实名认证领苏宁支付券立即领取 >
¥
提前抢
SUPER会员专享
由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
欢迎光临本店铺
点我可查看更多商品哦~
100%刮中券,最高50元无敌券,券有效期7天
亲,今日还有0次刮奖机会
我的云钻:0
您的云钻暂时不足,攒足云钻再来刮
恭喜获得1张券!
今天的机会已经全部用完了,请明天再来
恭喜刮出两张券,请选择一张领取
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
全新机器学导论东9787302546054
¥ ×1
商品
服务
物流
章机器学习概述11.1什么是机器学习11.2机器学习的基本框架21.3机器学习发展简史51.4机器学习的流派71.4.1符号学派81.4.2贝叶斯学派81.4.3连接学派101.4.4进化仿生学派111.4.5哪个学派更占主流121.5让人惊讶的学习131.5.1从猴子摘香蕉到星际大战131.5.2集体学习的机器人141.5.3图片理解161.5.4金融市场量化分析181.5.5AlphaGo201.6机器学习技术的前沿211.7机器智能会超过人类智能吗221.8机器学习基础1.81训练、验与测试1.8.2参数过拟合、交叉验与正则化241.8.3结构过拟合与模型选择241.8.4机器学习方法分类271.9开始你的机器学习之旅291.9.1如何开始一个机器学习任务291.9.2如何学习机器学习301.10相关资源30第2章线模型332.1线预测模型332.1.1从多项式拟合说起342.1.2线回归362.1.3Fisher准则与线分类392.1.4Logistic回归422.1.5小结442.2线概率模型452.2.1主成分分析462.2.2概率主成分分析472..概率线判分析50.贝叶斯方法522.4本章小结542.5相关资源55第3章神经模型563.1神经网络概述573.1.1什么是人工神经网络583.1.2神经模型与方法583.2基于映的神经模型593.2.1从线模型开始593.2.2多层感知器623..径向基函数网络673.2.4神经网络模型与先验知识693.3基于记忆的神经模型723.3.1Kohonen网络733.3.2Hopfield网络753.3.3玻尔兹曼机783.3.4受限玻尔兹曼机813.3.5自编码器843.4基于过程的模型873.4.1ElmanRNN883.4.2门网络893.4.3序列对序列网络933.4.4基于Attention模型的诗词生成953.5神经图灵机973.6本章小结993.7相关资源100第4章深度学习1014.1从浅层学习到深度学习1014.1.1网络表达能力1024.1.2层次表示与特征学习1034.1.3显著特征的非监督学习1044.1.4复杂结构与数据驱动1094.2深度神经网络训练1104.2.1基础训练算法1104.2.2DNN训练的困难1164..DNN训练技巧1254.3神经网络的正则化1344.3.1结构化网络与参数共享1354.3.2范式约束与稀疏网络1374.3.3加噪训练与数据1404.3.4联合训练1404.3.5知识迁移1434.4生成模型下的深度学习1454.4.1神经网络的简单概率表达1454.4.2后验拟合与VariationalAE1474.4.3VariationalRNN1514.5计算图与复杂神经网络1534.5.1由ChainRule到计算图1544.5.2基于计算图的参数优化1564.5.3计算图的模块化1574.5.4计算图与深度神经网络1574.6计算平台与方法1604.6.1GPU与TPU1604.6.2并行计算1614.6.3模型压缩1674.7深度学习的应用1694.7.1语音信号处理1694.7.2自然语言处理1734.7.3计算机视觉1764.8本章小结1794.9相关资源180第5章核方法1815.1从线回归到核方法1835.2核函数的质145.2.1核希尔伯特空间与Mercer定理1845.2.2核函数的基本质165.3常用核函数1865.3.1简单核函数1875.3.2概率核1885.3.3复杂对象上的核函数1895.4KernelPCA1955.5高斯过程1975.6支持向量机1995.6.1线可分的SVM2005.6.2线不可分的SVM2025.6.3v-SVM2045.6.4SVM的若干讨论2055.7相关向量机2065.8本章小结2085.9相关资源209第6章图模型2106.1概率图模型简介2116.2有向图模型2126.2.1典型模型2126.2.2有向图变量相关判断2146.3无向图模型2176.3.1无向图变量相关判断2186.3.2有向图向无向图转化2196.3.3有向图和无向图对比2216.4常用概率图模型2216.4.1高斯混合模型2216.4.2隐马尔可夫模型2256.4.3线条件随机场2296.5EM算法26.6准确推理算法56.6.1加和—乘积算法56.6.2树状图的加和—乘积算法6.6.3联合树算法6.7近似推理算法2406.7.1采样法2416.7.2变分法2466.7.3采样法和变分法比较2506.8本章小结2506.9相关资源251第7章无监督学习2527.1无监督学习任务2537.1.1聚类概述2537.1.2流形学习概述2547.1.3因子学习2557.2聚类方法2567.2.1基于划分的聚类方法2567.2.2基于连接的聚类方法2587..