| 作者 |
| 安柯·莫特拉 M. 戈帕尔 |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782105171459 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8080753 - 机器学习算法--------------------------- 本书探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识，以此把它们关联起来。本书介绍机器学习中的重要模型和主要问题，并以一种容易理解的方式介绍该领域的前沿研究成果以及现代算法工具，包括矩量法、张量分解法和凸规划松弛法。本书共8章，内容涵盖非负矩阵分解、主题模型、张量分解、稀疏恢复、稀疏编码、高斯混合模型和矩阵补全等。本书适合理论计算机科学家、机器学习研究人员以及相关专业的学生阅读和学习。 ---------------------------8070111 - 机器学习及其应用--------------------------- 本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。 |
| 目录 |
| [套装书具体书目] 8070111 - 机器学习及其应用 - 9787111654148 - 机械工业出版社 - 定价 139 8080753 - 机器学习算法 - 9787111680482 - 机械工业出版社 - 定价 79 ---------------------------8080753 - 机器学习算法--------------------------- 译者序 前言 第1章引言 第2章非负矩阵分解 21介绍 22代数算法 23稳定性和可分离性 24主题模型 25练习 第3章张量分解：算法 31旋转问题 32张量入门 33Jennrich算法 34矩阵摄动界 35练习 第4章张量分解：应用 41进化树和隐马尔可夫模型 42社区发现 43扩展到混合模型 44独立成分分析 45练习 第5章稀疏恢复 51介绍 52非相干性和不确定性原理 53追踪算法 54Prony方法 55压缩感知 56练习 第6章稀疏编码 61介绍 62不完备情况 63梯度下降 64过完备情况 65练习 第7章高斯混合模型 71介绍 72基于聚类的算法 73密度估计的讨论 74无聚类算法 75单变量算法 76代数几何视图 77练习 第8章矩阵补全 81介绍 82核范数 83量子高尔夫 参考文献 索引 ---------------------------8070111 - 机器学习及其应用--------------------------- 译者序 前言 致谢 作者简介 第1章引言 11走向智能机器 12良好的机器学习问题 13各种领域的应用实例 14数据表示 141时间序列预测 142练习数据集和现实问题数据集 15机器学习生产应用所需的领域知识 16多样化的数据：结构的/非结构的 17学习形式 171监督/直接学习 172无监督/间接学习 173强化学习 174基于自然过程的学习：进化、群智和免疫系统 18机器学习和数据挖掘 19机器学习技术中的基本线性代数知识 110机器学习的相关资源 第2章监督学习：基本原理和基础知识 21从观察中学习 22偏差和方差 23为什么学习是有效的：计算学习理论 24奥卡姆剃刀原理和防止过拟合 25归纳学习中的启发式搜索 251搜索假设空间 252集成学习 253学习系统的评估 26泛化误差估计 261留出法和随机子采样 262交叉验证 263自助法 27用于评估回归（数值预测）准确率的度量指标 271均方误差 272平均绝对误差 28用于评估分类（模式识别）准确率的度量指标 281误分类的误差 282混淆矩阵 283基于ROC曲线的分类器比较 29机器学习中的设计周期和问题概述 第3章统计学习 31机器学习和推断统计分析 32学习技术中的描述统计学 321表示数据的不确定性：概率分布 322概率分布的描述性度量 323数据样本的描述性度量 324正态分布 325数据相似性 33贝叶斯推理：推理的一种概率方法 331贝叶斯定理 332朴素贝叶斯分类器 333贝叶斯信念网络 34k近邻分类器 35判别函数和回归函数 351分类和判别函数 352数值预测和回归函数 353实用假设函数 36基于最小二乘误差准则的线性回归 361最小化误差平方和以及伪逆 362梯度下降优化方案 363最小均方算法 37用于分类任务的逻辑回归 38费希尔的线性判别和分类的阈值 381费希尔的线性判别 382阈值 39最小描述长度原则 391贝叶斯视角 392熵和信息 第4章学习支持向量机 41引言 42二元分类的线性判别函数 43感知器算法 44用于线性可分离数据的线性最大边距的分类器 45用于重叠类的线性软边距分类器 46核函数约简的特征空间 47非线性分类器 48支持向量机的回归器 481线性回归器 482非线性回归器 49将多元分类问题分解为二元分类任务 491一对所有 492一对一 410基本SVM技术的变体 第5章基于神经网络的学习 51走向认知机器 52神经元模型 521生物神经元 522人工神经元 523数学模型 53网络架构 531前馈网络 532循环网络 54感知器 541线性分类任务中感知器算法的局限性 542使用回归技术的线性分类器 543标准梯度下降优化方案：最速下降 55线性神经元和WidrowHoff学习规则 56误差修正的delta规则 57多层感知器网络和误差反向传播算法 571广义的delta规则 572收敛和局部最小值 573为梯度下降增加动量项 574误差反向传播算法的启发式方面 58MLP网络的多元判别 59径向基函数网络 510遗传神经系统 第6章模糊推理系统 61引言 62认知不确定性和模糊规则库 63知识的模糊量化 631模糊逻辑 632模糊集 633模糊集操作 634模糊关系 64模糊规则库和近似推理 641通过模糊关系量化规则 642输入的模糊化 643推理机制 644推断模糊集的去模糊化 65模糊推理系统的MAMDANI模型 651移动障碍物中的移动机器人导航 652抵押贷款评估 66TS模糊模型 67神经模糊推理系统 671ANFIS架构 672ANFIS如何学习 68遗传模糊系统 第7章数据聚类和数据转换 71无监督学习 72数据工程 721探索性数据分析：了解数据中的内容 722聚类分析：查找数据中的相似性 723数据转换：增强数据的信息内容 73基本聚类方法概述 731分割聚类 732层次聚类 733谱聚类 734使用自组织映射进行聚类 74K均值聚类 75模糊K均值聚类 76期望最大化算法和高斯混合聚类 761EM算法 762高斯混合模型 77一些有用的数据转换 771数据清洗 772衍生属性 773离散化数值属性 774属性约简技术 78基于熵的属性离散化方法 79用于属性约简的主成分分析 710基于粗糙集的属性约简方法 7101粗糙集基础 7102属性相关性分析 7103属性约简 第8章决策树学习 8.1引言 8.2决策树分类的例子 8.3评估决策树分裂的不纯度度量 8.3.1信息增益/熵减少 8.3.2增益比 8.3.3基尼系数 8.4 ID3、C45以及CART决策树 8.5树的剪枝 8.6决策树方法的优势和劣势 8.7模糊决策树 第9章商业智能与数据挖掘：技术和应用 9.1关于分析的简介 9.1.1机器学习、数据挖掘和预测分析 9.1.2基本分析技术 9.2CRISPDM(跨行业数据挖掘标准流程)模型 9.3数据仓库和在线分析处理 9.3.1基本概念 9.3.2数据库 9.3.3数据仓库：通用架构和OLAP操作 9.3.4数据仓库环境中的数据挖掘 9.4挖掘频繁模式和关联规则 9.4.1基本概念 9.4.2频繁模式和关联规则的强度的度量 9.4.3频繁项集挖掘方法 9.4.4从频繁项集生成关联规则 9.5智能信息检索系统 9.5.1文本检索 9.5.2图像检索 9.5.3音频检索 9.6应用和趋势 9.6.1数据挖掘应用程序 9.6.2数据挖掘趋势 9.7大数据技术 9.7.1新兴的分析方法 9.7.2更高级的可扩展的新兴技术 附录A用于搜索的遗传算法 附录B强化学习 附录C用于机器学习实验的真实生活应用的数据集 课后习题 参考文献 |