圖解機(jī)器學(xué)習(xí)

定　價(jià)：￥49.00

作　者：	（日）杉山將
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 人工智能

購(gòu)買這本書可以去

ISBN：	9787115388025	出版時(shí)間：	2015-04-01	包裝：
開本：		頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《圖解機(jī)器學(xué)習(xí)》用豐富的圖示，從最小二乘法出發(fā)，對(duì)基于最小二乘法實(shí)現(xiàn)的各種機(jī)器學(xué)習(xí)算法進(jìn)行了詳細(xì)的介紹。第Ⅰ部分介紹了機(jī)器學(xué)習(xí)領(lǐng)域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監(jiān)督的回歸算法和分類算法；第Ⅳ部分介紹了各種監(jiān)督學(xué)習(xí)算法；第Ⅴ部分介紹了機(jī)器學(xué)習(xí)領(lǐng)域中的新興算法。書中大部分算法都有相應(yīng)的MATLAB程序源代碼，可以用來進(jìn)行簡(jiǎn)單的測(cè)試。

作者簡(jiǎn)介

　　杉山將，1974年生于大阪。東京工業(yè)大學(xué)計(jì)算機(jī)工程學(xué)博士畢業(yè)，現(xiàn)為東京大學(xué)教授、日本國(guó)立信息學(xué)研究所客座教授。主要從事機(jī)器學(xué)習(xí)的理論研究和算法開發(fā)，以及在信號(hào)和圖像處理等方面的應(yīng)用。2011年獲日本信息處理學(xué)會(huì)長(zhǎng)尾真紀(jì)念特別獎(jiǎng)。著有《統(tǒng)計(jì)機(jī)器學(xué)習(xí)》、DensityRatioEstimationinMachineLearning等。同時(shí)也是PatternRecognitionandMachineLearning日文版的譯者之一。許永偉，2009年赴東京大學(xué)攻讀博士學(xué)位，現(xiàn)于東京大學(xué)空間信息科學(xué)研究所從事博士后研究（特任研究員）。主要研究方向?yàn)槟Ｊ阶R(shí)別與機(jī)器學(xué)習(xí)、圖像處理與計(jì)算機(jī)視覺，對(duì)數(shù)據(jù)挖掘、大數(shù)據(jù)和信息架構(gòu)有濃厚興趣。

圖書目錄

第I部分　緒　論第1章　什么是機(jī)器學(xué)習(xí) 1．1　學(xué)習(xí)的種類 1．2　機(jī)器學(xué)習(xí)任務(wù)的例子 1．3　機(jī)器學(xué)習(xí)的方法第2章　學(xué)習(xí)模型 2．1　線性模型 2．2　核模型 2．3　層級(jí)模型第II部分　有監(jiān)督回歸第3章　最小二乘學(xué)習(xí)法 3．1　最小二乘學(xué)習(xí)法 3．2　最小二乘解的性質(zhì) 3．3　大規(guī)模數(shù)據(jù)的學(xué)習(xí)算法第4章帶有約束條件的最小二乘法 4．1　部分空間約束的最小二乘學(xué)習(xí)法 4．2?。? 約束的最小二乘學(xué)習(xí)法 4．3　模型選擇第5章　稀疏學(xué)習(xí) 5．1?。? 約束的最小二乘學(xué)習(xí)法 5．2?。? 約束的最小二乘學(xué)習(xí)的求解方法 5．3　通過稀疏學(xué)習(xí)進(jìn)行特征選擇 5．4　ｌp約束的最小二乘學(xué)習(xí)法 5．5?。?+ｌ2 約束的最小二乘學(xué)習(xí)法第6章　魯棒學(xué)習(xí) 6．1?。? 損失最小化學(xué)習(xí) 6．2　Huber損失最小化學(xué)習(xí) 6．3　圖基損失最小化學(xué)習(xí) 6．4?。? 約束的Huber損失最小化學(xué)習(xí) 第III部分　有監(jiān)督分類第7章　基于最小二乘法的分類 7．1　最小二乘分類 7．2　0/1 損失和間隔 7．3　多類別的情形第8章　支持向量機(jī)分類 8．1　間隔最大化分類 8．2　支持向量機(jī)分類器的求解方法 8．3　稀疏性 8．4　使用核映射的非線性模型 8．5　使用Hinge損失最小化學(xué)習(xí)來解釋 8．6　使用Ramp損失的魯棒學(xué)習(xí) 第9章　集成分類 9．1　剪枝分類 9．2　Bagging學(xué)習(xí)法 9．3　Boosting 學(xué)習(xí)法第10章　概率分類法 10．1　Logistic回歸 10．2　最小二乘概率分類第11 章序列數(shù)據(jù)的分類 11．1　序列數(shù)據(jù)的模型化 11．2　條件隨機(jī)場(chǎng)模型的學(xué)習(xí) 11．3　利用條件隨機(jī)場(chǎng)模型對(duì)標(biāo)簽序列進(jìn)行預(yù)測(cè) 第IV部分　監(jiān)督學(xué)習(xí) 第12章　異常檢測(cè) 12．1　局部異常因子 12．2　支持向量機(jī)異常檢測(cè) 12．3　基于密度比的異常檢測(cè) 第13章　監(jiān)督降維 13．1　線性降維的原理 13．2　主成分分析 13．3　局部保持投影 13．4　核函數(shù)主成分分析 13．5　拉普拉斯特征映射第14章　聚類 14．1　K均值聚類 14．2　核K均值聚類 14．3　譜聚類 14．4　調(diào)整參數(shù)的自動(dòng)選取第V部分　新興機(jī)器學(xué)習(xí)算法第15章　在線學(xué)習(xí) 15．1　被動(dòng)攻擊學(xué)習(xí) 15．2　適應(yīng)正則化學(xué)習(xí) 第16章　半監(jiān)督學(xué)習(xí) 16．1　靈活應(yīng)用輸入數(shù)據(jù)的流形構(gòu)造 16．2　拉普拉斯正則化最小二乘學(xué)習(xí)的求解方法 16．3　拉普拉斯正則化的解釋第17章　監(jiān)督降維 17．1　與分類問題相對(duì)應(yīng)的判別分析 17．2　充分降維第18章　遷移學(xué)習(xí) 18．1　協(xié)變量移位下的遷移學(xué)習(xí) 18．2　類別平衡變化下的遷移學(xué)習(xí) 第19章　多任務(wù)學(xué)習(xí) 19．1　使用最小二乘回歸的多任務(wù)學(xué)習(xí) 19．2　使用最小二乘概率分類器的多任務(wù)學(xué)習(xí) 19．3　多次維輸出函數(shù)的學(xué)習(xí) 第VI部分　結(jié) 語第20章　總結(jié)與展望參考文獻(xiàn)