 |
-- 會員 / 註冊 --
|
 |
|
|
|
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 |  3dWoo書號： 55086
詢問書籍請說出此書號！【有庫存】
NT售價： 300 元 |
| 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 | 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： |
|
