统计学习理论基础
¥43.00定价
作者: [美]桑吉夫.库尔卡尼、吉尔伯特.哈曼著
译者:程国建 译;
出版时间:2014年4月
出版社:机械工业出版社
- 机械工业出版社
- 9787111555223
- 1-1
- 175945
- 45188702-0
- 平装
- 16开
- 2014年4月
- 211
- 169
- 理学
- 统计学
- C81
- 计算机通信类
- 本科
内容简介
全书共包含18个章节,从概率密度、贝叶斯决策理论引入样本学习的基本概念,进而介绍了近邻域学习、核学习及神经网络学习,在此基础上探讨了PCA学习、VC维概念、函数估计问题等,后重点介绍了非常实用的支持向量机SVM及Boosting方法。各章均包含小结、附录、习题及参考资料,非常适合于大专院校计算机及电气工程类硕博士研究生及高年级学生作为教学参考书。
目录
目录译者序前言第1章引言:分类、学习、特征及应用1 1范围1 2为什么需要机器学习?1 3一些应用1 3 1图像识别1 3 2语音识别1 3 3医学诊断1 3 4统计套利1 4测量、特征和特征向量1 5概率的需要1 6监督学习1 7小结1 8附录:归纳法1 9问题1 10参考文献第2章概率2 1一些基本事件的概率2 2复合事件的概率2 3条件概率2 4不放回抽取2 5一个经典的生日问题2 6随机变量2 7期望值2 8方差2 9小结2 10附录:概率诠释2 11问题2 12参考文献第3章概率密度3 1一个二维实例3 2在\[0,1\]区间的随机数3 3密度函数3 4高维空间中的概率密度3 5联合密度和条件密度3 6期望和方差3 7大数定律3 8小结3 9附录:可测性3 10问题3 11参考文献第4章模式识别问题4 1一个简单例子4 2决策规则4 3成功基准4 4最佳分类器:贝叶斯决策规则4 5连续特征和密度4 6小结4 7附录:不可数概念4 8问题4 9参考文献第5章最优贝叶斯决策规则5 1贝叶斯定理5 2贝叶斯决策规则5 3最优及其评论5 4一个例子5 5基于密度函数的贝叶斯定理及决策规则5 6小结5 7附录:条件概率的定义5 8问题5 9参考文献第6章从实例中学习6 1概率分布知识的欠缺6 2训练数据6 3对训练数据的假设6 4蛮力学习方法6 5维数灾难、归纳偏置以及无免费午餐原理6 6小结6 7附录:学习的类型6 8问题6 9参考文献第7章最近邻规则7 1最近邻规则7 2最近邻规则的性能7 3直觉判断与性能证明框架7 4使用更多邻域7 5小结7 6附录:当人们使用最近邻域进行推理时的一些问题7 6 1谁是单身汉?7 6 2法律推理7 6 3道德推理7 7问题7 8参考文献第8章核规则8 1动机8 2最近邻规则的变体8 3核规则8 4核规则的通用一致性8 5势函数8 6更多的通用核8 7小结8 8附录:核、相似性和特征8 9问题8 10参考文献第9章神经网络:感知器9 1多层前馈网络9 2神经网络用于学习和分类9 3感知器9 3 1阈值9 4感知器学习规则9 5感知器的表达能力9 6小结9 7附录:思想模型9 8问题9 9参考文献第10章多层神经网络10 1多层网络的表征能力10 2学习及S形输出10 3训练误差和权值空间10 4基于梯度下降的误差最小化10 5反向传播10 6反向传播方程的推导10 6 1单神经元情况下的推导10 6 2多层网络情况下的推导10 7小结10 8附录:梯度下降与反射平衡推理10 9问题10 10参考文献第11章可能近似正确(PAC)学习11 1决策规则分类11 2来自一个类中的最优规则11 3可能近似正确准则11 4PAC学习11 5小结11 6附录:识别不可辨元11 7问题11 8参考文献第12章VC维12 1近似误差和估计误差12 2打散12 3VC维12 4学习结果12 5举例12 6神经网络应用12 7小结12 8附录:VC维与波普尔(Popper)维度12 9问题12 10参考文献第13章无限VC维13 1类层次及修正的PAC准则13 2失配与复杂性间的平衡13 3学习结果13 4归纳偏置与简单性13 5小结13 6附录:均匀收敛与泛致性13 7问题13 8参考文献第14章函数估计问题14 1估计14 2成功准则14 3最优估计:回归函数14 4函数估计中的学习14 5小结14 6附录:均值回归14 7问题14 8参考文献第15章学习函数估计15 1函数估计与回归问题回顾15 2最近邻规则15 3核方法15 4神经网络学习15 5基于确定函数类的估计15 6打散、伪维数与学习15 7结论15 8附录:估计中的准确度、精度、偏差及方差15 9问题15 10参考文献第16章简明性16 1科学中的简明性16 1 1对简明性的明确倡导16 1 2这个世界简单吗?16 1 3对简明性的错误诉求16 1 4对简明性的隐性诉求16 2排序假设16 2 1两种简明性排序法16 3两个实例16 3 1曲线拟合16 3 2枚举归纳16 4简明性即表征简明性16 4 1要确定表征系统吗?16 4 2参数越少越简单吗?16 5简明性的实用理论16 6简明性和全局不确定性16 7小结16 8附录:基础科学和统计学习理论16 9问题16 10参考文献第17章支持向量机17 1特征向量的映射17 2间隔最大化17 3优化与支持向量17 4实现及其与核方法的关联17 5优化问题的细节17 5 1改写分离条件17 5 2间隔方程17 5 3用于不可分实例的松弛变量17 5 4优化问题的重构和求解17 6小结17 7附录:计算17 8问题17 9参考文献第18章集成学习18 1弱学习规则18 2分类器组合18 3训练样本的分布18 4自适应集成学习算法(AdaBoost)18 5训练数据的性能18 6泛化性能18 7小结18 8附录:集成方法18 9问题18 10参考文献