新書推薦：
《
努斯：希腊罗马哲学研究（第6辑）--逻辑、同异与辩证法
》
售價：NT$
381.0
《
碳交易与碳金融基础（彭玉镏）
》
售價：NT$
269.0
《
当下的骰子--福柯的光与影
》
售價：NT$
493.0
《
数字经济蓝皮书：全球数字经济竞争力发展报告（2023）
》
售價：NT$
885.0
《
中国燃料电池汽车产业实践：政策、技术、建议及展望 中国汽车技术研究中心有限公司
》
售價：NT$
773.0
《
烘焙星球 阿木的手作烘焙日记
》
售價：NT$
493.0
《
WebGIS原理及开发——基于开源框架的WebGIS技术
》
售價：NT$
442.0
《
舵手证券图书 周期与龙头 A股剑客著 解密龙头股周期性循环 游资操盘手法实战解读
》
售價：NT$
941.0
|
| 編輯推薦： |
187张图解轻松入门
提供可执行的Matlab程序代码
覆盖机器学习中实用、用途广的算法
专业实用
东京大学教授、机器学习研究人员执笔，浓缩机器学习的关键知识点
图文并茂
187张图示帮助理解，详略得当，为读懂大部头开路。
角度新颖
基于ZUI小二乘法讲解各种有监督学习的回归和分类算法，以及无监督学习算法。
实战导向
配有可执行的MATLAB程序代码，边学习边实践。
|
| 內容簡介： |
|
《图解机器学习》用丰富的图示，从ZUI小二乘法出发，对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。
|
| 關於作者： |
|
杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等。同时也是PatternRecognitionandMachineLearning日文版的译者之一。 许永伟，2009年赴东京大学攻读博士学位，现于东京大学空间信息科学研究所从事博士后研究（特任研究员）。主要研究方向为模式识别与机器学习、图像处理与计算机视觉，对数据挖掘、大数据和信息架构有浓厚兴趣。
|
| 目錄：
|
目录
第I部分 绪 论
第 1章 什么是机器学习 2
1.1 学习的种类 2
1.2 机器学习任务的例子 4
1.3 机器学习的方法 8
第 2章 学习模型 12
2.1 线性模型 12
2.2 核模型 15
2.3 层级模型 17
第II部分 有监督回归
第3章 **小二乘学习法 22
3.1 **小二乘学习法 22
3.2 **小二乘解的性质 25
3.3 大规模数据的学习算法 27
第4章带有约束条件的**小二乘法 31
4.1 部分空间约束的**小二乘学习法 31
4.2 ｌ2 约束的**小二乘学习法 33
4.3 模型选择 37
第5章 稀疏学习 43
5.1 ｌ1 约束的**小二乘学习法 43
5.2 ｌ1 约束的**小二乘学习的求解方法 45
5.3 通过稀疏学习进行特征选择 50
5.4 ｌp约束的**小二乘学习法 51
5.5 ｌ1 ｌ2 约束的**小二乘学习法 52
第6章 鲁棒学习 55
6.1 ｌ1 损失**小化学习 56
6.2 Huber损失**小化学习 58
6.3 图基损失**小化学习 63
6.4 ｌ1 约束的Huber损失**小化学习 65
第III部分 有监督分类
第7章 基于**小二乘法的分类 70
7.1 **小二乘分类 70
7.2 0/1 损失和间隔 73
7.3 多类别的情形 76
第8章 支持向量机分类 80
8.1 间隔*最大化分类 80
8.2 支持向量机分类器的求解方法 83
8.3 稀疏性 86
8.4 使用核映射的非线性模型 88
8.5 使用Hinge损失**小化学习来解释 90
8.6 使用Ramp损失的鲁棒学习 93
第9章 集成分类 98
9.1 剪枝分类 98
9.2 Bagging学习法 101
9.3 Boosting 学习法 105
第 10章 概率分类法 112
10.1 Logistic回归 112
10.2 **小二乘概率分类 116
第 11 章序列数据的分类 121
11.1 序列数据的模型化 122
11.2 条件随机场模型的学习 125
11.3 利用条件随机场模型对标签序列进行预测 128
第IV部分 无监督学习
第 12章 异常检测 132
12.1 局部异常因子 132
12.2 支持向量机异常检测 135
12.3 基于密度比的异常检测 137
第 13章 无监督降维 143
13.1 线性降维的原理 144
13.2 主成分分析 146
13.3 局部保持投影 148
13.4 核函数主成分分析 152
13.5 拉普拉斯特征映射 155
第 14章 聚类 158
14.1 K均值聚类 158
14.2 核K均值聚类 160
14.3 谱聚类 161
14.4 调整参数的自动选取 163
第V部分 新兴机器学习算法
第 15章 在线学习 170
15.1 被动攻击学习 170
15.2 适应正则化学习 176
第 16章 半监督学习 181
16.1 灵活应用输入数据的流形构造 182
16.2 拉普拉斯正则化**小二乘学习的求解方法 183
16.3 拉普拉斯正则化的解释 186
第 17章 监督降维 188
17.1 与分类问题相对应的判别分析 188
17.2 充分降维 195
第 18章 迁移学习 197
18.1 协变量移位下的迁移学习 197
18.2 类别平衡变化下的迁移学习 204
第 19章 多任务学习 212
19.1 使用**小二乘回归的多任务学习 212
19.2 使用**小二乘概率分类器的多任务学习 215
19.3 多次维输出函数的学习 216
第VI部分 结 语
第 20章 总结与展望 222
参考文献 225
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
