书籍详情
![《新版机器学习周志华西瓜书人工智能书籍Python深度学习pytorch机器学习实战keras人工智能机器学习》[27M]百度网盘|亲测有效|pdf下载](/uploads/2024-01-20/96dd84a1a317dcda.jpg)
新版机器学习周志华西瓜书人工智能书籍Python深度学习pytorch机器学习实战keras人工智能机器学习
- 出版社:华书图书专营店
- 出版时间:2016-01
- 热度:11725
- 上架时间:2024-06-30 09:38:03
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
产品特色
内容简介
机器学习是计算机科学的重要分支领域，该书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。
《机器学习》可作为高等院校计算机、自动化及相关的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
《机器学习》可作为高等院校计算机、自动化及相关的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。
内页插图
第1章 绪论
1．1 引言
1．2 基本术语
1．3 假设空间
1．4 归纳偏好
1．5 发展历程
1．6 应用现状
1．7 阅读材料
习题
参考文献
休息一会儿
第2章 模型评估与选择
2．1 经验误差与过拟合
2．2 评估方法
2．3 性能度量
2．4 比较检验
2．5 偏差与方差
2．6 阅读材料
习题
参考文献
休息一会儿
第3章 线性模型
3．1 基本形式
3．2 线性回归
3．3 对数几率回归
3．4 线性判别分析
3．5 多分类学习
3．6 类别不平衡问题
3．7 阅读材料
习题
参考文献
休息一会儿
第4章 决策树
4．1 基本流程
4．2 划分选择
4．3 剪枝处理
4．4 连续与缺失值
4．5 多变量决策树
4．6 阅读材料
习题
参考文献
休息一会儿
第5章 神经网络
5．1 神经元模型
5．2 感知机与多层网络
5．3 误差逆传播算法
5．4 全局小与局部极小
5．5 其他常见神经网络
5．6 深度学习
5．7 阅读材料
习题
参考文献
休息一会儿
第6章 支持向量机
6．1 间隔与支持向量
6．2 对偶问题
6．3 核函数
6．4 软间隔与正则化
6．5 支持向量回归
……
第7章 贝叶斯分类器
第8章 集成学习
第9章 聚类
第10章 降维与度量学习
第11章 特征选择与稀疏学习
第12章 计算学习理论
第13章 半监督学习
第14章 概率图模型
第15章 规则学习
第16章 强化学习
附录
后记
索引
1．1 引言
1．2 基本术语
1．3 假设空间
1．4 归纳偏好
1．5 发展历程
1．6 应用现状
1．7 阅读材料
习题
参考文献
休息一会儿
第2章 模型评估与选择
2．1 经验误差与过拟合
2．2 评估方法
2．3 性能度量
2．4 比较检验
2．5 偏差与方差
2．6 阅读材料
习题
参考文献
休息一会儿
第3章 线性模型
3．1 基本形式
3．2 线性回归
3．3 对数几率回归
3．4 线性判别分析
3．5 多分类学习
3．6 类别不平衡问题
3．7 阅读材料
习题
参考文献
休息一会儿
第4章 决策树
4．1 基本流程
4．2 划分选择
4．3 剪枝处理
4．4 连续与缺失值
4．5 多变量决策树
4．6 阅读材料
习题
参考文献
休息一会儿
第5章 神经网络
5．1 神经元模型
5．2 感知机与多层网络
5．3 误差逆传播算法
5．4 全局小与局部极小
5．5 其他常见神经网络
5．6 深度学习
5．7 阅读材料
习题
参考文献
休息一会儿
第6章 支持向量机
6．1 间隔与支持向量
6．2 对偶问题
6．3 核函数
6．4 软间隔与正则化
6．5 支持向量回归
……
第7章 贝叶斯分类器
第8章 集成学习
第9章 聚类
第10章 降维与度量学习
