成功加入购物车
蒋艳凰 著 / 电子工业出版社 / 2009-08 / 平装
售价 ¥ 3.00
品相 八五品
优惠 满包邮
延迟发货说明
上书时间2024-02-06
卖家超过10天未登录
机器学习方法
《机器学习方法》比较全面系统地介绍了机器学习的方法和技术,不仅详细阐述了许多经典的学习方法,还讨论了一些有生命力的新理论、新方法。全书共分为13章,分别介绍了机器学习的基本概念、最近邻规则、贝叶斯学习、决策树、基于事例推理的学习、关联规则学习、神经网络、支持向量机、遗传算法、集成学习、纠错输出编码、聚类分析、强化学习。各章对原理的叙述力求概念清晰、表达准确,突出理论联系实际,富有启发性,易于理解。
《机器学习方法》可作为高等院校计算机、自动化、电子和通信等专业研究生和高年级本科生的教材和参考书。《机器学习方法》内容对从事人工智能、机器学习、数据挖掘、模式识别等相关领域研究的科技人员具有较好的参考价值。
第1章 绪论1.1 机器学习概念1.2 机器学习系统1.2.1 学习系统模型1.2.2 机器学习系统结构1.3 机器学习方法分类1.3.1 监督学习1.3.2 非监督学习1.3.3 强化学习1.4 一般性定理与规则1.4.1 大多数原则1.4.2 奥卡姆剃刀原理1.4.3 无免费午餐定理1.5 学习算法的评价1.5.1 最短描述长度1.5.2 预测精度分析1.5.3 交叉验证法1.6 本书各章概要第2章 最近邻规则2.1 最近邻分类2.1.1k-NN规则的思想2.1.2k-NN的距离度量2.1.3k-NN算法应用示例2.2k-NN算法的缺陷及其改进2.2.1k-NN算法的计算复杂度2.2.2 降维法2.2.3 预建结构法2.2.4 训练集裁减法第3章 贝叶斯学习3.1 概率论基础3.1.1 随机事件3.1.2 事件间的关系与运算3.1.3 概率的定义与性质3.1.4 统计概率3.1.5 条件概率3.1.6 概率密度3.1.7 正态分布3.2 贝叶斯定理3.3 贝叶斯定理和概念学习3.4 极大似然和最小误差平方假设3.5 贝叶斯最优分类器3.6 简单贝叶斯分类器3.7 贝叶斯网络3.7.1 贝叶斯网络基本概念3.7.2 因果关系网3.7.3 贝叶斯网络3.7.4 联合概率3.7.5 D分离3.7.6 贝叶斯网络的推理模式3.8 主观贝叶斯方法3.8.1 规则的不确定性3.8.2 证据的不确定性3.8.3 推理计算3.9 贝叶斯学习的优缺点第4章 决策树4.1 决策树的创建4.1.1 分而治之的思想4.1.2 决策树生成算法4.2 分枝划分标准4.2.1 测试条件4.2.2 直接划分法4.2.3 信息熵增益4.2.4 增益比4.2.5 Gini系数4.2.6 最短距离划分4.2.7 最短描述长度4.3 连续属性离散化……第5章 基于事例推理的学习第6章 关联规则学习第7章 神经网络第8章 支持向量机第9章 遗传算法第10章 集成学习第11章 基于纠错编码的机器学习第12章 聚类分析第13章 强化学习附录A 数据集描述参考文献
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30