最新公告
  • 欢迎您光临IO源码网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 机器学习导论 原书第3版 PDF 下载

    机器学习导论  原书第3版  PDF 下载

    本站整理下载:
    版权归出版社和原作者所有,链接已删除,请购买正版
    用户下载说明:
    电子版仅供预览,下载后24小时内务必删除,支持正版,喜欢的请购买正版书籍:
    http://product.dangdang.com/650056671.html
    相关截图:

    资料简介:
    机器学习的目标是对计算机编程,以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用,包括分析以往销售数据来预测客户行为,优化机器人的行为以便使用较少的资源来完成任务,以及从生物信息数据中提取知识的各种系统。本书是关于机器学习的内容全面的教科书,其中有些内容在一般的在机器学习导论书中很少介绍。主要内容包括监督学习,贝叶斯决策理论,参数、半参数和非参数方法,多元分析,隐马尔可夫模型,增强学习,核机器,图模型,贝叶斯估计和统计检验。机器学习正在迅速成为计算机科学专业的学生必须掌握的一门技能。本书第3版反映了这种变化,增加了对初学者的支持,包括给出了部分习题的参考答案和补充了实例数据集(提供在线代码)。其他显著的变化包括离裙点检测的讨论、感知器和支持向量机的排名算法、矩阵分解和谱方法、距离估计、新的核算法、多层感知器的深度学习和非参数贝叶斯方法。书中对所有学习算法都进行了解释,以便读者可以很容易地将书中的公式转变为计算机程序。本书可以用作高年级本科生和硕士研究生的教材,也可供研究机器学习方法的技术人员参考。..

