为你推荐
前折页
内容简介
推荐序
序一
序二
前言
第1篇 模型为什么这么神奇
第1章 为什么要建立模型
1.1 什么是模型
1.2 无处不在的模型
1.3 模型的意义
1.4 模型都是对的吗
1.5 什么模型是好模型
1.6 模型的演化
1.7 正确看待模型的价值与缺陷
1.8 本书的特点
1.9 本书主要内容
第2章 模型的运用
2.1 用知识图谱表示问题
2.2 问题分析的示例
2.3 权重问题的判断
2.4 状态问题的判断
2.5 序列问题的判断
2.6 表示问题的判断
2.7 相似问题的判断
2.8 分类问题的判断
2.9 模型之间的关系
第2篇 权重模型：计算你的分量
第3章 TF-IDF模型
3.1 应用场景
3.2 词频率—逆文档频率模型的计算
3.3 词权重模型的平滑
3.4 引申阅读
3.5 本章总结
第4章 线性回归模型
4.1 应用场景
4.2 直观理解回归问题
4.3 一元线性回归问题
4.4 多元线性回归问题
4.5 标准方程法
4.6 梯度下降法
4.7 梯度下降法与标准方程法的区别
4.8 引申阅读
4.9 本章总结
第5章 PageRank模型
5.1 应用场景
5.2 PageRank的直观算法
5.3 直观算法的漏洞修复
5.4 PageRank模型的计算
5.5 引申阅读
5.6 本章总结
第3篇 状态模型：加官进爵的模型
第6章 有限状态自动机模型
6.1 应用场景
6.2 直观理解与形式化描述
6.3 词法分析自动机模型
6.4 地址解析自动机模型
6.5 引申阅读
6.6 本章总结
第7章 模式匹配自动机模型
7.1 应用场景
7.2 形式化描述
7.3 BF模式匹配算法
7.4 RK模式匹配算法
7.5 KMP模式匹配算法
7.6 BM模式匹配算法
7.7 AC模式匹配算法
7.8 Wu-Manber模式匹配算法
7.9 引申阅读
7.10 本章总结
第4篇 序列模型：揭示现象背后的规律
第8章 隐马尔可夫模型
8.1 应用场景
8.2 马尔可夫链
8.3 隐马尔可夫模型的定义
8.4 两个假设
8.5 评估问题
8.6 解码问题
8.7 学习问题
8.8 引申阅读
8.9 本章总结
第9章 最大熵模型
9.1 应用场景
9.2 直观理解最大熵
9.3 最简单的最大熵计算示例
9.4 形式化定义
9.5 最大熵模型的计算流程
9.6 平滑方法
9.7 特征选择
9.8 参数计算
9.9 引申阅读
9.10 本章总结
第5篇 表示模型：万事万物的表示
第10章 向量空间模型
10.1 应用场景
10.2 之前的文本表示方法
10.3 向量空间模型
10.4 相似度计算
10.5 引申阅读
10.6 本章总结
第11章 潜在语义分析模型
11.1 应用场景
11.2 LSA模型的计算
11.3 结果的解读
11.4 为什么LSA模型有效
11.5 LSA模型的应用
11.6 LSA模型的不足
11.7 引申阅读
11.8 本章总结
第6篇 相似模型：谁与我臭味相投
第12章 相似模型
12.1 欧几里得距离
12.2 曼哈顿距离
12.3 切比雪夫距离
12.4 闵可夫斯基距离
12.5 马哈拉诺比斯距离
12.6 皮尔逊相关系数
12.7 Jaccard相关系数
12.8 余弦相似度
12.9 汉明距离
12.10 KL散度
12.11 海林格距离
12.12 编辑距离
12.13 本章总结
第7篇 分类模型：物以类聚，人以群分
第13章 感知机模型
13.1 应用场景
13.2 神经元的工作原理
13.3 感知机模型的原理
13.4 参数训练
13.5 引申阅读
13.6 本章总结
第14章 逻辑回归模型
14.1 应用场景
14.2 直观理解逻辑回归模型
14.3 逻辑回归模型的计算
14.4 引申阅读
14.5 本章总结
第15章 朴素贝叶斯模型
15.1 应用场景
15.2 先验概率和后验概率
15.3 贝叶斯公式
15.4 独立假设
15.5 文本分类的案例
15.6 引申阅读
15.7 本章总结
第16章 决策树模型
16.1 应用场景
16.2 决策树模型的直观理解
16.3 最佳决策树
16.4 信息量的计算
16.5 信息增益与ID3算法
16.6 信息增益比与C4.5算法
16.7 基尼系数与CART算法
16.8 引申阅读
16.9 本章总结
第17章 支持向量机模型
17.1 应用场景
17.2 一元支持向量机
17.3 二元支持向量机
17.4 支持向量机的对偶问题
17.5 支持向量机的参数求解
17.6 引申阅读
17.7 本章总结
后折页
买过这本书的人还买过
读了这本书的人还在读
购物车
个人中心
