Видео машино обучение Zhou Zhihua по искусственному интеллекту
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| |||||||||||||||||||||||||||||||||||
| Машинное обучение | ||
 | Ценообразование | 88.00 |
| Издатель | Tsinghua University Press | |
| Версия | 1 | |
| Опубликованная дата | Январь 2016 года | |
| формат | 16 | |
| автор | Чжоу Чжихуа | |
| Украсить | Оплата в мягкой обложке | |
| Количество страниц | | |
| Число слов | | |
| Кодирование ISBN | 9787302423287 | |
Оглавление
Глава 1
1.1 Введение 1
1.2 Основы 2
1.3 Предположим, пространство 4
1.4 Индукционное предпочтение 6
1.5 Процесс разработки 10
1.6 Статус приложения 13
1,7 материалы для чтения 16
Упражнение 19
Ссылки 20
отдых— согласен 22
Глава 2 Оценка модели и выбор 23
2.1 Ошибка опыта и переоценка 23
2.2 Метод оценки 24
2.2.1 Оставьте метод 25
2.2.2 Метод перекрестной проверки 26
2.2.3 Метод Self -Service 27
2.2.4 Отрегулируйте Zui Final Model 28
2.3 Измеритель производительности 28
2.3.1 Скорость ошибок и точность 29
2.3.2 Скорость проверки, скорость проверки и F1 30
2.3.3 ROC и AUC 33
2.3.4 Чувствительная частота ошибок и кривая стоимости 35
2.4 Сравнительный тест 37
2.4.1 Предполагая тест 37
2.4.2 Cross -Veriation T -тест 40
2.4.3 Тест Макнемара 41
2.4.4 Friedman Inspection и Treaup Test 42
2.5 Отклонение и квадратная разница 44
2.6 материалы для чтения 46
Упражнение 48
Ссылки 49
отдых— согласен 51
Глава 3 Линейная модель 53
3.1 Основная форма 53
3.2 Линейная возврат 53
3.3 Вернитесь к вероятности чисел 57
3.4 Анализ линейного суждения 60
3.5 Multi -Classification Learning 63
3.6 Категория UNE Сбалансированная проблема 66
3.7 материалы для чтения 67
Упражнение 69
Ссылки 70
отдых— согласен 72
Глава 4 Дерево решений 73
4.1 Базовый процесс 73
4.2 Выбор дивизии 75
4.2.1 Информационная прироста 75
4.2.2 Увеличение ставки 77
4.2.3 Индекс Джини 79
4.3 Обрезка лечения 79
4.3.1 Pre -Branches 80
4.3.2 После резки ветвей 82
4.4 Непрерывное и отсутствующее значение 83
4.4.1 Непрерывная обработка стоимости 83
4.4.2 Отсутствие обработки стоимости 85
4.5 Многолетние дерево решений 88
4.6 Материал чтения 92
Упражнение 93
Ссылка 94
отдых&Mdash; Huier 95
Глава 5 Нейронная сеть 97
5.1 Нейрон модель 97
5.2 Машина восприятия и многослойная сеть 98
5.3 Алгоритм обратного изменения ошибок 101
5.4 Global Zui маленький и местный очень маленький 106
5.5 Другая общая нейронная сеть 108
5.5.1 сеть RBF 108
5.5.2 Art Network 108
5.5.3 SOM Network 109
5.5.4 Уровень Lianlian Network 110
5.5.5 Сеть Элмана 111
5.5.6 Машина Больцмана 111
5.6 Глубокое обучение 113
5.7 материалы для чтения 115
Упражнение 116
Ссылки 117
отдых— согласен 120
Глава 6 Поддержка вектора 121
6.1 Интервал и поддержка вектор 121
6.2 Puppet Вопрос 123
6.3 Функция CORE 126
6.4 Мягкий интервал и регуляризация 129
6.5 Возврат вектора поддержки 133
6.6 Основной метод 137
6.7 материалы для чтения 139
Упражнение 141
Ссылки 142
отдых—
Глава 7 Байесовский классификатор 147
7.1 Байесовская теория решений 147
7.2 Оценка великой вероятности 149
7.3 простой классификатор Байеса 150
7.4 Простой классификатор 154
7.5 Beyes Network 156
7.5.1 Структура 157
7.5.2 Изучение 159
7.5.3 Вывод 161
7.6 EM -алгоритм 162
7.7 Чтение материалов 164
Упражнение 166
Ссылки 167
отдых—
Глава 8 Интегрированное обучение 171
8.1 Индивидуальная и интеграция 171
8.2 Boosting 173
8.3 Бэк и случайный лес 178
8.3.1 Bagging 178
8.3.2 Случайный лес 179
8.4 Комбинированная стратегия 181
8.4.1 Средний метод 181
8.4.2 Метод голосования 182
8.4.3 Закон об обучении 183
8.5 Разнообразие 185
8.5.1 Дифференциальная разложение ошибок 185
8.5.2 Измеритель разнообразия 186
8.5.3 Улучшение разнообразия 188
8.6 Чтение материалов 190
Упражнение 192
Ссылки 193
отдых&Mdash; Huier 196
Глава 9 июля 197
9.1 Задача кластера 197
9.2 Измеритель производительности 197
9.3 Расчет расстояния 199
9.4 Prototype Cluster 202
9.4.1 K Средний алгоритм 202
9.4.2.
9.4.3 Гаусс Гибридный класс 206
9,5 кластер плотности 211
9.6 Уровень кластер 214
9,7 СТАРИТАЯ МАТЕРИАЛЫ 217
Упражнение 220
Ссылки 221
отдых— согласен 224
Глава 10 Дисмерное сокращение и измерение 225
10.1 K рядом с соседями 225
10.2 Низкое встроение 226
10.3 Анализ основного композиции 229
10.4 Ядерная линейность и уменьшение размера 232
10.5 Потоковое обучение 234
10.5.1 Обычное картирование измерений 234
10.5.2 Локальное линейное встраивание 235
10.6 Merture Learning 237
10.7 материалы для чтения 240
Упражнение 242
Ссылки 243
отдых—
Глава 11 Характерный выбор и расслабляющее обучение 247
11.1 Sub -Search Search and Evaluation 247
11.2 Выбор фильтра 249
11.3 Выбор пакета 250
11.4 Встроенный выбор и L $ _1 $ регуляризация 252
11.5 Учебное предложение и обучение словаря 254
11.6 Осведомленность о сжатии 257
11,7 Материал чтения 260
Упражнение 262
Ссылки 263
отдых&Mdash; Huier 266
Глава 12 Теория обучения 267 267
12.1 Основные знания 267
12.2 PAC Learning 268
12.3 Ограниченное предположение пространство 270
12.3.1 Практическая ситуация 270
12.3.2 Неограниченная ситуация 272
12,4 ВК витамин 273
12.5 Сложность Радемахера 279
12.6 Стабильность 284
12.7 СТАРИТАЯ САМОЧКИ 287
Упражнение 289
Ссылки 290
отдых&Mdash; Huier 292
Глава 13 Полупроизводственное обучение 293
13.1 Образец небар 293
13.2 Формулирование метода 295
13.3 Semi -Supervision SVM 298
13.4.
13.5 Дифференциальный метод 304
13,6 Полу -Супервизор Джулин 307
13.7 СТАРИТАЯ САМЕТА 311
Упражнение 313
Ссылки 314
отдых&Mdash; Huier 317
Глава 14 Вероятность Рисунок Модель 319
14.1 Скрытая Marcov Model 319
14.2 Malcov Ringfeng 322
14.3 Условия поднимают 325
14.4 Обучение и вывод 328
14.4.1 Переменные устраняют 328
14.4.2 Вера распространилась 330
14.5 приблизительный вывод 331
14.5.1 MCMC Sampling 331
14.5.2. Вывод на точки изменения 334
14.6 Модель темы 337
14.7 Симпатичные материалы 339
Упражнение 341
Ссылка 342
отдых— согласен 345
Глава 15 Правила обучения 347
15.1 Основная концепция 347
15.2 Предисловие, чтобы покрыть 349
15.3 Защитная оптимизация 352
15.4— Уровень правил обучения 354
15.5 Дизайн программы Sumulatory Logic 357
15.5.1 Зуи маленький— ОБОРУДА для образца 358
15.5.2 Обратный возврат 359
15.6 СТАРИТАЯ МАТЕРИАЛЫ 363
Упражнение 365
Ссылка 366
отдых&Mdash; Huier 369
Глава 16 Укрепляет исследование 371
16.1 Задача и награда 371
16,2 $ K $ -Rocal Arm Arm Machine 373
16.2.1 Исследуйте и используйте 373
16.2.2 $ epsilon $ -greed 374
16.2.3 Softmax 375
16.3 Model Learning 377
16.3.1 Оценка стратегии 377
16.3.2 Улучшение стратегии 379
16.3.3 Итерация стратегии и итерация стоимости 381
16.4 Модель -Бесплатное обучение 382
16.4.1 Monte Carlo Enhanced Learning 383
16.4.2.
16.5 Функция значения аналогична 388
16.6 Имитационное обучение 390
16.6.1 Прямое имитационное обучение 391
16.6.2 Обратное сильное обучение 391
16.7 СТАРИТАЯ САМЕТА 393
Упражнение 394
Ссылка 395
отдых&Mdash; Huier 397
Приложение 399
Матрица 399
B Оптимизация 403
C вероятность распределения 409
PostScript 417
Индекс 419
Машинное обучение является важной ветвью компьютерной науки и искусственного интеллекта. Эта книга, как учебник в этой области, охватывает все аспекты базовых знаний о машинном обучении как можно больше с точки зрения контента. Книга имеет в общей сложности 16 Главы, которые примерно разделены на 3 части: 1 Часть (Глава 1 ～ 3) Представляет базовые знания машинного обучения; часть 2 (Глава 4 ~ 10) Обсуждение— некоторые классические и широко используемые методы машинного обучения (деревья решений, нейронные сети, вспомогательные векторные машины, байесовские классификаторы, интегрированное обучение, кластеризация, сокращение измерений и обучение измерения); часть 3 (глава 11-16) для продвижения знаний, Содержание включает в себя характерный отбор и разреженное обучение, теорию вычисления обучения, полузащитное обучение, модель диаграммы вероятности, правила и улучшенное обучение. Каждая глава сопровождается упражнениями и внедряется связанные материалы для чтения, которые будут заинтересованы в читателях. Введите.&Mdash; Step Drilling Explore.
Эта книга может использоваться в качестве учебника по бакалавриату или выпускникам для компьютеров, автоматизации и связанных с ними специальностей в колледжах и университетах. Она также может использоваться для справки для исследователей и технического и технического персонала, которые заинтересованы в машинном обучении.
Чжоу Чжихуа, профессор компьютерного факультета Университета Нанкин, выдающихся ученых ACM, сотрудник IEEE Feee, сотрудник IAPR, сотрудник IET/IEE, Китайское компьютерное общество.Национальный победитель молодежного научного фонда, специальный профессор ученого реки Янцзы.Он занимал пост редактора, заместителя редактора, заместителя редактора, редакционного комитета и т. Д. различных журналов SCI (E).Директор профессионального комитета по искусственному интеллекту и признанию модели китайского компьютерного общества, директора профессионального комитета машинного обучения Китайского общества искусственного интеллекта и заместителя председателя Комитета по технологиям аналитических технологий Computing Computing Celligence Data.