返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [友一个正版] 机器学习导论 原书第3版 埃塞姆 阿培丁 计算机科学丛书 黑皮书 9787111521945 机械
  • 正版图书,限购1件,多拍不发货,谢谢合作。
    • 作者: 埃塞姆·阿培丁著
    • 出版社: 机械工业出版社
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    友一个文化制品专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    标题前缀为分类信息!!!!!!!购买前请看好标题前缀!!!!!总标题中【正版】前为标题前缀!!!

    商品参数
    • 作者: 埃塞姆·阿培丁著
    • 出版社:机械工业出版社
    • ISBN:9783252649210
    • 版权提供:机械工业出版社

            店铺公告

     

    为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。

    温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货),

    关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。

     

      商品基本信息
    商品名称:  机器学习导论(原书第3版)
    作者:  (土)埃塞姆 阿培丁(Ethem Alpaydin)
    市场价:  79.00
    ISBN号:  9787111521945
    版次:  1-4
    出版日期:  2016-01
    页数:  356
    字数:  500
    出版社:  机械工业出版社
      目录
    目录
    Introduction to Machine Learning,Third Edition
    出版者的话
    译者序
    前言
    符号说明
    第1章引言1
    1.1什么是机器学习1
    1.2机器学习的应用实例2
    1.2.1学习关联性2
    1.2.2分类3
    1.2.3回归5
    1.2.4非监督学习6
    1.2.5增强学习7
    1.3注释8
    1.4相关资源10
    1.5习题11
    1.6参考文献12
    第2章监督学习13
    2.1由实例学习类13
    2.2VC维16
    2.3概率近似正确学习16
    2.4噪声17
    2.5学习多类18
    2.6回归19
    2.7模型选择与泛化21
    2.8监督机器学习算法的维23
    2.9注释24
    2.10习题25
    2.11参考文献26
    第3章贝叶斯决策理论27
    3.1引言27
    3.2分类28
    3.3损失与风险29
    3.4判别式函数30
    3.5关联规则31
    3.6注释33
    3.7习题33
    3.8参考文献36
    第4章参数方法37
    4.1引言37
    4.2最大似然估计37
    4.2.1伯努利密度38
    4.2.2多项式密度38
    4.2.3高斯(正态)密度39
    4.3评价估计:偏倚和方差39
    4.4贝叶斯估计40
    4.5参数分类42
    4.6回归44
    4.7调整模型的复杂度:偏倚/方差两难选择46
    4.8模型选择过程49
    4.9注释51
    4.10习题51
    4.11参考文献53
    第5章多元方法54
    5.1多元数据54
    5.2参数估计54
    5.3缺失值估计55
    5.4多元正态分布56
    5.5多元分类57
    5.6调整复杂度61
    5.7离散特征62
    5.8多元回归63
    5.9注释64
    5.10习题64
    5.11参考文献66
    第6章维度归约67
    6.1引言67
    6.2子集选择67
    6.3主成分分析70
    6.4特征嵌入74
    6.5因子分析75
    6.6奇异值分解与矩阵分解78
    6.7多维定标79
    6.8线性判别分析82
    6.9典范相关分析85
    6.10等距特征映射86
    6.11局部线性嵌入87
    6.12拉普拉斯特征映射89
    6.13注释90
    6.14习题91
    6.15参考文献92
    第7章聚类94
    7.1引言94
    7.2混合密度94
    7.3k均值聚类95
    7.4期望最大化算法98
    7.5潜在变量混合模型100
    7.6聚类后的监督学习101
    7.7谱聚类102
    7.8层次聚类103
    7.9选择簇个数104
    7.10注释104
    7.11习题105
    7.12参考文献106
    第8章非参数方法107
    8.1引言107
    8.2非参数密度估计108
    8.2.1直方图估计108
    8.2.2核估计109
    8.2.3k最近邻估计110
    8.3推广到多变元数据111
    8.4非参数分类112
    8.5精简的最近邻112
    8.6基于距离的分类113
    8.7离群点检测115
    8.8非参数回归:光滑模型116
    8.8.1移动均值光滑116
    8.8.2核光滑117
    8.8.3移动线光滑119
    8.9如何选择光滑参数119
    8.10注释120
    8.11习题121
    8.12参考文献122
    第9章决策树124
    9.1引言124
    9.2单变量树125
    9.2.1分类树125
    9.2.2回归树128
    9.3剪枝130
    9.4由决策树提取规则131
    9.5由数据学习规则132
    9.6多变量树134
    9.7注释135
    9.8习题137
    9.9参考文献138
    第10章线性判别式139
    10.1引言139
    10.2推广线性模型140
    10.3线性判别式的几何意义140
