机器学习导论【正版】 azw3 chm 地址 kindle 阿里云 下载 umd pdf

这本书通过给出易操作的实践指导、采用简单的例子、激励学生讨论有趣的应用问题，用一种易于理解的方式介绍了机器学习的基本思想。本书主题包括贝叶斯分类器、近邻分类器、线性和多项式分类器、决策树、神经网络以及支持向量机。后面的章节展示了如何把这些简单工具通过“提升”（boosting）的方式结合起来，怎样将它们应用于更加复杂的领域，以及如何处理各种高级的实践问题。其中有一章介绍了广为人知的遗传算法。

推荐序

前言

第1章?一个简单的机器学习任务//

1.1训练集和分类器//

1.2一点题外话：爬山搜索//

1.3机器学习中的爬山法//

1.4分类器的性能//

1.5可用数据的困难//

1.6总结和历史简评//

1.7巩固你的知识//

第2章?概率：贝叶斯分类器//

2.1单属性的情况//

2.2离散属性值的向量//

2.3稀少事件的概率：利用专家的直觉//

2.4如何处理连续属性//

2.5高斯钟形函数：一个标准的概率密度函数//

2.6用高斯函数的集合近似概率密度函数//

2.7总结和历史简评//

2.8巩固你的知识//

第3章?相似性：最近邻分类器//

3.1k近邻法则//

3.2度量相似性//

3.3不相关属性与尺度缩放问题//

3.4性能方面的考虑//

3.5加权最近邻//

3.6移除危险的样例//

3.7移除多余的样例//

3.8总结和历史简评//

3.9巩固你的知识//

第4章?类间边界：线性和多项式分类器//

4.1本质//

4.2加法规则：感知机学习//

4.3乘法规则：WINNOW//

4.4多于两个类的域//

4.5多项式分类器//

4.6多项式分类器的特殊方面//

4.7数值域和支持向量机//

4.8总结和历史简评//

4.9巩固你的知识//

第5章?人工神经网络//

5.1作为分类器的多层感知机//

5.2神经网络的误差//

5.3误差的反向传播//

5.4多层感知机的特殊方面//

5.5结构问题//

5.6径向基函数网络//

5.7总结和历史简评//

5.8巩固你的知识//

第6章?决策树//

6.1作为分类器的决策树//

6.2决策树的归纳学习//

6.3一个属性承载了多少信息//

6.4数值属性的二元划分//

6.5剪枝//

6.6将决策树转换为规则//

6.7总结和历史简评//

6.8巩固你的知识//

第7章?计算学习理论//

7.1PAC?学习//

7.2PAC可学习性的实例//

7.3一些实践和理论结果//

7.4VC维与可学习性//

7.5总结和历史简评//

7.6巩固你的知识//

第8章?几个有帮助的案例//

8.1字符识别//

8.2溢油检测//

8.3睡眠分类//

8.4脑机界面//

8.5医疗诊断//

8.6文本分类//

8.7总结和历史简评//

8.8巩固你的知识//

第9章?投票组合简介//

9.1“装袋”方法(Bagging)//

9.2夏皮尔提升(Schapires?Boosting)//

9.3Adaboost——Boosting的实用版本//

9.4Boosting方法的变种//

9.5Boosting方法的计算优势//

9.6总结和历史简评//

9.7巩固你的知识//

第10章?了解一些实践知识//

10.1学习器的偏好//

10.2不平衡训练集//

10.3语境相关域//

10.4未知属性值//

10.5属性选择//

10.6杂项//

10.7总结和历史简评//

10.8巩固你的知识//

第11章?性能评估//

11.1基本性能标准//

11.2精度和查全率//

11.3测量性能的其他方法//

11.4多标签域内的性能//

11.5学习曲线和计算开销//

11.6实验评估的方法//

11.7总结和历史简评//

11.8巩固你的知识//

第12章?统计显著性//

12.1总体抽样//

12.2从正态分布中获益//

12.3置信区间//

12.4一个分类器的统计评价//

12.5另外一种统计评价//

12.6机器学习技术的比较//

12.7总结和历史简评//

12.8巩固你的知识//

第13章?遗传算法//

13.1基本遗传算法//

13.2单个模块的实现//

13.3为什么能起作用//

13.4过早退化的危险//

13.5其他遗传算子//

13.6高级版本//

13.7k-NN?分类器的选择//

13.8总结和历史简评//

13.9巩固你的知识//

第14章?增强学习//

14.1如何选出最高奖励的动作//

14.2游戏的状态和动作//

14.3SARSA方法//

14.4总结和历史简评//

14.5巩固你的知识//

参考文献//

米罗斯拉夫·库巴特，美国迈阿密大学教授，从事机器学习教学和研究超过25年。他已发表100余篇经过同行评审的论文，与人合编了两本著作，是近60个会议和研讨会的程序委员会委员，并担任3本学术刊物的编委。他在两个方面的前沿研究上得到了广泛赞誉：时变概念的归纳学习和在非平衡训练集上的学习。此外，在多标签样例上的归纳学习、层次组织的类别上的归纳学习、遗传算法、神经网络的初始化等问题上，他也做出了很多贡献。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：机器学习导论【正版】在线阅读

在线听书地址：机器学习导论【正版】在线收听

在线购买地址：机器学习导论【正版】在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！