魯棒自適應機器學習方法及應用 張佳銘 9787307245297 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：武漢大學
物品所在地：中國大陸
原出版社：武漢大學
NT$312
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *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：202410*若逾兩年請先於私訊洽詢存貨情況，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：魯棒自適應機器學習方法及應用 ISBN：9787307245297 出版社：武漢大學 著編譯者：張佳銘 叢書名：雲計算和大數據系列叢書 頁數：198 所在地：中國大陸 *此為代購商品 書號：1688714 可大量預訂，請先連絡。 內容簡介 本書將最優控制方法融入機器學習的研究中，創新地建立了一個基於最優反饋控制在線學習框架，並在該框架下提出了一系列用於解決線性和非線性的分類與回歸問題的魯棒自適應學習演算法；構建了基於最優控制的魯棒在線學習架構，分別討論該架構下的線性回歸、二分類和多分類問題，並且將線性問題的架構拓展到非線性回歸與分類問題；提出了基於控制的深度學習優化器CSGC，基於深度學習的思想，提出了一種深度學習視角下的樣本選擇模型。 本書提出的演算法體系拓展至當下熱門的深度學習領域，成功應用於圖像識別和文本分類等複雜任務，為解決現實世界的複雜問題提供了新的工具和方法。此外，本書將改進的深度學習演算法與傳統微觀計量模型相結合，從全新視角探討了樣本選擇問題，為機器學習與計量經濟學的交叉融合研究提供了有益的參考和啟示。作者簡介 張佳銘，中南財經政法大學統計與數學學院講師，碩士生導師。畢業於中南財經政法大學，獲經濟學博士學位。主要研究領域：生成式機器學習、深度學習與計量經濟交叉領域、機器學習理論與演算法。近年來的研究成果在Neural Networks、IEEE Transactions on Neural Networks and Learning Systems、Pattern Recognition和Knowledge-Based Systems等數據科學重要期刊上發表。參与多項國家自然科學基金青年項目、國家社會科學基金面上項目，主持一項教育部人文社科青年項目。目錄 第1章 導論1 1 研究背景 1 2 研究意義 1 2 1 理論意義 1 2 2 現實意義 1 3 研究現狀 1 3 1 在線線性學習 1 3 2 在線核學習 1 3 3 基於控制的機器學習方法 1 3 4 深度學習 1 3 5 經濟學研究中的機器學習 1 3 6 文獻評述 1 4 研究方法與內容結構 1 4 1 研究方法 1 4 2 內容結構與組織 1 5 研究創新之處 第2章 背景知識 2 1 線性學習 2 1 1 線性模型與在線學習 2 1 2 線性模型的梯度演算法 2 2 核學習 2 2 1 重構核模型 2 2 2 在線核學習演算法 2 3 最優控制方法 2 3 1 最優控制的基本概念 2 3 2 離散時間線性二次型最優控制問題 2 3 3 最優控制與在線學習 2 4 深度學習 2 4 1 神經網路模塊 2 4 2 訓練方法 第3章 基於最優控制的魯棒在線學習演算法 3 1 回歸模型 3 1 1 誤差反饋系統 3 1 2 基於最優控制的在線回歸問題 3 1 3 最優控制解法 3 2 二分類與多分類模型 3 2 1 魯棒在線二分類問題 3 2 2 魯棒在線多分類問題 3 3 實驗對比和分析 3 3 1 迭代法估計回歸係數：基於模擬數據 3 3 2 極分解法的在線回歸任務：基於模擬數據 3 3 3 極分解法的在線回歸任務：基於真實數據 3 3 4 極分解法的在線二分類任務：基於模擬數據 3 3 5 極分解法的在線二分類任務：基於真實數據 3 3 6 極分解法的在線多分類任務：基於DNA數據集 3 4 本章小結 第4章 基於最優控制的魯棒核學習演算法 4 1 固定帶寬核回歸演算法 4 1 1 誤差反饋系統 4 1 2 基向量選擇與OKLQR演算法 4 2 自適應變帶寬核回歸演算法 4 2 1 誤差反饋系統 4 2 2 狀態反饋控制與OAKL演算法 4 2 3 OAKL的收斂性分析 4 3 自適應變帶寬核分類演算法 4 3 1 誤差反饋系統 4 3 2 狀態反饋控制與CAOKC演算法 4 3 3 CAOKC的相關理論分析 4 4 實驗對比和分析 4 4 1 固定帶寬核回歸的數值實驗 4 4 2 自適應帶寬核回歸的數值實驗 4 4 3 自適應帶寬核分類的數值實驗 4 5 本章小結 第5章 魯棒深度學習優化器 5 1 基於控制的隨機梯度收縮方法 5 1 1 問題提出與學習框架 5 1 2 損失動力學系統與學習策略 5 2 CSGC方法相關理論分析 5 2 1 合理性 5 2 2 收斂性分析 5 3 CSGC訓練的深度學習模型 5 3 1 訓練全連接網路 5 3 2 訓練卷積神經網路與循環神經網路 5 3 3 加入動量項的CSGC 5 4 實驗對比和分析 5 4 1 超參數設定 5 4 2 多層全連接神經網路：基於MNIST數據集 5 4 3 卷積神經網路：基於CIFAR-10數據集 5 4 4 循環神經網路：基於IMDB數據集 5 5 本章小結 第6章 深度樣本選擇網路 6 1 樣本選擇模型簡介 6 1 1 Tobit-Ⅰ模型 6 1 2 Tobit-Ⅱ模型 6 2 深度樣本選擇網路構建與估計 6 2 1 Tobit-Ⅰ網路構建與估計 6 2 2 Tobit-Ⅱ網路構建與估計 6 3 顯著性檢驗 6 3 1 Tobit-Ⅰ網路顯著性檢驗 6 3 2 Tobit-Ⅱ網路顯著性檢驗 6 4 實驗對比與分析 6 4 1 Tobit-Ⅰ網路數值實驗 6 4 2 Tobit-Ⅱ網路數值實驗 6 4 3 Tobit-Ⅰ網路實證分析：基於CHFS數據 6 4 4 Tobit-Ⅱ網路實證分析：基於CHNS數據 6 5 本章小結 第7章 結論與展望 7 1 主要結論 7 2 研究不足與展望 參考文獻 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