    资料目录:
    目录
    Introduction to Machine Learning,Third Edition
    出版者的话
    译者序
    前言
    符号说明
    第1章引言1
    1.1什么是机器学习1
    1.2机器学习的应用实例2
    1.2.1学习关联性2
    1.2.2分类3
    1.2.3回归5
    1.2.4非监督学习6
    1.2.5增强学习7
    1.3注释8
    1.4相关资源10
    1.5习题11
    1.6参考文献12
    第2章监督学习13
    2.1由实例学习类13
    2.2VC维16
    2.3概率近似正确学习16
    2.4噪声17
    2.5学习多类18
    2.6回归19
    2.7模型选择与泛化21
    2.8监督机器学习算法的维23
    2.9注释24
    2.10习题25
    2.11参考文献26
    第3章贝叶斯决策理论27
    3.1引言27
    3.2分类28
    3.3损失与风险29
    3.4判别式函数30
    3.5关联规则31
    3.6注释33
    3.7习题33
    3.8参考文献36
    第4章参数方法37
    4.1引言37
    4.2*似然估计37
    4.2.1伯努利密度38
    4.2.2多项式密度38
    4.2.3高斯(正态)密度39
    4.3评价估计:偏倚和方差39
    4.4贝叶斯估计40
    4.5参数分类42
    4.6回归44
    4.7调整模型的复杂度:偏倚/方差两难选择46
    4.8模型选择过程49
    4.9注释51
    4.10习题51
    4.11参考文献53
    第5章多元方法54
    5.1多元数据54
    5.2参数估计54
    5.3缺失值估计55
    5.4多元正态分布56
    5.5多元分类57
    5.6调整复杂度61
    5.7离散特征62
    5.8多元回归63
    5.9注释64
    5.10习题64
    5.11参考文献66
    第6章维度归约67
    6.1引言67
    6.2子集选择67
    6.3主成分分析70
    6.4特征嵌入74
    6.5因子分析75
    6.6奇异值分解与矩阵分解78
    6.7多维定标79
    6.8线性判别分析82
    6.9典范相关分析85
    6.10等距特征映射86
    6.11局部线性嵌入87
    6.12拉普拉斯特征映射89
    6.13注释90
    6.14习题91
    6.15参考文献92
    第7章聚类94
    7.1引言94
    7.2混合密度94
    7.3k均值聚类95
    7.4期望*化算法98
    7.5潜在变量混合模型100
    7.6聚类后的监督学习101
    7.7谱聚类102
    7.8层次聚类103
    7.9选择簇个数104
    7.10注释104
    7.11习题105
    7.12参考文献106
    第8章非参数方法107
    8.1引言107
    8.2非参数密度估计108
    8.2.1直方图估计108
    8.2.2核估计109
    8.2.3k最近邻估计110
    8.3推广到多变元数据111
    8.4非参数分类112
    8.5精简的最近邻112
    8.6基于距离的分类113
    8.7离群点检测115
    8.8非参数回归:光滑模型116
    8.8.1移动均值光滑116
    8.8.2核光滑117
    8.8.3移动线光滑119
    8.9如何选择光滑参数119
    8.10注释120
    8.11习题121
    8.12参考文献122
    第9章决策树124
    9.1引言124
    9.2单变量树125
    9.2.1分类树125
    9.2.2回归树128
    9.3剪枝130
    9.4由决策树提取规则131
    9.5由数据学习规则132
    9.6多变量树134
    9.7注释135
    9.8习题137
    9.9参考文献138
    第10章线性判别式139
    10.1引言139
    10.2推广线性模型140
    10.3线性判别式的几何意义140
    10.3.1两类问题140
    10.3.2多类问题141
    10.4逐对分离142
    10.5参数判别式的进一步讨论143
    10.6梯度下降144
    10.7逻辑斯谛判别式145
    10.7.1两类问题145
    10.7.2多类问题147
    10.8回归判别式150
    10.9学习排名151
    10.10注释152
    10.11习题152
    10.12参考文献154
    第11章多层感知器155
    11.1引言155
    11.1.1理解人脑155
    11.1.2神经网络作为并行处理的典范156
    11.2感知器157
    11.3训练感知器159
    11.4学习布尔函数160
    11.5多层感知器161
    11.6作为普适近似的MLP162
    11.7向后传播算法163
    11.7.1非线性回归163
    11.7.2两类判别式166
    11.7.3多类判别式166
    11.7.4多个隐藏层167
    11.8训练过程167
    11.8.1改善收敛性167
    11.8.2过分训练168
    11.8.3构造网络169
    11.8.4线索169
    11.9调整网络规模170
    11.10学习的贝叶斯观点172
    11.11维度归约173
    11.12学习时间174
    11.12.1时间延迟神经网络175
    11.12.2递归网络175
    11.13深度学习176
    11.14注释177
    11.15习题178
    11.16参考文献180
    第12章局部模型182
    12.1引言182
    12.2竞争学习182
    12.2.1在线k均值182
    12.2.2自适应共鸣理论184
    12.2.3自组织映射185
    12.3径向基函数186
    12.4结合基于规则的知识189
    12.5规范化基函数190
    12.6竞争的基函数191
    12.7学习向量量化193
    12.8混合专家模型193
    12.8.1协同专家模型194
    12.8.2竞争专家模型195
    12.9层次混合专家模型195
    12.10注释196
    12.11习题196
    12.12参考文献198
    第13章核机器200
    13.1引言200
    13.2*分离超平面201
    13.3不可分情况:软边缘超平面203
    13.4vSVM205
    13.5核技巧205
    13.6向量核206
    13.7定义核207
    13.8多核学习208
    13.9多类核机器209
    13.10用于回归的核机器210
    13.11用于排名的核机器212
    13.12一类核机器213
    13.13大边缘最近邻分类215
    13.14核维度归约216
    13.15注释217
    13.16习题217
    13.17参考文献218
    第14章图方法221
    14.1引言221
    14.2条件独立的典型情况222
    14.3生成模型226
    14.4d分离227
    14.5信念传播228
    14.5.1链228
    14.5.2树229
    14.5.3多树230
    14.5.4结树232
    14.6无向图:马尔科夫随机场232
    14.7学习图模型的结构234
    14.8影响图234
    14.9注释234
    14.10习题235
    14.11参考文献237
    第15章隐马尔科夫模型238
    15.1引言238
    15.2离散马尔科夫过程238
    15.3隐马尔科夫模型240
    15.4HMM的三个基本问题241
    15.5估值问题241
    15.6寻找状态序列244
    15.7学习模型参数245
    15.8连续观测247
    15.9HMM作为图模型248
    15.10HMM中的模型选择250
    15.11注释251
    15.12习题252
    15.13参考文献254
    第16章贝叶斯估计255
    16.1引言255
    16.2离散分布的参数的贝叶斯估计257
    16.2.1K>2个状态:狄利克雷分布257
    16.2.2K=2个状态:贝塔分布258
    16.3高斯分布的参数的贝叶斯估计258
    16.3.1一元情况:未知均值,已知方差258
    16.3.2一元情况:未知均值,未知方差259
    16.3.3多元情况:未知均值,未知协方差260
    16.4函数的参数的贝叶斯估计261
    16.4.1回归261
    16.4.2具有噪声精度先验的回归264
    16.4.3基或核函数的使用265
    16.4.4贝叶斯分类266
    16.5选择先验268
    16.6贝叶斯模型比较268
    16.7混合模型的贝叶斯估计270
    16.8非参数贝叶斯建模272
    16.9高斯过程272
    16.10狄利克雷过程和中国餐馆275
    16.11本征狄利克雷分配276
    16.12贝塔过程和印度自助餐277
    16.13注释278
    16.14习题278
    16.15参考文献279
    第17章组合多学习器280
    17.1基本原理280
    17.2产生有差异的学习

     

    *** 次数:10600 已用完,请联系开发者***

    1. 本站所有资源来源于用户上传和网络,因此不包含技术服务请大家谅解!如有侵权请邮件联系客服!384324621@qq.com
    2. 本站不保证所提供下载的资源的准确性、安全性和完整性,资源仅供下载学习之用!如有链接无法下载、失效或广告,请联系客服处理,有奖励!
    3. 您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容资源!如用于商业或者非法用途,与本站无关,一切后果请用户自负!
    4. 如果您也有好的资源或教程,您可以投稿发布,成功分享后有★币奖励和额外收入!

    IO 源码网 » 机器学习导论 原书第3版 PDF 下载

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    IO源码吧
    一个高级程序员模板开发平台

    发表评论

    • 158会员总数(位)
    • 12111资源总数(个)
    • 92本周发布(个)
    • 0 今日发布(个)
    • 538稳定运行(天)

    提供最优质的资源集合

    立即查看 了解详情