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 模式识别和机器学习基础 乌利塞斯 布拉加 内托 误差估计 贝叶斯分类器 函数逼近 模型选择 聚类分析技术 神经
¥ ×1
| |
商品名称: | 模式识别和机器学习基础 |
作 者: | [美]乌利塞斯·布拉加-内托(Ulisses Braga-Neto)
|
市 场 价: | 119.00
|
ISBN 号: | 9787111735267
|
出版日期: |
|
页 数: | 246
|
开 本: |
|
出 版 社: | 机械工业出版社 |
目录
Fundamentals of Pattern Recognition and Machine Learning
译者序
前言 第1章概述111模式识别与机器学习1
12数学基础设置1
13预测2
14预测误差2
15监督学习与无监督学习3
16复杂性权衡3
17设计周期4
18应用实例5
181生物信息学5
182材料信息学7
19文献注释9 第2章最优分类1021无特征分类10
22有特征分类10
23贝叶斯分类器13
24贝叶斯误差16
25高斯模型19
251同方差情况20
252异方差情况22
26其他主题22
261极小极大分类22
262F误差24
263贝叶斯决策理论26
*264分类问题的严格表达27
27文献注释28
28练习29
29Python作业33 第3章基于实例的分类3631分类规则36
32分类错误率38
*33一致性38
34没有免费午餐定理41
35其他主题42
351集成分类42
352混合抽样与独立抽样43
36文献注释44
37练习44
38Python作业45 第4章参数分类4741参数替换规则47
42高斯判别分析48
421线性判别分析48
422二次判别分析51
43逻辑斯谛分类53
44其他主题54
441正则化判别分析54
*442参数规则的一致性55
443贝叶斯参数规则57
45文献注释59
46练习60
47Python作业62 第5章非参数分类6451非参数替换规则64
52直方图分类65
53最近邻分类66
54核分类68
55CoverHart定理70
*56Stone定理73
57文献注释74
58练习75
59Python作业76 第6章函数逼近分类7861支持向量机78
611可分数据的线性支持 向量机78
612一般线性支持向量机80
613非线性支持向量机82
62神经网络86
621反向传播训练89
622卷积神经网络92
*623神经网络的普遍逼近 性质94
624普遍一致性定理96
63决策树97
64有序分类器100
65文献注释101
66练习102
67Python作业104 第7章分类误差估计10871误差估计规则108
72误差估计性能109
721偏差分布109
722偏差、方差、均方根和 尾概率110
*723一致性111
73测试集误差估计112
74再代入误差估计113
75交叉验证114
76自助方法116
77增强误差估计118
78其他主题121
781凸误差估计器121
782平滑误差估计器123
783贝叶斯误差估计123
79文献注释126
710练习127
711Python作业129 第8章分类模型选择13181分类复杂性131
82VapnikChervonenkis理论134
*821有限模型选择134
822打散系数与VC维度135
823几种分类规则中的VC 参数136
824VapnikChervonenkis 定理139
825没有免费午餐定理139
83模型选择方法140
831验证误差最小化140
832训练集误差最小化141
833结构性风险最小化141
84文献注释142
85练习143 第9章降维14591面向分类任务的特征提取145
92特征选择146
921穷举搜索146
922单变量贪婪搜索147
923多变量贪婪搜索149
924特征选择与分类复杂性150
925特征选择与误差估计150
93主成分分析152
94多维缩放155
95因子分析156
96文献注释158
97练习159
98Python作业160 第10章聚类162101KMeans算法162
102高斯混合模型165
1021期望最大化方法166
1022与KMeans的关系170
103层次聚类171
104自组织映射173
105文献注释174
106练习175
107Python作业176 第11章回归178111最优回归178
112基于样本的回归181
113参数回归182
1131线性回归183
1132高斯马尔可夫定理185
1133补偿最小二乘法186
114非参数回归187
1141核回归187
1142高斯过程回归188
115函数近似回归194
116误差估计195
117变量选择196
1171Wrapper 搜索196
1172统计检验196
1173LASSO和 Elastic Net196
118模型选择197
119文献注释197
1110练习198
1111Python作业200 附录202
参考文献235 |
模式识别和机器学习是人工智能应用的基础。本书将模式识别任务按照监督学习和无监督学习两种方式进行组织。第1章讨论模式识别和机器学习的内在关系,介绍了两者的基础知识和模式识别的设计过程。第2章和第3章介绍了zui优化的和常规的基于实例的分类问题。第4~6章检验了参数的、非参数的和函数逼近的分类规则。之后在第7章和第8章就分类的误差估计和模型选择对分类模型的性能进行讨论。第9章介绍了能够提高分类模型的性能并减少存储空间的降维技术。第10章和第11章分别介绍了聚类分析技术和回归模型。本书适合相关专业高年级本科生和研究生,以及该领域的从业人员阅读。 |
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