| 作者 |
| 安柯·莫特拉 马可·戈里 |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782105171450 |
| 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。 ---------------------------8071715 - 机器学习：基于约束的方法--------------------------- 本书从全新的视角诠释了机器学习的基本模型和算法，重点讨论了当前的两项研究热点——神经网络和核方法。全书紧紧围绕从环境约束中学习的概念，将符号知识库作为约束集合，通过采用多值逻辑形式的思想，实现了约束方法与机器学习的深度融合。特别是对深度学习的讲解，很好地呈现了本书中所遵循的基于约束的方法。此外，本书还提供不同难度等级的练习及参考答案，适合高等院校计算机相关专业的学生参考，也适合业界研究人员和技术人员阅读。 |
| 目录 |
| [套装书具体书目] 8071715 - 机器学习：基于约束的方法 - 9787111660002 - 机械工业出版社 - 定价 119 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 ---------------------------8071715 - 机器学习：基于约束的方法--------------------------- 译者序 前言 练习说明 第1章整体情况 11为什么机器需要学习 111学习任务 112环境的符号和子符号表示 113生物和人工神经网络 114学习的协议 115基于约束的学习 12原则和实践 121归纳的令人困惑的本质 122学习原则 123时间在学习过程中的作用 124注意力机制的聚焦 13实践经验 131度量实验的成功 132手写字符识别 133建立机器学习实验 134试验和实验备注 14机器学习面临的挑战 141学习观察 142语言理解 143生活在自己环境中的代理 15注释 第2章学习原则 21环境约束 211损失函数与风险函数 212约束引发的风险函数的病态 213风险最小化 214偏差——方差困境 22统计学习 221最大似然估计 222贝叶斯推理 223贝叶斯学习 224图形模式 225频率论和贝叶斯方法 23基于信息的学习 231一个启发性的示例 232最大熵原理 233最大相互信息 24简约原则下的学习 241简约原则 242最小描述长度 243MDL与正则化 244正则化的统计解释 25注释 第3章线性阈值机 31线性机 311正规方程 312待定问题和广义逆 313岭回归 314原始表示和对偶表示 32包含阈值单元的线性机 321谓词阶数和表示性问题 322线性可分示例的最优性 323无法分离的线性可分 33统计视图 331贝叶斯决策和线性判别分析 332逻辑回归 333符合贝叶斯决策的独立原则 334统计框架中的LMS 34算法问题 341梯度下降 342随机梯度下降 343感知机算法 344复杂性问题 35注释 第4章核方法 41特征空间 411多项式预处理 412布尔富集 413不变的特征匹配 414高维空间中的线性可分性 42最大边际问题 421线性可分下的分类 422处理软约束问题 423回归 43核函数 431相似性与核技巧 432内核表征 433再生核映射 434内核类型 44正则化 441正则化的风险 442在RKHS上的正则化 443最小化正则化风险 444正则化算子 45注释 第5章深层结构 51结构性问题 511有向图及前馈神经网络 512深层路径 513从深层结构到松弛结构 514分类器、回归器和自动编码器 52布尔函数的实现 521“与或”门的典型实现 522通用的“与非”实现 523浅层与深层实现 524基于LTU的实现和复杂性问题 53实值函数实现 531基于几何的计算实现 532通用近似 533解空间及分离表面 534深层网络和表征问题 54卷积网络 541内核、卷积和感受野 542合并不变性 543深度卷积网络 55前馈神经网络上的学习 551监督学习 552反向传播 553符号微分以及自动求导法则 554正则化问题 56复杂度问题 561关于局部最小值的问题 562面临饱和 563复杂性与数值问题 57注释 第6章约束下的学习与推理 61约束机 611学习和推理 612约束环境的统一视图 613学习任务的函数表示 614约束下的推理 62环境中的逻辑约束 621形式逻辑与推理的复杂度 622含符号和子符号的环境 623t范数 624ukasiewicz命题逻辑 63扩散机 631数据模型 632时空环境中的扩散 633循环神经网络 64算法问题 641基于内容的逐点约束 642输入空间中的命题约束 643线性约束的监督学习 644扩散约束下的学习 65终身学习代理 651认知行为及时间流动 652能量平衡 653焦点关注、教学及主动学习 654发展学习 66注释 第7章结语 第8章练习答案 附录A有限维的约束优化 附录B正则算子 附录C变分计算 附录D符号索引 参考文献（在线） 可以访问华章图书官网http:www.hzbook.com，通过注册并登录个人账号下载。——编辑注 |