圖解機器學習

定　價：￥49.00

作　者：	（日）杉山將
出版社：	人民郵電出版社
叢編項：
標　簽：	計算機/網絡人工智能

購買這本書可以去

ISBN：	9787115388025	出版時間：	2015-04-01	包裝：
開本：		頁數：		字數：

內容簡介

　　《圖解機器學習》用豐富的圖示，從最小二乘法出發(fā)，對基于最小二乘法實現(xiàn)的各種機器學習算法進行了詳細的介紹。第Ⅰ部分介紹了機器學習領域的概況；第Ⅱ部分和第Ⅲ部分分別介紹了各種有監(jiān)督的回歸算法和分類算法；第Ⅳ部分介紹了各種監(jiān)督學習算法；第Ⅴ部分介紹了機器學習領域中的新興算法。書中大部分算法都有相應的MATLAB程序源代碼，可以用來進行簡單的測試。

作者簡介

　　杉山將，1974年生于大阪。東京工業(yè)大學計算機工程學博士畢業(yè)，現(xiàn)為東京大學教授、日本國立信息學研究所客座教授。主要從事機器學習的理論研究和算法開發(fā)，以及在信號和圖像處理等方面的應用。2011年獲日本信息處理學會長尾真紀念特別獎。著有《統(tǒng)計機器學習》、DensityRatioEstimationinMachineLearning等。同時也是PatternRecognitionandMachineLearning日文版的譯者之一。許永偉，2009年赴東京大學攻讀博士學位，現(xiàn)于東京大學空間信息科學研究所從事博士后研究（特任研究員）。主要研究方向為模式識別與機器學習、圖像處理與計算機視覺，對數據挖掘、大數據和信息架構有濃厚興趣。

圖書目錄

第I部分　緒　論第1章　什么是機器學習 1．1　學習的種類 1．2　機器學習任務的例子 1．3　機器學習的方法第2章　學習模型 2．1　線性模型 2．2　核模型 2．3　層級模型第II部分　有監(jiān)督回歸第3章　最小二乘學習法 3．1　最小二乘學習法 3．2　最小二乘解的性質 3．3　大規(guī)模數據的學習算法第4章帶有約束條件的最小二乘法 4．1　部分空間約束的最小二乘學習法 4．2?。? 約束的最小二乘學習法 4．3　模型選擇第5章　稀疏學習 5．1?。? 約束的最小二乘學習法 5．2?。? 約束的最小二乘學習的求解方法 5．3　通過稀疏學習進行特征選擇 5．4?。靝約束的最小二乘學習法 5．5?。?+ｌ2 約束的最小二乘學習法第6章　魯棒學習 6．1?。? 損失最小化學習 6．2　Huber損失最小化學習 6．3　圖基損失最小化學習 6．4　ｌ1 約束的Huber損失最小化學習第III部分　有監(jiān)督分類第7章　基于最小二乘法的分類 7．1　最小二乘分類 7．2　0/1 損失和間隔 7．3　多類別的情形第8章　支持向量機分類 8．1　間隔最大化分類 8．2　支持向量機分類器的求解方法 8．3　稀疏性 8．4　使用核映射的非線性模型 8．5　使用Hinge損失最小化學習來解釋 8．6　使用Ramp損失的魯棒學習第9章　集成分類 9．1　剪枝分類 9．2　Bagging學習法 9．3　Boosting 學習法第10章　概率分類法 10．1　Logistic回歸 10．2　最小二乘概率分類第11 章序列數據的分類 11．1　序列數據的模型化 11．2　條件隨機場模型的學習 11．3　利用條件隨機場模型對標簽序列進行預測第IV部分　監(jiān)督學習第12章　異常檢測 12．1　局部異常因子 12．2　支持向量機異常檢測 12．3　基于密度比的異常檢測第13章　監(jiān)督降維 13．1　線性降維的原理 13．2　主成分分析 13．3　局部保持投影 13．4　核函數主成分分析 13．5　拉普拉斯特征映射第14章　聚類 14．1　K均值聚類 14．2　核K均值聚類 14．3　譜聚類 14．4　調整參數的自動選取第V部分　新興機器學習算法第15章　在線學習 15．1　被動攻擊學習 15．2　適應正則化學習第16章　半監(jiān)督學習 16．1　靈活應用輸入數據的流形構造 16．2　拉普拉斯正則化最小二乘學習的求解方法 16．3　拉普拉斯正則化的解釋第17章　監(jiān)督降維 17．1　與分類問題相對應的判別分析 17．2　充分降維第18章　遷移學習 18．1　協(xié)變量移位下的遷移學習 18．2　類別平衡變化下的遷移學習第19章　多任務學習 19．1　使用最小二乘回歸的多任務學習 19．2　使用最小二乘概率分類器的多任務學習 19．3　多次維輸出函數的學習第VI部分　結語第20章　總結與展望參考文獻