文轩网图书旗舰店
  • 扫码下单

  • 机器学习与推理 俞成浦,陈文颉,邓方 编 大中专 文轩网
  • 新华书店正版
    • 作者: 俞成浦、陈文颉、邓方著
    • 出版社: 清华大学出版社
    • 出版时间:2024-08-01 00:00:00
    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
    /
    ×

    店铺装修中

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    文轩网图书旗舰店

  •      https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 俞成浦、陈文颉、邓方著
    • 出版社:清华大学出版社
    • 出版时间:2024-08-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2024-07-01
    • 页数:0
    • 开本:其他
    • 装帧:平装
    • ISBN:9787302668657
    • 国别/地区:中国
    • 版权提供:清华大学出版社

    机器学习与推理

    作  者:俞成浦,陈文颉,邓方 编
    定  价:75
    出 版 社:清华大学出版社
    出版日期:2024年08月01日
    页  数:328
    装  帧:平装
    ISBN:9787302668657
    主编推荐

    内容简介

    在人工智能与控制科学产生深度交叉融合的背景下,本书对机器学习和模型推理的经典算法及前沿理论知识进行深度剖析和全面梳理,形成具有理论深度和知识广度的参考资料,旨在支撑“智能科学与技术”和“控制科学与工程”两个一级学科的建设和发展。本书的主要内容分成两篇。第一篇主要介绍机器学习的主要理论和方法,包括统计决策方法、监督学习方法、无监督学习方法、深度学习方法和近似推理方法。除了总结经典算法之外,第一篇还介绍了近期新的集成学习方法(如迁移学习、终身学习和元学习)和深度学习方法(如图神经网络、深度信念网络和深度生成网络),使读者能够掌握机器学习专业方向的前沿理论知识。第二篇主要介绍模型推理的主要理论与方法,包括静态统计模型、概率图模型、马尔可夫模型以及马尔可夫决策过程。在模型知识的驱动下,第二篇聚焦控制领域的状态估计、系统辨识和马尔可夫决策,形成更具理论深度的高层次学习内容。为了帮助读者掌握核心内容和null

    作者简介

    "俞成浦,北京理工大学教授、博士生导师。长期从事系统建模和控制方面的教学与研究,讲授“机器学习基础”“模式识别”等课程。发表一作SCI论文20余篇,其中ESI热点论文2篇。主持国家基金委重大项目课题、国家重点研发计划课题和基金委面上基金。完成国家高层次海外人才青年项目和十三五装备预研项目。获教育部自然科学一等奖和中国自动化学会自然科学一等奖。出版专著2部。 陈文颉,北京理工大学副教授、硕士生导师。长期从事深度学习、目标检测与识别方面的教学和研究工作,讲授“模式识别”“电磁兼容技术”等课程。发表论文50余篇,授权专利20余项。承担装备型号项目、国防研究项目和自然科学基金。获国家科技进步奖2项。出版教材1部。 邓方,北京理工大学教授、博士生导师。长期从事自主智能群系统、可穿戴泛在系统等方面教学与研究,讲授“控制系统的故障诊断与容错控制”“智能计算与信息处理”等课程。发表学术论文140余篇,null

    精彩内容

    目录
    第1章绪论
    1.1人工智能发展
    1.2机器学习
    1.2.1机器学习概念
    1.2.2机器学习方法
    1.2.3机器学习分类
    1.3模型推理
    1.3.1模型分类
    1.3.2模型推理概念
    1.3.3模型推理方法
    1.4应用例子
    1.5内容安排
    习题
    第一篇机器学习
    第2章统计决策方法
    2.1贝叶斯决策
    2.1.1最小错误率贝叶斯决策
    2.1.2最小风险贝叶斯决策
    2.1.3Neyman-Pearson决策
    2.1.4贝叶斯决策规则比较
    2.1.5正态分布统计决策
    2.2概率密度函数估计
    2.2.1参数估计——极大似然法
    2.2.2参数估计——优选后验法
    2.2.3参数估计——贝叶斯方法
    2.2.4概率密度函数估计——贝叶斯学习
    2.2.5非参数概率密度函数估计——k近邻法
    2.2.6非参数概率密度函数估计——Parzen窗法
    习题
    第3章监督学习方法
    3.1最小二乘法
    3.1.1线性回归
    3.1.2逻辑回归
    3.1.3均方误差估计
    3.2支持向量机
    3.2.1标准支持向量机
    3.2.2软间隔与正则化
    3.2.3支持向量回归
    3.3核方法与正则化
    3.3.1广义线性模型
    3.3.2核支持向量机
    3.3.3正则化理论
    3.4神经网络
    3.4.1感知器
    3.4.2神经网络结构
    3.4.3反向传播算法
    3.5复合学习方法
    3.5.1集成学习
    3.5.2多任务学习
    3.5.3迁移学习
    3.5.4终身学习
    3.5.5元学习
    习题
    第4章无监督学习方法
    4.1近邻测度和聚类准则
    4.2聚类方法
    ……
    第二篇模型推理
    附录A概率理论
    附录B矩阵理论
    附录C优化理论
    参考文献

    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