機器學習-從公理到演算法 (第2版) 于劍 景麗萍 9787302682561 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202502*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：機器學習-從公理到演算法 (第2版)
ISBN：9787302682561
出版社：清華大學
著編譯者：于劍 景麗萍
頁數：253
所在地：中國大陸 *此為代購商品
書號：1716501
可大量預訂，請先連絡。

內容簡介

這是一本基於公理研究學習算法的書。共有17章，由兩部分內容組成。第一部分是機器學習公理以及部分理論演繹，包括第1、2、6、8章，論述學習公理，以及相應的聚類、分類理論。第二部分關注如何從公理推出經典學習算法，包括單類、多類和多源問題。第3～5章為單類問題，分別論述密度估計、回歸和單類數據降維。第7、9～16章為多類問題，包括聚類，神經網絡、K近鄰、支持向量機、Logistic回歸、貝葉斯分類、決策樹、多類降維與升維等經典算法。第17章研究了多源數據學習問題。 本書可以作為高等院校計算機、自動化、數學、統計學、人工智能及相關專業的研究生教材，也可以供機器學習的愛好者參考。

目錄

第1章 引言
1 1 機器學習的目的：從數據到知識
1 2 機器學習的基本框架
1 2 1 數據集合與對象特性表示
1 2 2 學習判據
1 2 3 學習算法
1 2 4 評估方法
1 3 機器學習思想簡論
延伸閱讀
習題
參考文獻
第2章 歸類理論
2 1 類表示與類表示公理
2 2 歸類公理
2 3 歸類結果分類
2 4 歸類方法設計準則
2 4 1 類一致性準則
2 4 2 類緊緻性準則
2 4 3 類分離性準則
2 4 4 奧卡姆剃刀準則
討論
延伸閱讀
習題
參考文獻
第3章 密度估計
3 1 密度估計的參數方法
3 1 1 最大似然估計
3 1 2 貝葉斯估計
3 2 密度估計的非參數方法
3 2 1 直方圖
3 2 2 核密度估計
3 2 3 K近鄰密度估計法
延伸閱讀
習題
參考文獻
第4章 回歸
4 1 線性回歸
4 2 嶺回歸
4 3 Lasso回歸
討論
習題
參考文獻
第5章 單類數據降維
5 1 主成分分析
5 2 非負矩陣分解
5 3 字典學習與稀疏表示
5 4 局部線性嵌入
5 5 多維度尺度分析與等距映射
5 6 典型關聯分析
5 7 隨機鄰域嵌入及其擴展
5 7 1 隨機鄰域嵌入
5 7 2 t-SNE
討論
習題
參考文獻
第6章 聚類理論
6 1 聚類問題表示及相關定義
6 2 聚類算法設計準則
6 2 1 類緊緻性準則和聚類不等式
6 2 2 類分離性準則和重合類非穩定假設
6 2 3 類一致性準則和迭代型聚類算法
6 3 聚類有效性
6 3 1 外部方法
6 3 2 內蘊方法
延伸閱讀
習題
參考文獻
第7章 聚類算法
7 1 樣例理論：圖聚類算法
7 1 1 層次聚類算法
7 1 2 HB聚類算法
7 1 3 SATB聚類算法
7 2 原型理論：點原型聚類算法
7 2 1 C均值算法
7 2 2 模糊C均值
7 2 3 最大熵C均值算法
7 3 基於密度估計的聚類算法
7 3 1 基於參數密度估計的聚類算法
7 3 2 基於無參數密度估計的聚類算法
延伸閱讀
習題
參考文獻
第8章 分類理論
8 1 分類及相關定義
8 2 從歸類理論到經典分類理論
8 2 1 PAC理論
8 2 2 統計學習理論
8 3 分類測試公理
8 4 分類性能評估
討論
習題
參考文獻
第9章 基於單類的分類算法：神經網絡
9 1 分類問題的回歸表示
9 2 人工神經網絡
9 2 1 人工神經網絡簡介
9 2 2 前饋神經網絡
9 3 從參數密度估計到受限玻耳茲曼機
9 4 深度學習
9 4 1 自編碼器
9 4 2 卷積神經網絡
9 4 3 Transformer
討論
習題
參考文獻
第10章 K近鄰分類模型
10 1 K近鄰算法
10 1 1 K近鄰算法問題表示
10 1 2 K近鄰分類算法
10 1 3 K近鄰分類算法的理論錯誤率
10 2 距離加權最近鄰算法
10 3 K近鄰算法加速策略
10 4 kd樹
10 5 K近鄰算法中的參數問題
延伸閱讀
習題
參考文獻
第11章 線性分類模型
11 1 判別函數和判別模型
11 2 線性判別函數
11 3 線性感知機算法
11 3 1 感知機數據表示
11 3 2 感知機算法的歸類判據
11 3 3 感知機分類算法
11 4 支持向量機
11 4 1 線性可分支持向量機
11 4 2 近似線性可分支持向量機
11 4 3 多類分類問題
討論
習題
參考文獻
第12章 對數線性分類模型
12 1 Softmax回歸
12 2 Logistic回歸
討論
習題
參考文獻
第13章 貝葉斯決策
13 1 貝葉斯分類器
13 2 樸素貝葉斯分類
13 2 1 最大似然估計
13 2 2 貝葉斯估計
13 3 最小化風險分類
13 4 效用最大化分類
討論
習題
參考文獻
第14章 決策樹
14 1 決策樹的類表示
14 2 信息增益與ID3算法
14 3 增益比率與C4 5算法
14 4 Gini指數與CART算法
14 5 決策樹的剪枝
討論
習題
參考文獻
第15章 多類數據降維
15 1 有監督特徵選擇模型
15 1 1 過濾式特徵選擇
15 1 2 包裹式特徵選擇
15 1 3 嵌入式特徵選擇
15 2 有監督特徵提取模型
15 2 1 線性判別分析
15 2 2 二分類線性判別分析問題
15 2 3 二分類線性判別分析
15 2 4 二分類線性判別分析優化算法
15 2 5 多分類線性判別分析
延伸閱讀
習題
參考文獻
第16章 多類數據升維：核方法
16 1 核方法
16 2 非線性支持向量機
16 2 1 特徵空間
16 2 2 核函數
16 2 3 常用核函數
16 2 4 非線性支持向量機
16 3 多核方法
討論
習題
參考文獻
第17章 多源數據學習
17 1 多源數據學習的分類
17 2 單類多源數據學習
17 2 1 完整視角下的單類多源數據學習
17 2 2 不完整視角下的單類多源數據學習
17 3
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。