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 机器学习中的一阶与随机优化方法 蓝光辉 逻辑回归 模型构建 支持向量机 神经网络 多人共轭空间博弈 分散通信滑
¥ ×1
| |
商品名称: | 机器学习中的一阶与随机优化方法 |
作 者: | [美]蓝光辉(Guanghui Lan)
|
市 场 价: | 169.00
|
ISBN 号: | 9787111724254
|
出版日期: |
|
页 数: | 460
|
开 本: |
|
出 版 社: | 机械工业出版社 |
目 录Firstorder and Stochastic Optimization Methods for Machine Learning译者序 前言第1章 机器学习模型 1 1.1 线性回归1 1.2 逻辑回归3 1.3 广义线性模型5 1.3.1 指数分布族5 1.3.2 模型构建5 1.4 支持向量机8 1.5 正则化、Lasso回归和 岭回归11 1.6 群体风险最小化11 1.7 神经网络12 1.8 练习和注释14第2章 凸优化理论15 2.1 凸集15 2.1.1 定义和例子15 2.1.2 凸集上的投影16 2.1.3 分离定理17 2.2 凸函数20 2.2.1 定义和例子20 2.2.2 可微凸函数21 2.2.3 不可微凸函数21 2.2.4 凸函数的Lipschitz 连续性23 2.2.5 凸优化的最优性条件24 2.2.6 表示定理与核25 2.3 拉格朗日对偶26 2.3.1 拉格朗日函数与 对偶性26 2.3.2 强对偶性的证明27 2.3.3 鞍点29 2.3.4 KarushKuhnTucker 条件29 2.3.5 对偶支持向量机31 2.4 LegendreFenchel共轭对偶32 2.4.1 凸函数的闭包32 2.4.2 共轭函数33 2.5 练习和注释35第3章 确定性凸优化37 3.1 次梯度下降法37 3.1.1 一般非光滑凸问题38 3.1.2 非光滑强凸问题39 3.1.3 光滑凸问题41 3.1.4 光滑强凸问题42 3.2 镜面下降法43 3.3 加速梯度下降法46 3.4 加速梯度下降法的博弈论 解释50 3.5 非光滑问题的光滑方案52 3.6 鞍点优化的原始-对偶方法54 3.6.1 一般双线性鞍点问题57 3.6.2 光滑双线性鞍点问题57 3.6.3 光滑强凸双线性鞍点 问题58 3.6.4 线性约束问题59 3.7 乘子交替方向法61 3.8 变分不等式的镜面-邻近 方法63 3.8.1 单调变分不等式64 3.8.2 广义单调变分不等式66 3.9 加速水平法68 3.9.1 非光滑、光滑和弱光滑 问题68 3.9.2 鞍点问题76 3.10 练习和注释81第4章 随机凸优化83 4.1 随机镜面下降法83 4.1.1 一般非光滑凸函数84 4.1.2 光滑凸问题87 4.1.3 准确性证书90 4.2 随机加速梯度下降法95 4.2.1 无强凸性问题100 4.2.2 非光滑强凸问题103 4.2.3 光滑强凸问题104 4.2.4 准确性证书109 4.3 随机凹凸鞍点问题111 4.3.1 通用算法框架112 4.3.2 极小极大随机问题115 4.3.3 双线性矩阵博弈117 4.4 随机加速原始-对偶方法119 4.4.1 加速原始-对偶方法121 4.4.2 随机双线性鞍点问题129 4.5 随机加速镜面-邻近方法140 4.5.1 算法框架141 4.5.2 收敛性分析142 4.6 随机块镜面下降方法154 4.6.1 非光滑凸优化155 4.6.2 凸复合优化164 4.7 练习和注释171第5章 凸有限和及分布式 优化173 5.1 随机原始-对偶梯度法173 5.1.1 多人共轭空间博弈的 重新表述176 5.1.2 梯度计算的随机化177 5.1.3 强凸问题的收敛性179 5.1.4 随机化方法的复杂度 下界189 5.1.5 对非强凸性问题的 推广193 5.2 随机梯度外插法197 5.2.1 梯度外插方法198 5.2.2 确定性有限和问题204 5.2.3 随机有限和问题213 5.2.4 分布式实现218 5.3 降低方差的镜面下降法220 5.3.1 无强凸性的光滑问题223 5.3.2 光滑和强凸问题225 5.4 降低方差加速梯度下降法226 5.4.1 无强凸性的光滑问题229 5.4.2 光滑和强凸问题233 5.4.3 满足错误界条件的 问题238 5.5 练习和注释240第6章 非凸优化241 6.1 无约束非凸随机优化法241 6.1.1 随机一阶方法243 6.1.2 随机零阶方法251 6.2 非凸随机复合优化法260 6.2.1 邻近映射的一些性质261 6.2.2 非凸镜面下降法263 6.2.3 非凸随机镜面下降法264 6.2.4 复合问题的随机零阶 方法275 6.3 非凸随机块镜面下降法279 6.4 非凸随机加速梯度下降法286 6.4.1 非凸加速梯度下降法287 6.4.2 随机加速梯度下降法298 6.5 非凸降低方差镜面下降法310 6.5.1 确定性问题的基本 求解方案310 6.5.2 随机优化问题的推广313 6.6 随机化加速邻近点方法316 6.6.1 非凸有限和问题317 6.6.2 非凸多块问题327 6.7 练习和注释337第7章 无投影方法 338 7.1 条件梯度法338 7.1.1 经典条件梯度339 7.1.2 条件梯度的新变体347 7.1.3 复杂度下界352 7.2 条件梯度滑动法356 7.2.1 确定性条件梯度 滑动法357 7.2.2 随机条件梯度滑动法364 7.2.3 鞍点问题的推广372 7.3 非凸条件梯度法375 7.4 随机非凸条件梯度376 7.4.1 有限和问题的基本求解 方案376 7.4.2 随机优化问题的推广380 7.5 随机非凸条件梯度滑动法382 7.5.1 Wolfe间隙与投影梯度382 7.5.2 迫使投影梯度减小的 无投影法383 7.6 练习和注释385第8章 算子滑动和分散优化387 8.1 复合优化问题的梯度 滑动法387 8.1.1 确定性梯度滑动法389 8.1.2 随机梯度滑动法397 8.1.3 强凸和结构化的 非光滑问题404 8.2 加速梯度滑动法407 8.2.1 复合光滑优化409 8.2.2 复合双线性鞍点问题421 8.3 通信滑动和分散优化424 8.3.1 问题公式化426 8.3.2 分散通信滑动429 8.3.3 随机分散通信滑动437 8.3.4 高概率结果442 8.3.5 收敛性分析444 8.4 练习和注释451参考文献453 |
本书对优化算法的理论和研究进展进行了系统的梳理,旨在帮助读者快速了解该领域的发展脉络,掌握必要的基础知识,进而推进前沿研究工作。本书首先介绍流行的机器学习模式,对重要的优化理论进行回顾,接着重点讨论已广泛应用于优化的算法,以及有潜力应用于大规模机器学习和数据分析的算法,包括一阶方法、随机优化方法、随机和分布式方法、非凸随机优化方法、无投影方法、算子滑动和分散方法等。 本书适合对机器学习、人工智能和数学编程感兴趣的读者阅读参考。 |
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