万本电子书0元读

万本电子书0元读

顶部广告

统计学习方法(第2版)电子书

随着人工智能和大数据在社会各行各业的广泛应用,统计学习方法已经成为人们急需了解与掌握的热门知识与技术。本书为具有高等数学、线性代数和概率统计基础知识的人们提供了一本统计机器学习的基本读物。2012年的*版叙述了一批重要和常用的主要是监督学习的方法,受到广大读者的欢迎,已加印十三万多册。第二版主要增加了无监督学习的内容,包括近十种统计学习方法,使读者能够更好地了解和掌握统计机器学习这门新兴学科。

售       价:¥

纸质售价:¥67.20购买纸书

565人正在读 | 0人评论 6.2

作       者:李航

出  版  社:清华大学出版社

出版时间:2019-05-01

字       数:24.2万

所属分类: 经管/励志 > 经济 > 统计审计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(9条)
  • 读书简介
  • 目录
  • 累计评论(9条)
统计学习方法即机器学习方法,是计算机及其应用领域的一门重要学科。 本书分为监督学 习和无监督学习两篇,全面系统地介绍了统计学习的主要方法。 包括感知机、k 近邻法、朴素贝 叶斯法、决策树、逻辑斯谛回归与*熵模型、 支持向量机、提升方法、EM 算法、隐马尔可夫 模型和条件随机场,以及聚类方法、 奇异值分解、主成分分析、潜在语义分析、概率潜在语义分 析、马尔可夫蒙特卡罗法、 潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学 习和无监督学习的概 论和总结的四章外,每章介绍一种方法。叙述力求从具体问题或实例手, 由浅深, 阐明思路,给出必要的数学推导,便于读者掌握统计学习方法的实质,学会运用。 为满足读者一步学习的需要,书中还介绍了一些相关研究,给出了少量习题, 列出了主要参 考文献。 本书是统计机器学习及相关课程的教学参考书, 适用于高等院校文本数据挖掘、信 息检索及自然语言处理等专业的大学生、 研究生,也可供从事计算机应用相关专业的研发人员 参考。  <br/>【推荐语】<br/>随着人工智能和大数据在社会各行各业的广泛应用,统计学习方法已经成为人们急需了解与掌握的热门知识与技术。本书为具有高等数学、线性代数和概率统计基础知识的人们提供了一本统计机器学习的基本读物。2012年的*版叙述了一批重要和常用的主要是监督学习的方法,受到广大读者的欢迎,已加印十三万多册。第二版主要增加了无监督学习的内容,包括近十种统计学习方法,使读者能够更好地了解和掌握统计机器学习这门新兴学科。<br/>【作者】<br/>李航,男,毕业于日本京都大学电气电子工程系,日本东京大学获得计算机科学博士学位。北京大学、南京大学兼职教授。曾任日本NEC公司中央研究所研究员,微软亚洲研究院高级研究员与主任研究员、华为技术有限公司诺亚方舟实验室主任。现任今日头条人工智能实验室主任。<br/>
目录展开

封面页

书名页

版权页

作者简介

彩插

内容简介

献给

第2版序言

第1版序言

第1篇 监督学习

第1章 统计学习及监督学习概论

1.1 统计学习

1.2 统计学习的分类

1.2.1 基本分类

1.2.2 按模型分类

1.2.3 按算法分类

1.2.4 按技巧分类

1.3 统计学习方法三要素

1.3.1 模型

1.3.2 策略

1.3.3 算法

1.4 模型评估与模型选择

1.4.1 训练误差与测试误差

1.4.2 过拟合与模型选择

1.5 正则化与交叉验证

1.5.1 正则化

1.5.2 交叉验证

1.6 泛化能力

1.6.1 泛化误差

1.6.2 泛化误差上界

1.7 生成模型与判别模型

1.8 监督学习应用

1.8.1 分类问题

1.8.2 标注问题

1.8.3 回归问题

本章概要

继续阅读

习题

参考文献

第2章 感知机

2.1 感知机模型

2.2 感知机学习策略

2.2.1 数据集的线性可分性

2.2.2 感知机学习策略

2.3 感知机学习算法

2.3.1 感知机学习算法的原始形式

2.3.2 算法的收敛性

2.3.3 感知机学习算法的对偶形式

本章概要

继续阅读

习题

参考文献

第3章 k近邻法

3.1 k近邻算法

3.2 k近邻模型

3.2.1 模型

3.2.2 距离度量

3.2.3 k值的选择

3.2.4 分类决策规则

3.3 k近邻法的实现:kd树

3.3.1 构造kd树

3.3.2 搜索kd树

本章概要

继续阅读

习题

参考文献

第4章 朴素贝叶斯法

4.1 朴素贝叶斯法的学习与分类

4.1.1 基本方法

4.1.2 后验概率最大化的含义

4.2 朴素贝叶斯法的参数估计

4.2.1 极大似然估计

4.2.2 学习与分类算法

4.2.3 贝叶斯估计

本章概要

继续阅读

习题

参考文献

第5章 决策树

5.1 决策树模型与学习

5.1.1 决策树模型

5.1.2 决策树与if-then规则

5.1.3 决策树与条件概率分布

5.1.4 决策树学习

5.2 特征选择

5.2.1 特征选择问题

5.2.2 信息增益

5.2.3 信息增益比

5.3 决策树的生成

5.3.1 ID3算法

5.3.2 C4.5的生成算法

5.4 决策树的剪枝

5.5 CART算法

5.5.1 CART生成

5.5.2 CART剪枝

本章概要

继续阅读

习题

参考文献

第6章 逻辑斯谛回归与最大熵模型

6.1 逻辑斯谛回归模型

6.1.1 逻辑斯谛分布

6.1.2 二项逻辑斯谛回归模型

6.1.3 模型参数估计

6.1.4 多项逻辑斯谛回归

6.2 最大熵模型

6.2.1 最大熵原理

6.2.2 最大熵模型的定义

6.2.3 最大熵模型的学习

6.2.4 极大似然估计

6.3 模型学习的最优化算法

6.3.1 改进的迭代尺度法

6.3.2 拟牛顿法

本章概要

继续阅读

习题

参考文献

第7章 支持向量机

7.1 线性可分支持向量机与硬间隔最大化

7.1.1 线性可分支持向量机

7.1.2 函数间隔和几何间隔

7.1.3 间隔最大化

7.1.4 学习的对偶算法

7.2 线性支持向量机与软间隔最大化

7.2.1 线性支持向量机

7.2.2 学习的对偶算法

7.2.3 支持向量

7.2.4 合页损失函数

7.3 非线性支持向量机与核函数

7.3.1 核技巧

7.3.2 正定核

7.3.3 常用核函数

7.3.4 非线性支持向量分类机

7.4 序列最小最优化算法

7.4.1 两个变量二次规划的求解方法

7.4.2 变量的选择方法

7.4.3 SMO算法

本章概要

继续阅读

习题

参考文献

第8章 提升方法

8.1 提升方法AdaBoost算法

8.1.1 提升方法的基本思路

8.1.2 AdaBoost算法

8.1.3 AdaBoost的例子

8.2 AdaBoost算法的训练误差分析

8.3 AdaBoost算法的解释

8.3.1 前向分步算法

8.3.2 前向分步算法与AdaBoost

8.4 提升树

8.4.1 提升树模型

8.4.2 提升树算法

8.4.3 梯度提升

本章概要

继续阅读

习题

参考文献

第9章 EM算法及其推广

9.1 EM算法的引入

9.1.1 EM算法

9.1.2 EM算法的导出

9.1.3 EM算法在无监督学习中的应用

9.2 EM算法的收敛性

9.3 EM算法在高斯混合模型学习中的应用

9.3.1 高斯混合模型

9.3.2 高斯混合模型参数估计的EM算法

9.4 EM算法的推广

9.4.1 F函数的极大-极大算法

9.4.2 GEM算法

本章概要

继续阅读

习题

参考文献

第10章 隐马尔可夫模型

10.1 隐马尔可夫模型的基本概念

10.1.1 隐马尔可夫模型的定义

10.1.2 观测序列的生成过程

10.1.3 隐马尔可夫模型的3个基本问题

10.2 概率计算算法

10.2.1 直接计算法

10.2.2 前向算法

10.2.3 后向算法

10.2.4 一些概率与期望值的计算

10.3 学习算法

10.3.1 监督学习方法

10.3.2 Baum-Welch算法

10.3.3 Baum-Welch模型参数估计公式

10.4 预测算法

10.4.1 近似算法

10.4.2 维特比算法

本章概要

继续阅读

习题

参考文献

第11章 条件随机场

11.1 概率无向图模型

