統計機器學習導論 (Introduction to Statistical Machine Learning)
杉山將 (Masashi Sugiyama)
- 出版商: 機械工業
- 出版日期: 2018-05-01
- 定價: $534
- 售價: 8.0 折 $427
- 語言: 簡體中文
- 頁數: 336
- 裝訂: 平裝
- ISBN: 711159679X
- ISBN-13: 9787111596790
-
相關分類:
Machine Learning、機率統計學 Probability-and-statistics
- 此書翻譯自: Introduction to Statistical Machine Learning(美國原版)
立即出貨(限量) (庫存=2)
買這商品的人也買了...
-
$305圖解機器學習 -
$293Python 資料分析 (Python Data Analysis) -
程序員的數學3 : 線性代數$474$450 -
$403深入理解機器學習：從原理到算法 (Understanding Machine Learning : From Theory to Algorithms) -
Data Science from Scratch｜用 Python 學資料科學 (中文版)(Data Science from Scratch: First Principles with Python)$580$458 -
貝葉斯方法：概率編程與貝葉斯推斷 (Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference)$534$507 -
程序員的數學2 : 概率統計$474$450 -
$356機器學習：實用技術指南 -
練好機器學習的基本功｜用 Python 進行基礎數學理論的實作$450$356 -
Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作$680$537 -
統計強化學習：現代機器學習方法 (Statistical Reinforcement Learning: Modern Machine Learning Approaches)$474$450 -
$356Python數據分析實戰 第2版 -
機器學習工程師面試全破解：嚴選124道AI演算法決勝題完整剖析$650$507 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
程序員的數學 第2版$354$336 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$458 -
$505Python 安全攻防：滲透測試實戰指南 -
$403基於 Google 雲平臺的機器學習和深度學習入門 -
$224深度學習：從入門到精通 (微課版) -
$356Python 機器學習建模與部署 -- 從 Keras到 Kubernetes (Keras to Kubernetes: The Journey of a Machine Learning Model to Production) -
$224大數據專業英語教程 (附全套音頻) -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$790 -
Deep Learning 3｜用 Python 進行深度學習框架的開發實作$780$616 -
深度學習 - 影像處理應用$420$378 -
Deep Learning 4｜用 Python 進行強化學習的開發實作$680$537
商品描述
本書對機器學習的關鍵知識點進行了全面講解，幫助讀者順利完成從理論到實踐的過渡。書中首先介紹用於描述機器學習算法的統計與概率的知識，接著詳細分析機器學習技術的兩類主要方法——生成方法和判別方法，後深入研究瞭如何使機器學習算法在實際應用中發揮更大的作用。本書提供程序源代碼，便於讀者進行數據分析實踐。本書適合高等院校電腦、統計等專業的研究生和高年級本科生閱讀，同時也適合相關領域的技術人員參考。
作者簡介
謝寧，電子科技大學副教授，研究興趣為統計機器學習和計算機圖形學，研究領域包括強化學習、行為智能、遊戲智能、藝術化繪制等。博士畢業於東京工業大學，師從杉山將教授，曾榮獲2013年手島精一優秀博士論文獎。2017年獲得四川省千人計劃青年人才項目獎勵。目前已在國際一流學術期刊和會議發表論文50篇。
目錄大綱
譯者序
前言
作者簡介
第一部分 緒論
第1章 統計機器學習
1.1 學習的類型
1.2 機器學習任務舉例
1.2.1 監督學習
1.2.2 非監督學習
1.2.3 進一步的主題
1.3 本書結構
第二部分 概率與統計
第2章 隨機變量與概率分佈
2.1 數學基礎
2.2 概率
2.3 隨機變量和概率分佈
2.4 概率分佈的性質
2.4.1 期望、中位數和眾數
2.4.2 方差和標準差
2.4.3 偏度、峰度和矩
2.5 隨便變量的變換
第3章 離散概率分佈的實例
3.1 離散均勻分佈
3.2 二項分佈
3.3 超幾何分佈
3.4 泊松分佈
3.5 負二項分佈
3.6 幾何分佈
第4章 連續概率分佈的實例
4.1 連續均勻分佈
4.2 正態分佈
4.3 伽馬分佈、指數分佈和卡方分佈
4.4 Beta分佈
4.5 柯西分佈和拉普拉斯分佈
4.6 t分佈和F分佈
第5章 多維概率分佈
5.1 聯合概率分佈
5.2 條件概率分佈
5.3 列聯表
5.4 貝葉斯定理
5.5 協方差與相關性
5.6 獨立性
第6章 多維概率分佈的實例
6.1 多項分佈
6.2 多元正態分佈
6.3 狄利克雷分佈
6.4 威沙特分佈
……
第三部分 統計模式識別的生成式方法
第四部分 統計機器學習的判別式方法
第五部分 高級主題
參考文獻
索引
