22
3.1 **小二乘學習法  22
3.2 **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**小二乘法 31
4.1 部分空間約束的**小二乘學習法  31
4.2 l2 約束的**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**小二乘學習法  43
5.2 l1 約束的**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**小二乘學習法  51
5.5 l1+l2 約束的**小二乘學習法  52
第6章 魯棒學習 55
6.1 l1 損失**小化學習  56
6.2 Huber損失**小化學習  58
6.3 圖基損失**小化學習  63
6.4 l1 約束的Huber損失**小化學習  65
第III部分 有監督分類
第7章 基于**小二乘法的分類 70
7.1 **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**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**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 **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**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**小二乘回歸的多任務學習  212
19.2 使用**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: