[SPOT] Статистические методы обучения, 2 -е издание, Li Hang, Maning Text Data, поиск информации, машинное обучение, преподавание, наивный байесовский метод, статистическое обучение, пресса Университета Цинхуа, пресса
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Статистический метод обучения,
Цена 98 Юань
ISBN: 9787302517276
Издательство Университета Университета Цингхуа
Время публикации 2019.5
краткое введение
Статистический метод обучения - это метод машинного обучения, который является важной дисциплиной в области компьютеров и его применения.
Эта книга разделена на две статьи: надзор и неконтролируемое обучение, всестороннее и систематически введено основные методы статистического обучения.
Включая персептрон, метод K-ближайшего соседа, наивный бессианский метод, дерево решений, логистическая регрессия и максимальная энтропия, модель,
Поддержка векторной машины, улучшение метода, алгоритм EM, скрытая модель Маркова и кондиционированный случайный аэропорт, а также методы кластеризации, методы кластеризации,
Странное разложение значений, анализ основных компонентов, потенциальный семантический анализ, потенциальный семантический анализ вероятности, метод Малкова Монте -Карло,
Потенциальное распределение диликра и алгоритм PageRank.За исключением общего статистического обучения, надзор XI и неконтролируемого обучения
В дополнение к четырем главам и резюме, каждая глава представляет метод.Описание стремится начать с конкретных вопросов или экземпляров, от мелкого до глубокого,
Клиптация, дайте необходимый деривация математики, облегчить читателям овладеть сущностью методов статистического обучения и научиться использовать.
Чтобы удовлетворить потребности дальнейшего обучения читателей, в книге было представлено некоторые связанные исследования, и было дано небольшое количество упражнений.
Перечислите основные справочные документы.Эта книга является учебником по статистическому машинному обучению и связанных с ним курсам.
Применимо к интеллектуальному анализу текстовых данных для колледжей и университетов
Профессиональные студенты колледжа, такие как поиск процентов и обработка естественного языка,
Аспиранты также могут быть использованы для исследований и разработчиков, занимающихся специальностями, связанными с компьютерными приложениями.
Оглавление
первый раз 
Вторая часть неконтролируемого обучения
Глава 13
13.1.1  основной принцип неконтролируемого обучения
13.1.2  Основной вопрос
13.1.3  машинное обучение три элемента
13.1.4&Nbsp; не -супервидение
Глава 14
14.1  Основная концепция кластера
14.1.1  сходство или расстояние
14.1.2  категория или кластер
14.1.3&Расстояние между классом NBSP;
14.2  иерархический кластер
14.3&Nbsp; k среднее
14.3.1  модель
14.3.2  стратегия
14.3.3  алгоритм
14.3.4&Функции алгоритма NBSP;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 15  странное разложение значений
15.1  определение и природа странного разложения ценности
15.1.1  определение и теорема
15.1.2  тесно различное разложение значений и отключить странное разложение различных значений
15.1.3  Геометрическое объяснение
15.1.4  Главная природа
15.2  расчет странного разложения значений
15.3  странное разложение значения аналогично матрице
15.3.1 образец Форбниуса
15.3.2 Оптимальное приближение матрицы
15.3.3&Расширение внешнего накопления NBSP;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 16  анализ основных компонентов
16.1  общий анализ основных компонентов
16.1.1  Основные мысли
16.1.2  определение и экспорт
16.1.3  Главная природа
16.1.4&Количество NBSP; основные ингредиенты
16.1.5  общий основной компонент стандартизированных переменных
16.2  Образец основной компонентный анализ
16.2.1  определение и природа основного компонента образца
16.2.2  Алгоритм декомпозиции характерного значения соответствующей матрицы
16.2.3&НАСП;
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 17  Потенциальный семантический анализ
17.1  Word Vector Space и тематическое векторное пространство
17.1.1 vord Vector Space
17.1.2  Тематическое векторное пространство
17.2  Потенциальный алгоритм семантического анализа
17.2.1  Алгоритм разложения NBSP; Странная разложение различных значений
17.2.2  Пример
17.3  алгоритм негативного матричного разложения
17.3.1  негативное матричное разложение
17.3.2  Потенциальная модель семантического анализа
17.3.3  Формализация негативной матричной разложения
17.3.4  алгоритм
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 18  потенциальный семантический анализ популярности
18.1  Потенциальная модель сексуального анализа популярности
18.1.1  Основные мысли
18.1.2  генерировать модель
18.1.3  Общая модель
18.1.4 модель природа
18.2  Алгоритм потенциального семантического анализа вероятности
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 19  МЕТОД МОНТА КАРЛО МОНТА КАРЛО
19.1&метод NBSP; Монте -Карло
19.1.1  случайная выборка
19.1.2  оценка ожидания математики
19.1.3  расчет баллов
19.2 цепь малкев
19.2.1  Основное определение
19.2.2 отдельная государственная сеть малкев
19.2.3  непрерывное состояние цепь Малкова
19.2.4  Marcoov Chain Nature
19.3  МЕТОД МОНТА КАРЛО МОНТА КАРЛО
19.3.1  Основные мысли
19.3.2  основные шаги
19.3.3  MALCOV ChAIN MONTE CARLO Метод и статистическое обучение
19.4  алгоритм мегаполиса-гастингса
19.4.1  Основной принцип
19.4.2  алгоритм мегаполиса-гастингса
19.4.3  Алгоритм Metropolis-Hastings с одним компонентом
19.5 выборка Gibbes
19.5.1  Основной принцип
19.5.2 алгоритм отбора проб Gibbes
19.5.3  расчет выборки
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 20  потенциальное распределение дили Крей
20.1  DiLikre Distribution
20.1.1  Определение распределения
20.1.2 gongxuan первая проверка
20.2  Потенциальная модель распределения диликра
20.2.1  Основные мысли
20.2.2  Определение модели
20.2.3  модель диаграммы вероятности
20.2.4  Преобразование последовательности случайной переменной
20.2.5  Формула вероятности
20.3  Алгоритм отбора проб NBSP; LDA
20.3.1  Основные мысли
20.3.2  основная часть алгоритма
20.3.3  Пост -обработка алгоритмов
20.3.4  алгоритм
20.4&em -алгоритм изменений NBSP;
20.4.1&Nbsp; изменение рассуждения
20.4.2 Алгоритм изменений дивизии EM
20.4.3  вывод алгоритма
20.4.4 резюме алгоритма
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 21 алгоритм PageRank
21.1&Nbsp; определение PageRank
21.1.1  Основные мысли
21.1.2  есть города и модели случайных ходьбы
21.1.3  Основное определение PageRank
21.1.4  Общее определение PageRank
21.2  PageRank расчет
21.2.1&Nbsp; алгоритм итерации
21.2.2  метод мощности
21.3.3  алгебра
  Резюме этой главы
  Продолжить чтение
  упражнение
  ссылка
Глава 22  Краткое описание неконтролируемых методов обучения
22.1  отношения и характеристики неконтролируемых методов обучения
22.1.1  взаимосвязь между различными методами
22.1.2&Nbsp; не -супервидение
22.1.3  Фонд и их методы обучения
22.2&Отношения и характеристики между NBSP; Тематические модели
  ссылка
  Приложение A  метод падения градиента
  Приложение B  ньютоновский и ньютоновский закон
  Приложение C  Лагрангинские кукол
  Приложение D  ОСНОВНОЕ ПОДПАЗИ
  Приложение E  Определение рассеяния KL и природы диликри распределения
  Индекс