第11章 特征选择与稀疏学习
第12章 计算学习理论
第13章 半监督学习
第14章 概率图模型
第15章 规则学习
第16章 强化学习
附录
后记
索引
前言/序言
这是一本面向中文读者的机器学习教科书，为了使尽可能多的读者通过本书对机器学习有所了解，作者试图尽可能少地使用数学知识。然而，少量的概率、统计、代数、优化、逻辑知识似乎不可避免，因此，本书更适合大学三年级以上的理工科本科生和研究生，以及具有类似背景的对机器学习感兴趣的人士，为方便读者，本书附录给出了一些相关数学基础知识简介。
全书共16章，大体上可分为3个部分：第1部分包括第1～3章，介绍机器学习基础知识；第2部分包括第4～10章，介绍一些经典而常用的机器学习方法；第3部分包括第11～16章，介绍一些进阶知识，前3章之外的后续各章均相对独立，读者可根据自己的兴趣和时间情况选择使用。根据课时情况，一个学期的本科生课程可考虑讲授前9章或前10章；研究生课程则不妨使用全书。
书中除第1章外，每章都给出了十道习题。有的习题是帮助读者巩固本章学习，有的是为了引导读者扩展相关知识，一学期的一般课程可使用这些习题，再辅以两到三个针对具体数据集的大作业，带星号的习题则有相当难度，有些并无现成答案，谨供富有进取心的读者启发思考。
本书在内容上尽可能涵盖机器学习基础知识的各方面，但作为机器学习入门读物且因授课时间的考虑，很多重要、前沿的材料未能覆盖，即便覆盖到的部分也仅是管中窥豹，更多的内容留待读者在进阶课程中学习。为便于有兴趣的读者进一步钻研探索，本书每章均介绍了一些阅读材料，谨供读者参考。
笔者以为，对学科相关的重要人物和事件有一定了解，将会增进读者对该学科的认识。本书在每章后都写了一个与该章内容相关的小故事，希望有助于读者增广见闻，并且在紧张的学习过程中稍微放松调剂一下。
书中不可避免地涉及大量外国人名，若全部译为中文，则读者在日后进一步阅读文献时或许会对不少人名产生陌生感，不利于进一步学习，因此，本书仅对一般读者耳熟能详的名字如"图灵"等加以直接使用，对故事中的一些主要人物给出了译名，其他则保持外文名。
机器学习发展极迅速，目前已成为一个广袤的学科，罕有人士能对其众多分支领域均有精深理解。笔者自认才疏学浅，仅略知皮毛，更兼时间和精力所限，书中错谬之处在所难免，若蒙读者诸君不吝告知，将不胜感激。
全书共16章，大体上可分为3个部分：第1部分包括第1～3章，介绍机器学习基础知识；第2部分包括第4～10章，介绍一些经典而常用的机器学习方法；第3部分包括第11～16章，介绍一些进阶知识，前3章之外的后续各章均相对独立，读者可根据自己的兴趣和时间情况选择使用。根据课时情况，一个学期的本科生课程可考虑讲授前9章或前10章；研究生课程则不妨使用全书。
书中除第1章外，每章都给出了十道习题。有的习题是帮助读者巩固本章学习，有的是为了引导读者扩展相关知识，一学期的一般课程可使用这些习题，再辅以两到三个针对具体数据集的大作业，带星号的习题则有相当难度，有些并无现成答案，谨供富有进取心的读者启发思考。
本书在内容上尽可能涵盖机器学习基础知识的各方面，但作为机器学习入门读物且因授课时间的考虑，很多重要、前沿的材料未能覆盖，即便覆盖到的部分也仅是管中窥豹，更多的内容留待读者在进阶课程中学习。为便于有兴趣的读者进一步钻研探索，本书每章均介绍了一些阅读材料，谨供读者参考。
笔者以为，对学科相关的重要人物和事件有一定了解，将会增进读者对该学科的认识。本书在每章后都写了一个与该章内容相关的小故事，希望有助于读者增广见闻，并且在紧张的学习过程中稍微放松调剂一下。
书中不可避免地涉及大量外国人名，若全部译为中文，则读者在日后进一步阅读文献时或许会对不少人名产生陌生感，不利于进一步学习，因此，本书仅对一般读者耳熟能详的名字如"图灵"等加以直接使用，对故事中的一些主要人物给出了译名，其他则保持外文名。
机器学习发展极迅速，目前已成为一个广袤的学科，罕有人士能对其众多分支领域均有精深理解。笔者自认才疏学浅，仅略知皮毛，更兼时间和精力所限，书中错谬之处在所难免，若蒙读者诸君不吝告知，将不胜感激。