機器學習習題參考

葉翰嘉 詹德川

機器學習習題參考
  • 出版商: 機械工業
  • 出版日期: 2024-12-01
  • 定價: $594
  • 售價: 8.5 折 $505
  • 語言: 簡體中文
  • 頁數: 466
  • 裝訂: 平裝
  • ISBN: 7111767144
  • ISBN-13: 9787111767145
  • 相關分類: Machine Learning

    • 下單後立即進貨 (約4週~6週)

相關主題

商品描述

本書搭配周志華教授所寫的《機器學習》教材，透過大量習題檢視讀者對機器學習相關知識點的理解與掌握。全書分為兩個部分：第一部分習題對應《機器學習》第1~10章的內容，包括緒論、模型評估與選擇、線性模型、決策樹、神經網路、支援向量機、貝葉斯分類器、整合學習、聚類、降維度與度量學習；第二部分包含6章應用專題，透過綜合題的形式對知識點進行多角度考查，包括線性模型的最佳化與復用、面向類別不平衡資料的分類、神經網路的最佳化與應用、EM演算法及其應用、整合學習的過度擬合現象研究、度量學習及其應用。書中包含簡答題、計算題和程式設計題，涵蓋不同難度級別，機器學習初學者可以透過這些習題深入了解和鞏固教材的關鍵概念，對機器學習有一定基礎的讀者也可以透過習題發現對一些知識點不同角度的解讀，為後續機器學習的深入研究打下基礎。
本書針對《機器學習》讀者以及廣大機器學習愛好者，可作為高等院校人工智慧、電腦、自動化及相關專業的本科生或研究生的教學輔助書籍，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。

作者簡介

葉翰嘉，現任南京大學人工智慧學院準聘副教授，在南京大學機器學習與資料探勘研究所（LAMDA）從事學術研究工作。主要的研究方向包括表示學習、後設學習、模型多用等領域。葉翰嘉在機器學習等領域發表TPAMI、ICML等學術論文二十餘篇；受邀擔任SDM Tutorial/Doctoral Forum主席, ECML、IJCAI領域主席/高級程序委員會成員，CCF-AI執行委員；作為核心成員參與「新一代人工智慧」重大項目，主持國家自然科學基金青年項目，CCF-百度松果基金項目，CCF-海康威視斑頭雁基金項目，被評為華為“耀星學者”，獲得CCF優秀博士學位論文獎、江蘇省計算機學會青年科技獎。

目錄大綱

目录
推荐序
前言
基础考评篇
第1章　绪论2
1.1　基本术语2
1.2　假设空间5
1.3　归纳偏好9
1.4　矩阵、优化和概率分布13
参考文献21
第2章　模型评估与选择23
2.1　经验误差与过拟合23
2.2　评估方法26
2.3　性能度量31
2.4　比较检验41
2.5　偏差与方差43
参考文献47
第3章　线性模型49
3.1　线性回归49
3.2　对数几率回归60
3.3　线性判别分析63
3.4　多分类学习74
参考文献78
第4章　决策树80
4.1　基本流程80
4.2　划分选择81
4.3　剪枝处理90
4.4　连续与缺失值93
4.5　多变量决策树100
参考文献105
第5章　神经网络106
5.1　感知机与多层网络106
5.2　误差逆传播算法112
5.3　全局最小与局部极小128
5.4　其他常见神经网络130
参考文献132
第6章　支持向量机134
6.1　间隔、支持向量与对偶问题134
6.2　软间隔与正则化142
6.3　核函数154
6.4　核方法158
参考文献160
第7章　贝叶斯分类器162
7.1　贝叶斯决策论162
7.2　极大似然估计166
7.3　朴素贝叶斯分类器179
7.4　贝叶斯网188
参考文献190
第8章　集成学习191
8.1　Boosting191
8.2　Bagging与随机森林201
8.3　结合策略207
8.4　多样性211
8.5　集成剪枝222
参考文献223
第9章　聚类225
9.1　距离计算225
9.2　k均值算法229
9.3　高斯混合聚类249
9.4　性能度量251
9.5　密度聚类与层次聚类254
参考文献262
第10章　降维与度量学习263
10.1　k近邻学习263
10.2　维数灾难265
10.3　主成分分析268
10.4　核化线性降维287
10.5　低维嵌入与流形学习288
10.6　度量学习291
参考文献295
综合应用篇
第11章　线性模型的优化与复用298
11.1　数据获取和预处理298
11.2　岭回归分类器的优化方法探究302
11.3　线性模型的参数选择314
11.4　线性模型的参数复用320
参考文献324
第12章　面向类别不平衡数据的分类326
12.1　类别不平衡现象与评价指标326
12.2　类别不平衡模型初探334
12.3　基于采样的“再缩放”方法340
12.4　类别不平衡问题的多分类扩展348
参考文献356
第13章　神经网络的优化与应用357
13.1　数值求导和自动求导357
13.2　神经网络优化实例362
13.3　BP算法的回顾与思考374
13.4　SOM神经网络377
参考文献385
第14章　EM算法及其应用387
14.1　数据中的隐变量387
14.2　EM算法的迭代优化视角391
14.3　EM算法的隐变量视角396
14.4　EM算法应用实例——缺失值处理398
参考文献413
第15章　集成学习的过拟合现象研究415
15.1　分布有偏移数据集的构造和划分415
15.2　机器学习中的过拟合现象418
15.3　AdaBoost的多分类算法实现425
15.4　AdaBoost是否会过拟合433
参考文献437
第16章　度量学习及其应用438
16.1　近邻分类器438
16.2　降维方法的评价444
16.3　度量学习448
16.4　度量学习的回顾与思考461
参考文献466

類似商品