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!
100%刮中券,最高50元无敌券,券有效期7天
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。
[正版] 模式识别与机器学习 孙仕亮 赵静 人工智能模式识别深度学习
¥ ×1
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。
书名: | 模式识别与机器学习 |
出版社: | 清华大学出版社 |
出版日期 | 2020 |
ISBN号: | 9787302558927 |
|
模式识别与机器学习系统介绍了模式识别与机器学习的基础理论、模型与算法,同时兼顾了前沿知识的适当融入。本书以贝叶斯学习的思想贯穿始终,并适时与其他重要知识点(如支持向量机、深度学习)等进行交叉和关联,便于读者在形成良好知识体系的同时保持对整个领域知识的全面把握。 |
|
孙仕亮,清华大学博士,华东师范大学教授。在华东师范大学从事研究工作,主讲本科和研究生“模式识别与机器学习”“高级机器学习”等课程,并在英国伦敦大学学院、美国哥伦比亚大学从事访问合作研究。在模式识别与机器学习领域的国际著名期刊和会议发表学术论文100余篇,承担多项国家级、省部级科研项目及国际知名企业的合作研究项目,研究成果多次获得省部级科学技术奖励。 |
|
通俗易懂,配有典型示例 |
|
第1章引言1 1.1基本概念1 1.1.1投票选举2 1.1.2三个小皮匠胜过诸葛亮3 1.1.3主动学习4 1.2典型的机器学习系统5 1.2.1医学图像诊断5 1.2.2时间序列识别6 1.2.3对话系统7 1.2.4异常检测8 1.3前沿研究方向举例9 1.3.1多视图机器学习9 1.3.2强化学习11 1.3.3可信人工智能11 1.4后续章节安排13 参考文献13 第2章贝叶斯学习基础15 2.1贝叶斯公式16 2.2贝叶斯决策18 2.2.1最小错误率贝叶斯决策18 2.2.2最小风险贝叶斯决策21 2.3分类器的相关概念23 2.3.1分类器、判别函数和决策面24 2.3.2分类器的错误率25 2.4基于高斯分布的贝叶斯分类器26 2.5朴素贝叶斯分类器32 2.6参数估计33 2.6.1最大似然估计33 2.6.2最大后验估计35 2.6.3期望最大化算法36 2.6.4贝叶斯参数估计37 思考与计算38 参考文献39 第3章逻辑回归40 3.1线性回归41 3.1.1最小二乘与最大似然44 3.1.2正则化最小二乘与最大后验47 3.2贝叶斯线性回归50 3.3逻辑回归52 3.3.1二类逻辑回归52 3.3.2多类逻辑回归55 3.4贝叶斯逻辑回归56 思考与计算60 参考文献60 第4章概率图模型基础61 4.1有向图模型63 4.1.1模型表示63 4.1.2条件独立性65 4.1.3常见的有向图模型71 4.2无向图模型73 4.2.1模型表示73 4.2.2条件独立性74 4.2.3常见的无向图模型81 4.3图模型中的推理82 4.3.1链式结构82 4.3.2树结构84 4.3.3因子图84 4.3.4和积算法85 4.3.5最大和算法92 思考与计算94 参考文献95 第5章隐马尔可夫模型96 5.1模型表示97 5.2模型推理100 5.2.1边缘似然的推理101 5.2.2隐状态序列的推理107 5.2.3隐状态边缘后验的推理108 5.3参数学习109 5.4模型扩展111 思考与计算115 参考文献116 第6章条件随机场117 6.1模型表示118 6.1.1线性链条件随机场120 6.1.2一般的条件随机场121 6.1.3条件随机场的特征函数122 6.2模型推理124 6.2.1前向—后向算法125 6.2.2维特比算法129 6.3参数学习130 6.4线性链条件随机场与隐马尔可夫模型132 6.5模型扩展133 思考与计算133 参考文献134 第7章支持向量机135 7.1大间隔原理136 7.2基本分类模型137 7.3拉格朗日对偶优化138 7.4线性不可分数据的分类140 7.4.1松弛变量140 7.4.2核方法142 7.5支持向量机回归144 7.6模型扩展146 思考与计算146 参考文献147 第8章人工神经网络与深度学习148 8.1感知机149 8.2多层神经网络151 8.2.1神经元151 8.2.2多层神经网络模型153 8.2.3反向传播算法155 8.3深度神经网络159 8.3.1浅层与深度神经网络159 8.3.2过拟合问题160 8.3.3局部极值问题162 8.3.4梯度消失问题163 8.4常用的深度神经网络166 8.4.1自编码网络166 8.4.2深度玻尔兹曼机168 8.4.3深度信念网络169 8.4.4卷积神经网络170 8.4.5循环神经网络174 8.4.6Transformer177 思考与计算180 参考文献181 第9章高斯过程183 9.1高斯过程的定义184 9.2高斯过程回归模型185 9.2.1权重空间185 