登入
｜
註冊
｜
會員中心
｜
結帳
｜
培訓課程
魔法弟子
｜
自資出版
｜
電子書
｜
客服中心
｜
智慧型立体會員
書名
出版社
作者
isbn
編號
5050魔法眾籌
|
NG書城
|
國際級品牌課程
|
優惠通知
|
霹靂英雄音樂精選
|
iPhone 4S JB解禁秘術：Cydia 超限軟體300+
．
理論到實作都一清二楚
文學小說
文學
｜
小說
商管創投
財經投資
｜
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
｜
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
｜
語言工具
雜誌、期刊
｜
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
｜
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
｜
休閒娛樂
漫畫、插圖
｜
限制級
機器學習聖經：最完整的統計學習方法
作者：
李航
分類：
電腦與網路
／
綜論
出版社：
深智數位
出版日期：2022/7/20
ISBN：9786267146231
書籍編號：kk0552608
頁數：584
定價：
880
元
優惠價：
79
折
695
元
書價若有異動，以出版社實際定價為準
訂購後立即為您進貨
訂購後立即為您進貨：目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 20 本以上
評價數：
(請將滑鼠移至星星處進行評價)
目前平均評價：
文字連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0552608'>機器學習聖經：最完整的統計學習方法</a>
圖片連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0552608'><img src='https://www.silkbook.com/mall_image/bk/kk0552608.jpg' ALT='機器學習聖經：最完整的統計學習方法' height='120' width='90'></a>
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
第一版熱賣加印十幾萬冊！第二版內容更完整！ ☆☆統計學習方法全書☆☆ 【本書內容】 統計學習方法即為機器學習方法，是電腦及其應用領域的重要學科之一。 本書分為監督學習、無監督學習兩篇，全面系統地介紹了統計學習的主要方法。 將監督學習和無監督學習中最常用、最重要的各類方法以系統性的方式論述，每章講解一種方法，各章內容相對獨立且完整，也有相關習題、參考文獻，並於最後加以總結。讀者可以將全書詳讀，也可以選擇單章細讀。期望讓讀者可以順利掌握完整又清晰的相關知識，進而打下穩固的基礎，並能準確地使用。 本書涵蓋感知機、k近鄰法、單純貝氏法、決策樹、邏輯回歸及最大熵模型、支持向量機、提升方法、EM演算法、隱馬可夫模型、條件隨機場、聚類法、奇異值分解(SVD)、主成分分析(PCA)、潛在語義分析、機率潛在語義分析、馬可夫鏈蒙地卡羅法、潛在狄利克雷分配(LDA)、PageRank演算法等。 【適合讀者群】 ．具高等數學、線性代數和機率統計的基礎知識 ．從事資訊檢索、自然語言處理、文字資料探勘等領域的學生與研究人員 ．從事電腦應用相關專業的研究人員
李航 ACL Fellow、IEEE Fellow 、ACM傑出科學家，北京大學、南京大學兼職教授，研究領域包括資訊檢索、自然語言處理、統計機器學習和資料探勘等。 畢業於日本京都大學電氣電子工程系，日本東京大學電腦科學博士學位。 曾任日本NEC公司中央研究所研究員，微軟亞洲研究院高級研究員與主任研究員，華為諾亞方舟實驗室主任、首席科學家，現任字節跳動人工智慧實驗室總監。
第1篇 監督學習 Chapter 01 統計學習及監督學習概論 1.1 統計學習 1.2 統計學習的分類 1.3 統計學習方法三要素 1.4 模型評估與模型選擇 1.5 正則化與交叉驗證 1.6 泛化能力 1.7 生成模型與判別模型 1.8 監督學習應用 Chapter 02 感知機 2.1 感知機模型 2.2 感知機學習策略 2.3 感知機學習演算法 Chapter 03 k近鄰法 3.1 k近鄰演算法 3.2 k近鄰模型 3.3 k近鄰法的實現：kd樹 Chapter 04 單純貝氏法 4.1 單純貝氏法的學習與分類 4.2 單純貝氏法的參數估計 Chapter 05 決策樹 5.1 決策樹模型與學習 5.2 特徵選擇 5.3 決策樹的生成 5.4 決策樹的剪枝 5.5 CART演算法 Chapter 06 邏輯回歸與最大熵模型 6.1 邏輯回歸模型 6.2 最大熵模型 6.3 模型學習的最佳化演算法 Chapter 07 支持向量機 7.1 線性可分支持向量機與硬間隔最大化 7.2 線性支持向量機與軟間隔最大化 7.3 非線性支持向量機與核函數 7.4 序列最小最佳化演算法 Chapter 08 提升方法 8.1 提升方法AdaBoost演算法 8.2 AdaBoost演算法的訓練誤差分析 8.3 AdaBoost演算法的解釋 8.4 提升樹 Chapter 09 EM演算法及其推廣 9.1 EM演算法的引入 9.2 EM演算法的收斂性 9.3 EM演算法在高斯混合模型學習中的應用 9.4 EM演算法的推廣 Chapter 10 隱馬可夫模型 10.1 隱馬可夫模型的基本概念 10.2 機率計算演算法 10.3 學習演算法 10.4 預測演算法 Chapter 11 條件隨機場 11.1 機率無向圖模型 11.2 條件隨機場的定義與形式 11.3 條件隨機場的機率計算問題 11.4 條件隨機場的學習演算法 11.5 條件隨機場的預測演算法 Chapter 12 監督學習方法總結 第2篇 無監督學習 Chapter 13 無監督學習概論 13.1 無監督學習基本原理 13.2 基本問題 13.3 機器學習三要素 13.4 無監督學習方法 Chapter 14 聚類方法 14.1 聚類的基本概念 14.2 層次聚類 14.3 k均值聚類 Chapter 15 奇異值分解 15.1 奇異值分解的定義與性質 15.2 奇異值分解的計算 15.3 奇異值分解與矩陣近似 Chapter 16 主成分分析 16.1 整體主成分分析 16.2 樣本主成分分析 Chapter 17 潛在語義分析 17.1 單字向量空間與話題向量空間 17.2 潛在語義分析演算法 17.3 非負矩陣分解演算法 Chapter 18 機率潛在語義分析 18.1 機率潛在語義分析模型 18.2 機率潛在語義分析的演算法 Chapter 19 馬可夫鏈蒙地卡羅法 19.1 蒙地卡羅法 19.2 馬可夫鏈 19.3 馬可夫鏈蒙地卡羅法 19.4 Metropolis-Hastings演算法 19.5 吉布斯抽樣 Chapter 20 潛在狄利克雷分配 20.1 狄利克雷分佈 20.2 潛在狄利克雷分配模型 20.3 LDA的吉布斯抽樣演算法 20.4 LDA的變分EM演算法 Chapter 21 PageRank演算法 21.1 PageRank的定義 21.2 PageRank的計算 Chapter 22 無監督學習方法總結 22.1 無監督學習方法的關係和特點 22.2 話題模型之間的關係和特點 Appendix A 梯度下降法 Appendix B 牛頓法和擬牛頓法 Appendix C 拉格朗日對偶性 Appendix D 矩陣的基本子空間 Appendix E KL散度的定義和狄利克雷分佈的性質 Appendix F 索引
生成式 AI 入門
開源閉源LLM應用：
全民瘋 AI 系列：
AI工具使用手冊：學
AIGC大型語言模型
你的第一本智慧體AI
全面掌握Gemini
LLM原理完整回顧：
AI PC基礎CPU
人人都會AI繪圖：開
為了保障您的權益，新絲路網路書店所購買的商品均享有到貨七天的鑑賞期（含例假日）。退回之商品必須於鑑賞期內寄回（以郵戳或收執聯為憑），且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)，否則恕不接受退貨。