    10.3.1两类问题140
    10.3.2多类问题141
    10.4逐对分离142
    10.5参数判别式的进一步讨论143
    10.6梯度下降144
    10.7逻辑斯谛判别式145
    10.7.1两类问题145
    10.7.2多类问题147
    10.8回归判别式150
    10.9学习排名151
    10.10注释152
    10.11习题152
    10.12参考文献154
    第11章多层感知器155
    11.1引言155
    11.1.1理解人脑155
    11.1.2神经网络作为并行处理的典范156
    11.2感知器157
    11.3训练感知器159
    11.4学习布尔函数160
    11.5多层感知器161
    11.6作为普适近似的MLP162
    11.7向后传播算法163
    11.7.1非线性回归163
    11.7.2两类判别式166
    11.7.3多类判别式166
    11.7.4多个隐藏层167
    11.8训练过程167
    11.8.1改善收敛性167
    11.8.2过分训练168
    11.8.3构造网络169
    11.8.4线索169
    11.9调整网络规模170
    11.10学习的贝叶斯观点172
    11.11维度归约173
    11.12学习时间174
    11.12.1时间延迟神经网络175
    11.12.2递归网络175
    11.13深度学习176
    11.14注释177
    11.15习题178
    11.16参考文献180
    第12章局部模型182
    12.1引言182
    12.2竞争学习182
    12.2.1在线k均值182
    12.2.2自适应共鸣理论184
    12.2.3自组织映射185
    12.3径向基函数186
    12.4结合基于规则的知识189
    12.5规范化基函数190
    12.6竞争的基函数191
    12.7学习向量量化193
    12.8混合专家模型193
    12.8.1协同专家模型194
    12.8.2竞争专家模型195
    12.9层次混合专家模型195
    12.10注释196
    12.11习题196
    12.12参考文献198
    第13章核机器200
    13.1引言200
    13.2最佳分离超平面201
    13.3不可分情况:软边缘超平面203
    13.4vSVM205
    13.5核技巧205
    13.6向量核206
    13.7定义核207
    13.8多核学习208
    13.9多类核机器209
    13.10用于回归的核机器210
    13.11用于排名的核机器212
    13.12一类核机器213
    13.13大边缘最近邻分类215
    13.14核维度归约216
    13.15注释217
    13.16习题217
    13.17参考文献218
    第14章图方法221
    14.1引言221
    14.2条件独立的典型情况222
    14.3生成模型226
    14.4d分离227
    14.5信念传播228
    14.5.1链228
    14.5.2树229
    14.5.3多树230
    14.5.4结树232
    14.6无向图:马尔科夫随机场232
    14.7学习图模型的结构234
    14.8影响图234
    14.9注释234
    14.10习题235
    14.11参考文献237
    第15章隐马尔科夫模型238
    15.1引言238
    15.2离散马尔科夫过程238
    15.3隐马尔科夫模型240
    15.4HMM的三个基本问题241
    15.5估值问题241
    15.6寻找状态序列244
    15.7学习模型参数245
    15.8连续观测247
    15.9HMM作为图模型248
    15.10HMM中的模型选择250
    15.11注释251
    15.12习题252
    15.13参考文献254
    第16章贝叶斯估计255
    16.1引言255
    16.2离散分布的参数的贝叶斯估计257
    16.2.1K>2个状态:狄利克雷分布257
    16.2.2K=2个状态:贝塔分布258
    16.3高斯分布的参数的贝叶斯估计258
    16.3.1一元情况:未知均值,已知方差258
    16.3.2一元情况:未知均值,未知方差259
    16.3.3多元情况:未知均值,未知协方差260
    16.4函数的参数的贝叶斯估计261
    16.4.1回归261
    16.4.2具有噪声精度先验的回归264
    16.4.3基或核函数的使用265
    16.4.4贝叶斯分类266
    16.5选择先验268
    16.6贝叶斯模型比较268
    16.7混合模型的贝叶斯估计270
    16.8非参数贝叶斯建模272
    16.9高斯过程272
    16.10狄利克雷过程和中国餐馆275
    16.11本征狄利克雷分配276
    16.12贝塔过程和印度自助餐277
    16.13注释278
    16.14习题278
    16.15参考文献279
    第17章组合多学习器280
    17.1基本原理280
    17.2产生有差异的学习
       内容简介
        本书是关于机器学习这一主题内容全面的教科书,涵盖了通常在机器学习导论中并不包括的广泛题材。对机器学习的定义和应用实例进行了介绍,涵盖了监督学习、贝叶斯决策理论、参数方法、多元方法、维度归约、聚类、非参数方法、决策树、线性判别式、多层感知器、局部模型、核机器、图方法、隐马尔可夫模型、贝叶斯估计、组合多学习器、增强学习以及机器学习实验的设计与分析等。
        
    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    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

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购