11.1.1 模型定义

11.1.2 概率无向图模型的因子分解

11.2 条件随机场的定义与形式

11.2.1 条件随机场的定义

11.2.2 条件随机场的参数化形式

11.2.3 条件随机场的简化形式

11.2.4 条件随机场的矩阵形式

11.3 条件随机场的概率计算问题

11.3.1 前向-后向算法

11.3.2 概率计算

11.3.3 期望值的计算

11.4 条件随机场的学习算法

11.4.1 改进的迭代尺度法

11.4.2 拟牛顿法

11.5 条件随机场的预测算法

本章概要

继续阅读

习题

参考文献

第12章 监督学习方法总结

第2篇 无监督学习

第13章 无监督学习概论

13.1 无监督学习基本原理

13.2 基本问题

13.3 机器学习三要素

13.4 无监督学习方法

本章概要

继续阅读

参考文献

第14章 聚类方法

14.1 聚类的基本概念

14.1.1 相似度或距离

14.1.2 类或簇

14.1.3 类与类之间的距离

14.2 层次聚类

14.3 k均值聚类

14.3.1 模型

14.3.2 策略

14.3.3 算法

14.3.4 算法特性

本章概要

继续阅读

习题

参考文献

第15章 奇异值分解

15.1 奇异值分解的定义与性质

15.1.1 定义与定理

15.1.2 紧奇异值分解与截断奇异值分解

15.1.3 几何解释

15.1.4 主要性质

15.2 奇异值分解的计算

15.3 奇异值分解与矩阵近似

15.3.1 弗罗贝尼乌斯范数

15.3.2 矩阵的最优近似

15.3.3 矩阵的外积展开式

本章概要

继续阅读

习题

参考文献

第16章 主成分分析

16.1 总体主成分分析

16.1.1 基本想法

16.1.2 定义和导出

16.1.3 主要性质

16.1.4 主成分的个数

16.1.5 规范化变量的总体主成分

16.2 样本主成分分析

16.2.1 样本主成分的定义和性质

16.2.2 相关矩阵的特征值分解算法

16.2.3 数据矩阵的奇异值分解算法

本章概要

继续阅读

习题

参考文献

第17章 潜在语义分析

17.1 单词向量空间与话题向量空间

17.1.1 单词向量空间

17.1.2 话题向量空间

17.2 潜在语义分析算法

17.2.1 矩阵奇异值分解算法

17.2.2 例子

17.3 非负矩阵分解算法

17.3.1 非负矩阵分解

17.3.2 潜在语义分析模型

17.3.3 非负矩阵分解的形式化

17.3.4 算法

本章概要

继续阅读

习题

参考文献

第18章 概率潜在语义分析

18.1 概率潜在语义分析模型

18.1.1 基本想法

18.1.2 生成模型

18.1.3 共现模型

18.1.4 模型性质

18.2 概率潜在语义分析的算法

本章概要

继续阅读

习题

参考文献

第19章 马尔可夫链蒙特卡罗法

19.1 蒙特卡罗法

19.1.1 随机抽样

19.1.2 数学期望估计

19.1.3 积分计算

19.2 马尔可夫链

19.2.1 基本定义

19.2.2 离散状态马尔可夫链

19.2.3 连续状态马尔可夫链

19.2.4 马尔可夫链的性质

19.3 马尔可夫链蒙特卡罗法

19.3.1 基本想法

19.3.2 基本步骤

19.3.3 马尔可夫链蒙特卡罗法与统计学习

19.4 Metropolis-Hastings算法

19.4.1 基本原理

19.4.2 Metropolis-Hastings算法

19.4.3 单分量Metropolis-Hastings算法

19.5 吉布斯抽样

19.5.1 基本原理

19.5.2 吉布斯抽样算法

19.5.3 抽样计算

本章概要

继续阅读

习题

参考文献

第20章 潜在狄利克雷分配

20.1 狄利克雷分布

20.1.1 分布定义

20.1.2 共轭先验

20.2 潜在狄利克雷分配模型

20.2.1 基本想法

20.2.2 模型定义

20.2.3 概率图模型

20.2.4 随机变量序列的可交换性

20.2.5 概率公式

20.3 LDA的吉布斯抽样算法

20.3.1 基本想法

20.3.2 算法的主要部分

20.3.3 算法的后处理

20.3.4 算法

20.4 LDA的变分EM算法

20.4.1 变分推理

20.4.2 变分EM算法

20.4.3 算法推导

20.4.4 算法总结

本章概要

继续阅读

习题

参考文献

第21章 PageRank算法

21.1 PageRank的定义

21.1.1 基本想法

21.1.2 有向图和随机游走模型

21.1.3 PageRank的基本定义

21.1.4 PageRank的一般定义

21.2 PageRank的计算

21.2.1 迭代算法

21.2.2 幂法

21.2.3 代数算法

本章概要

继续阅读

习题

参考文献

第22章 无监督学习方法总结

22.1 无监督学习方法的关系和特点

22.1.1 各种方法之间的关系

22.1.2 无监督学习方法

22.1.3 基础机器学习方法

22.2 话题模型之间的关系和特点

参考文献

附录A 梯度下降法

附录B 牛顿法和拟牛顿法

附录C 拉格朗日对偶性

附录D 矩阵的基本子空间

附录E KL散度的定义和狄利克雷分布的性质

索引

累计评论(9条) 13个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部