9.2.2函数空间189 9.3高斯过程分类模型192 9.3.1模型表示193 9.3.2近似推理方法195 9.4高斯过程与支持向量机199 9.5高斯过程与人工神经网络200 9.6模型扩展201 思考与计算203 参考文献203 第10章聚类205 10.1K均值聚类206 10.1.1算法介绍206 10.1.2模糊K均值聚类209 10.2谱聚类210 10.3高斯混合模型聚类217 10.3.1模型表示217 10.3.2模型推理与参数估计218 10.3.3无限高斯混合模型219 思考与计算222 参考文献223 第11章主成分分析与相关的谱方法224 11.1主成分分析225 11.1.1最大化方差225 11.1.2最小化误差227 11.1.3主成分分析与KL变换229 11.2概率PCA230 11.3核PCA232 11.4相关的谱方法234 11.4.1线性判别分析234 11.4.2典型相关分析237 思考与计算242 参考文献243 第12章确定性近似推理244 12.1近似推理的应用场景245 12.2拉普拉斯近似245 12.3变分平均场近似247 12.3.1基本理论247 12.3.2相关问题250 12.4期望传播近似253 12.4.1基本理论253 12.4.2相关问题256 思考与计算259 参考文献259 第13章随机近似推理260 13.1采样方法的评价标准261 13.2基本的采样方法262 13.2.1均匀采样变换263 13.2.2拒绝采样264 13.2.3重要性采样265 13.3马尔可夫链蒙特卡洛267 13.3.1MetropolisHastings采样267 13.3.2Gibbs采样269 13.3.3切片采样271 13.3.4哈密尔顿蒙特卡洛采样274 思考与计算277 参考文献278 第14章强化学习280 14.1基本概念与理论基础281 14.2规划: 有环境模型的预测与控制286 14.2.1策略迭代287 14.2.2值迭代288 14.3无环境模型的控制: 基于值函数290 14.3.1蒙特卡洛控制291 14.3.2时序差分控制: SARSA292 14.3.3基于Q学习的异策略控制293 14.3.4基于Q学习的深度Q网络控制295 14.4无环境模型的控制: 基于策略296 14.4.1蒙特卡洛策略梯度法和REINFORCE算法297 14.4.2行动者—评论者算法299 思考与计算300 参考文献301 附录A近邻法302 A.1最近邻法302 A.2最近邻法的错误率分析302 A.3k近邻法305 参考文献306 附录B决策树307 B.1基本原理307 B.2信息增益和信息增益比309 B.3代表性算法311 参考文献313 附录C向量微积分314 C.1向量微分314 C.1.1常用定义314 C.1.2求导规则316 C.2向量积分319 参考文献322 附录D随机变量的变换323 D.1概率密度中的变量变换323 D.2期望中的变量变换326 参考文献327 |
|
最早系统地接触“模式识别与机器学习”是在2001年秋季清华大学开设的“模式识别”课堂上。从那时至今,我一直在模式识别与机 器学习领域学习,并从事教学与科研工作。2007年参加工作后,我开始讲授研究生的“模式识别与机器学习”课程,后来也讲授高年 级本科生的“模式识别与机器学习”课程。2009年在英国伦敦大学学院的访学进一步拓宽了我的知识面,也促使我萌发了关于该领域 应该包含哪些核心内容的思考。在长期的教学与科研过程中,我一方面深感模式识别与机器学习领域发展之快,另一方面随着对该领 域认识的加深,也逐渐有了撰写一本体现自己理解与认识的高质量教材的想法。2017年,与清华大学出版社协商后,开始着手具体写 作工作。 集的素材,最终完成了对本领域核心内容的系统梳理。全书以贝叶斯学习的思想为潜在主线,从基础理论到典型模型与算法,再到近 似推理,循序渐进地呈现模式识别与机器学习的核心知识体系。全书共14章和4个附录,除第1章引言外,第2~14章可以分为三部分: 第2~6章为第一部分,主要介绍贝叶斯学习和概率图模型,包括贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条 件随机场;第7~11章为第二部分,主要介绍典型场景(如监督/非监督、回归/分类/降维等)下的模型与算法,包括支持向量机、人 工神经网络与深度学习、高斯过程、聚类、主成分分析与相关的谱方法;第12~14章为第三部分,主要介绍近似推理和强化学习,包 括确定性近似推理、随机近似推理和强化学习。附录包括传统模式识别与机器学习方法中的近邻法和决策树,以及向量微积分和随机 变量的变换等与本学科强相关的知识点。 有局限性,书中难免存在不足之处,敬请读者能提出宝贵建议,后续有机会再版时将加以改进。 孙仕亮 |
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~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格