機器學習導論

定　價：￥79.00

作　者：	[美] 米羅斯拉夫·庫巴特著；王勇，仲國強，孫鑫譯
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	計算機/網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787111548683	出版時間：	2016-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	309	字數(shù)：

內(nèi)容簡介

　　這本書通過給出易操作的實踐指導、采用簡單的例子、激勵學生討論有趣的應(yīng)用問題，用一種易于理解的方式介紹了機器學習的基本思想。本書主題包括貝葉斯分類器、近鄰分類器、線性和多項式分類器、決策樹、神經(jīng)網(wǎng)絡(luò)以及支持向量機。后面的章節(jié)展示了如何把這些簡單工具通過“提升”（boosting）的方式結(jié)合起來，怎樣將它們應(yīng)用于更加復雜的領(lǐng)域，以及如何處理各種高級的實踐問題。其中有一章介紹了廣為人知的遺傳算法。

作者簡介

　　米羅斯拉夫·庫巴特，美國邁阿密大學教授，從事機器學習教學和研究超過25年。他已發(fā)表100余篇經(jīng)過同行評審的論文，與人合編了兩本著作，是近60個會議和研討會的程序委員會委員，并擔任3本學術(shù)刊物的編委。他在兩個方面的前沿研究上得到了廣泛贊譽：時變概念的歸納學習和在非平衡訓練集上的學習。此外，在多標簽樣例上的歸納學習、層次組織的類別上的歸納學習、遺傳算法、神經(jīng)網(wǎng)絡(luò)的初始化等問題上，他也做出了很多貢獻。

圖書目錄

推薦序
前言
第1章一個簡單的機器學習任務(wù)//
1.1訓練集和分類器//
1.2一點題外話：爬山搜索//
1.3機器學習中的爬山法//
1.4分類器的性能//
1.5可用數(shù)據(jù)的困難//
1.6總結(jié)和歷史簡評//
1.7鞏固你的知識//
第2章概率：貝葉斯分類器//
2.1單屬性的情況//
2.2離散屬性值的向量//
2.3稀少事件的概率：利用專家的直覺//
2.4如何處理連續(xù)屬性//
2.5高斯鐘形函數(shù)：一個標準的概率密度函數(shù)//
2.6用高斯函數(shù)的集合近似概率密度函數(shù)//
2.7總結(jié)和歷史簡評//
2.8鞏固你的知識//
第3章相似性：最近鄰分類器//
3.1k近鄰法則//
3.2度量相似性//
3.3不相關(guān)屬性與尺度縮放問題//
3.4性能方面的考慮//
3.5加權(quán)最近鄰//
3.6移除危險的樣例//
3.7移除多余的樣例//
3.8總結(jié)和歷史簡評//
3.9鞏固你的知識//
第4章類間邊界：線性和多項式分類器//
4.1本質(zhì)//
4.2加法規(guī)則：感知機學習//
4.3乘法規(guī)則：WINNOW//
4.4多于兩個類的域//
4.5多項式分類器//
4.6多項式分類器的特殊方面//
4.7數(shù)值域和支持向量機//
4.8總結(jié)和歷史簡評//
4.9鞏固你的知識//
第5章人工神經(jīng)網(wǎng)絡(luò)//
5.1作為分類器的多層感知機//
5.2神經(jīng)網(wǎng)絡(luò)的誤差//
5.3誤差的反向傳播//
5.4多層感知機的特殊方面//
5.5結(jié)構(gòu)問題//
5.6徑向基函數(shù)網(wǎng)絡(luò)//
5.7總結(jié)和歷史簡評//
5.8鞏固你的知識//
第6章決策樹//
6.1作為分類器的決策樹//
6.2決策樹的歸納學習//
6.3一個屬性承載了多少信息//
6.4數(shù)值屬性的二元劃分//
6.5剪枝//
6.6將決策樹轉(zhuǎn)換為規(guī)則//
6.7總結(jié)和歷史簡評//
6.8鞏固你的知識//
第7章計算學習理論//
7.1PAC 學習//
7.2PAC可學習性的實例//
7.3一些實踐和理論結(jié)果//
7.4VC維與可學習性//
7.5總結(jié)和歷史簡評//
7.6鞏固你的知識//
第8章幾個有幫助的案例//
8.1字符識別//
8.2溢油檢測//
8.3睡眠分類//
8.4腦機界面//
8.5醫(yī)療診斷//
8.6文本分類//
8.7總結(jié)和歷史簡評//
8.8鞏固你的知識//
第9章投票組合簡介//
9.1“裝袋”方法(Bagging)//
9.2夏皮爾提升(Schapires Boosting)//
9.3Adaboost——Boosting的實用版本//
9.4Boosting方法的變種//
9.5Boosting方法的計算優(yōu)勢//
9.6總結(jié)和歷史簡評//
9.7鞏固你的知識//
第10章了解一些實踐知識//
10.1學習器的偏好//
10.2不平衡訓練集//
10.3語境相關(guān)域//
10.4未知屬性值//
10.5屬性選擇//
10.6雜項//
10.7總結(jié)和歷史簡評//
10.8鞏固你的知識//
第11章性能評估//
11.1基本性能標準//
11.2精度和查全率//
11.3測量性能的其他方法//
11.4多標簽域內(nèi)的性能//
11.5學習曲線和計算開銷//
11.6實驗評估的方法//
11.7總結(jié)和歷史簡評//
11.8鞏固你的知識//
第12章統(tǒng)計顯著性//
12.1總體抽樣//
12.2從正態(tài)分布中獲益//
12.3置信區(qū)間//
12.4一個分類器的統(tǒng)計評價//
12.5另外一種統(tǒng)計評價//
12.6機器學習技術(shù)的比較//
12.7總結(jié)和歷史簡評//
12.8鞏固你的知識//
第13章遺傳算法//
13.1基本遺傳算法//
13.2單個模塊的實現(xiàn)//
13.3為什么能起作用//
13.4過早退化的危險//
13.5其他遺傳算子//
13.6高級版本//
13.7k-NN 分類器的選擇//
13.8總結(jié)和歷史簡評//
13.9鞏固你的知識//
第14章增強學習//
14.1如何選出最高獎勵的動作//
14.2游戲的狀態(tài)和動作//
14.3SARSA方法//
14.4總結(jié)和歷史簡評//
14.5鞏固你的知識//
參考文獻//