基于密度的聚类方法2627.2.4基于模型的聚类方法2637.3流形学习2647.3.1主成分分析2667.3.2多维标度2687.3.3ISOMAP2697.3.4自组织映2717.3.5局部线嵌入2737.3.6谱嵌入2767.3.7t-SNE2767.3.8流形学习方法比较2797.4图模型与无监督学习2797.4.1图模型下的聚类任务2797.4.2图模型下的流形学习2807.4.3图模型下的因子学习2817.5神经模型与无监督学习2827.5.1特征学习任务中的因子学习2827.52生成任务中的因子学习2837.5.3分类/回归任务中的因子学习2837.6本章小结2857.7相关资源286第8章非参数模型2878.1简单非参数模型2888.2回顾高斯过程2908.2.1高斯过程定义2908.2.2高斯过程回归2928..高斯过程用于分类任务2968.3狄利克雷过程2968.3.1回顾高斯混合模型2978.3.2中国餐馆问题2988.3.3狄利克雷分布及质3008.3.4狄利克雷过程的定义3028.3.5狄利克雷过程的表示3038.3.6狄利克雷过程的构造3078.3.7推理方法3098.3.8HierarchicalDP(HDP)3118.4本章小结3128.5相关资源313第9章演化学习3159.1基于采样的优化方法3169.1.1演化学习3169.1.2群体学习与随机优化3179.2遗传算法3189.2.1算法框架3199.2.2算法细节3209..进化理论3249.3遗传编程3289.3.1算法基础3289.3.2GP高级话题3339.3.3演化学习方法3359.4群体学习方法3369.4.1蚁群优化算法3379.4.2人工蜂群算法3389.4.3粒子群算法3409.4.4捕猎者搜索3419.4.5萤火虫算法3429.5随机优化方法3429.5.1模拟退火算法3429.5.2杜鹃搜索3439.5.3和声搜索3449.5.4禁忌搜索3449.6本章小节345.相关3470章强化学习34810.1强化学习概述34910.1.1什么是强化学习34910.1.2与学习方法的区别35010.1.3强化学习的应用35210.2强化学习的基本要素35310.2.1强化学习三元素35310.2.2长期收益35310..值函数与策略优化35410.2.4通用策略迭代35510.2.5强化学习算法分类35610.3值函数学习:基于模型的规划算法35810.3.1马尔可夫决策过程35810.3.2MDP中的值函数36010.3.3策略估值:动态规划算法36110.3.4策略优化:策略迭代和值迭代36210.4值函数学习:基于采样的方法36510.4.1学习任务与采样方法36510.4.2策略估值36510.4.3策略优化36710.5值函数学习:基于采样的时序差分方法37010.5.1基于TD的策略估值37010.5.2基于TD的策略优化37210.5.3N-stepTD与TD(λ)37410.5.4三种值函数学方法结37510.6模型学习37710.6.1值函数学习与模型学习37710.6.2模型学习方法37810.6.3Dyna:混合学习方法37910.7函数近似与策略学习38010.7.1值函数近似38110.7.2基于梯度的参数优化38310.7.3基于函数近似的策略学习38310.7.4Actor-Critic方法38510.8深度强化学习方法38610.8.1Atari游戏38710.8.2AlphaGo38810.9本章小结39110.10相关资源3911章优化方法39311.1函数优化39411.1.1优化问题定义39411.1.2优化问题分类39511.1.3基础定理39511.2无约束优化问题39611.2.1线搜索39611.2.2置信域优化40111.3带约束优化问题40411.3.1拉格朗日乘子法40511.3.2对偶问题40711.3.3线规划40911.3.4二阶规划41511.3.5一般非线优化42011.4本章小结42511.5相关资源426参考文献427
王东, 1995-2002年清华、硕士,2010年英国爱丁堡大学博士,历任Oracle 中国软件,IBM中国高级软件,英国爱丁堡大学Marie Curie 研究员,法国EURECOM博士后研究员,美国Nuance公司高级研究科学家。现任清华大学语音语言中心副研究员,中心常务副主任,FreeNeb公司首席科学家。王东博士是全国人机语音通讯会议常设机构秘书长,是亚太信号信息处理联盟(APASIPA)语音专委会副、杰出讲师,是国际标准与语音数据资源委员会(COCOSDA)大陆区代表。王东博士自1997年开始从事语音识别、自然语言处理方面的研究,在相关领域发表学术120余篇,公开专利20余项,其专利技术在日本软银、新松、智能管家等多家国内外有名公司应用,创造了良了的社会效益和经济效益。
《机器学习导论》从实战出发,内容全面,从基本概念入手,介绍了各种机器学习的基本类型。现代机器学习部分,不仅仅是关注的深度神经网络学习,同时还介绍了近十年取得令人关注进展的机器学习分支。着重于现代方法,但是也没有忘记详尽地介绍经典方法,刻画了机器学习学科发展历的各个里程碑式的重要成果,基本覆盖了机器学习技术各个时期的主要方向;第二,该书内容比较浅显,对大多数方法的介绍做到点到为止。有利于入门学生摆脱具体算法的纠缠,快速通读下去,避免信息破碎;第三,本书对各种方法的关联做了重点阐述,有利于形成知识脉络。第四,作者对每种技术都给出了大量参考文献,便于读者根据个体需求深入学习。上述这些特点对从事应用研究的初学者重要,基于这些信息,便于形成对机器学技术体思路的把握,从而可以在需要的时候能理清头绪,从众多机器学习方法中找到合适的工具。
抢购价:¥ 38.00
易购价:¥ 38.00
注:参加抢购将不再享受其他优惠活动
亲,很抱歉,您购买的宝贝销售异常火爆,让小苏措手不及,请稍后再试~
验证码错误
看不清楚?换一张
确定关闭
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
查看我的收藏夹
非常抱歉,您前期未参加预订活动,无法支付尾款哦!
关闭
抱歉,您暂无任性付资格
继续等待
0小时0分
立即开通
SUPER会员