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

  • 全新正版统计学习理论基础/大数据丛书97871115552机械工业
    • 作者: (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建著 | (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建编 | (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建译 | (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建绘
    • 出版社: 机械工业出版社
    • 出版时间:2017-03-01
    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:
    如梦图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品参数
    • 作者: (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建著| (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建编| (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建译| (美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建绘
    • 出版社:机械工业出版社
    • 出版时间:2017-03-01
    • 版次:1
    • 印次:1
    • 印刷时间:2017-03-01
    • 字数:211千字
    • 页数:169
    • 开本:16开
    • ISBN:9787111555223
    • 版权提供:机械工业出版社
    • 作者:(美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建
    • 著:(美)桑吉夫·库尔卡尼//吉尔伯特·哈曼|译者:肖忠祥//闫效莺//段沛沛//程国建
    • 装帧:暂无
    • 印次:1
    • 定价:43.00
    • ISBN:9787111555223
    • 出版社:机械工业
    • 开本:16开
    • 印刷时间:2017-03-01
    • 语种:中文
    • 出版时间:2017-03-01
    • 页数:169
    • 外部编号:3791001
    • 版次:1
    • 成品尺寸:暂无

    译者序
    前言
    章 引言:分类、学习、特征及应用
    1.1 范围
    1.2 为什么需要机器学习?
    1.3 一些应用
    1.3.1 图像识别
    1.3.2 语音识别
    1.3.3 医学诊断
    1.3.4 统计套利
    1.4 测量、特征和特征向量
    1.5 概率的需要
    1.6 监督学习
    1.7 小结
    1.8 附录:归纳法
    1.9 问题
    1.10 参考文献
    第2章 概率
    2.1 一些基本事件的概率
    2.2 复合事件的概率
    . 条件概率
    2.4 不放回抽取
    2.5 一个经典的生日问题
    2.6 随机变量
    2.7 期望值
    2.8 方差
    2.9 小结
    2.10 附录:概率诠释
    2.11 问题
    2.12 参考文献
    第3章 概率密度
    3.1 一个二维实例
    3.2 在\[0,1\]区间的随机数
    3.3 密度函数
    3.4 高维空间中的概率密度
    3.5 联合密度和条件密度
    3.6 期望和方差
    3.7 大数定律
    3.8 小结
    3.9 附录:可测
    3.1 0问题
    3.1 1参考文献
    第4章 模式识别问题
    4.1 一个简单例子
    4.2 决策规则
    4.3 成功基准
    4.4 分类器:贝叶斯决策规则
    4.5 连续特征和密度
    4.6 小结
    4.7 附录:不可数概念
    4.8 问题
    4.9 参考文献
    第5章 贝叶斯决策规则
    5.1 贝叶斯定理
    5.2 贝叶斯决策规则
    5.3 及其评论
    5.4 一个例子
    5.5 基于密度函数的贝叶斯定理及决策规则
    5.6 小结
    5.7 附录:条件概率的定义
    5.8 问题
    5.9 参考文献
    第6章 从实例中学习
    6.1 概率分布知识的欠缺
    6.2 训练数据
    6.3 对训练数据的设
    6.4 蛮力学习方法
    6.5 维数灾难、归纳偏置以及无免费午餐原理
    6.6 小结
    6.7 附录:学习的类型
    6.8 问题
    6.9 参考文献
    第7章 近邻规则
    7.1 近邻规则
    7.2 近邻规则的能
    7.3 直觉判断与能明框架
    7.4 使用更多邻域
    7.5 小结
    7.6 附录:当人们使用近邻域进行推理时的一些问题
    7.6.1 谁是单身汉?
    7.6.2 法律推理
    7.6.3 道德推理
    7.7 问题
    7.8 参考文献
    第8章 核规则
    8.1 动机
    8.2 近邻规则的变体
    8.3 核规则
    8.4 核规则的通用一致
    8.5 势函数
    8.6 更多的通用核
    8.7 小结
    8.8 附录:核、相似和特征
    8.9 问题
    8.10 参考文献
    第9章 神经网络:感知器
    9.1 多层前馈网络
    9.2 神经网络用于学习和分类
    9.3 感知器
    9.3.1 阈值
    9.4 感知器学习规则
    9.5 感知器的表达能力
    9.6 小结
    9.7 附录:思想模型
    9.8 问题
    9.9 参考文献
    0章 多层神经网络
    10.1 多层网络的表征能力
    10.2 学习及S形输出
    10.3 训练误差和权值空间
    10.4 基于梯度下降的误差化
    10.5 反向传播
    10.6 反向传播方程的推导
    10.6.1 单神经元情况下的推导
    10.6.2 多层网络情况下的推导
    10.7 小结
    10.8 附录:梯度下降与反平衡推理
    10.9 问题
    10.10 参考文献
    1章 可能近似正确(PAC)
    学习
    11.1 决策规则分类
    11.2 来自一个类中的规则
    11.3 可能近似正确准则
    11.4 PAC学习
    11.5 小结
    11.6 附录:识别不可辨元
    11.7 问题
    11.8 参考文献
    2章 VC维
    12.1 近似误差和估计误差
    12.2 打散
    1. VC维
    12.4 学习结果
    12.5 举例
    12.6 神经网络应用
    12.7 小结
    12.8 附录:VC维与波普尔(Popper)维度
    12.9 问题
    12.10 参考文献
    3章 VC维
    13.1 类层次及修正的PAC准则
    13.2 失配与复杂间的平衡
    13.3 学习结果
    13.4 归纳偏置与简单
    13.5 小结
    13.6 附录:均匀收敛与泛致
    13.7 问题
    13.8 参考文献
    4章 函数估计问题
    14.1 估计
    14.2 成功准则
    14.3 估计:回归函数
    14.4 函数估计中的学习
    14.5 小结
    14.6 附录:均值回归
    14.7 问题
    14.8 参考文献
    5章 学习函数估计
    15.1 函数估计与回归问题回顾
    15.2 近邻规则
    15.3 核方法
    15.4 神经网络学习
    15.5 基于确定函数类的估计
    15.6 打散、伪维数与学习
    15.7 结论
    15.8 附录:估计中的准确度、精度、偏差及方差
    15.9 问题
    15.10 参考文献
    6章 简明
    16.1 科学中的简明
    16.1.1 对简明的明确倡导
    16.1.2 这个世界简单? 16.1.3 对简明的错误诉求
    16.1.4 对简明的隐诉求
    16.2 排序设
    16.2.1 两种简明排序法
    16.3 两个实例
    16.3.1 曲线拟合
    16.3.2 枚举归纳
    16.4 简明即表征简明
    16.4.1 要确定表征系统? 16.4.2 参数越少越简单? 16.5 简明的实理论
    16.6 简明和全局不确定
    16.7 小结
    16.8 附录:基础科学和统计学习理论
    16.9 问题
    16.10 参考文献
    7章 支持向量机
    17.1 特征向量的映
    17.2 间隔化
    17.3 优化与支持向量
    17.4 实现及其与核方法的关联
    17.5 优化问题的细节
    17.5.1 改写分离条件
    17.5.2 间隔方程
    17.5.3 用于不可分实例的松弛变量
    17.5.4 优化问题的重构和求解
    17.6 小结
    17.7 附录:计算
    17.8 问题
    17.9 参考文献
    8章 集成学习
    18.1 弱学习规则
    18.2 分类器组合
    18.3 训练样本的分布
    18.4 自适应集成学习算法(AdaBoost)
    18.5 训练数据的能
    18.6 泛化能
    18.7 小结
    18.8 附录:集成方法
    18.9 问题
    18.10 参考文献

    吉尔伯特·哈曼(GilbertHarman)博士被评为普林斯顿大学哲学系”詹姆斯麦克唐奈杰出教授”,同时也是认知科学协会高级研究员,他在伦理学、统计学习理论、推理心理学和逻辑学等研究领域发表了五十余篇。 桑吉夫·库尔卡尼(SanjeevKulkami)博士是普林斯顿大学电气工程系教授,同时也在运筹学与金融工程系及哲学系担任教职。Kulkami博士在统计模式识别、参数估计、机器学习、信息论等领域发表了大量及专著,他是IEEE院士、曾荣获2007年度普林斯顿大学校长杰出教学成果奖。

    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