本书是配套周志华教授所著的《机器学习》教材的习题集和教学参考书，通过大量习题考查读者对机器学习相关知识的理解与掌握。全书分为两个部分：第一部分习题对应《机器学习》第1-10章的内容，包括绪论、模型评估与选择、线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习；第二部分包含6章应用专题，通过综合题的形式对知识行多角度考查，包括线性模型的优化与复用、面向类别不平衡数据的分类、神经网络的优化与应用、EM算法及其应用、集成学习的过拟合现象研究、度量学习及其应用。书中包含简答题、计算题和编程题，涵盖不同难度级别。机器学习初学者可以通过这些习题深了解和巩固教材的关键概念，对机器学习有一定基础的读者也可以通过习题发现对一些知识不同角度的解读,为后续机器学习的深研究下基础。
售 价：¥
纸质售价：¥54.50购买纸书
6.6
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
书名页
推荐序
前言
基础考评篇
第1章 绪论
1.1 基本术语
1.2 假设空间
1.3 归纳偏好
1.4 矩阵、优化和概率分布
参考文献
第2章 模型评估与选择
2.1 经验误差与过拟合
2.2 评估方法
2.3 性能度量
2.4 比较检验
2.5 偏差与方差
参考文献
第3章 线性模型
3.1 线性回归
3.2 对数几率回归
3.3 线性判别分析
3.4 多分类学习
参考文献
第4章 决策树
4.1 基本流程
4.2 划分选择
4.3 剪枝处理
4.4 连续与缺失值
4.5 多变量决策树
参考文献
第5章 神经网络
5.1 感知机与多层网络
5.2 误差逆传播算法
5.3 全局最小与局部极小
5.4 其他常见神经网络
参考文献
第6章 支持向量机
6.1 间隔、支持向量与对偶问题
6.2 软间隔与正则化
6.3 核函数
6.4 核方法
参考文献
第7章 贝叶斯分类器
7.1 贝叶斯决策论
7.2 极大似然估计
7.3 朴素贝叶斯分类器
7.4 贝叶斯网
参考文献
第8章 集成学习
8.1 Boosting
8.2 Bagging与随机森林
8.3 结合策略
8.4 多样性
8.5 集成剪枝
参考文献
第9章 聚类
9.1 距离计算
9.2 k均值算法
9.3 高斯混合聚类
9.4 性能度量
9.5 密度聚类与层次聚类
参考文献
第10章 降维与度量学习
10.1 k近邻学习
10.2 维数灾难
10.3 主成分分析
10.4 核化线性降维
10.5 低维嵌入与流形学习
10.6 度量学习
参考文献
综合应用篇
第11章 线性模型的优化与复用
11.1 数据获取和预处理
11.2 岭回归分类器的优化方法探究
11.3 线性模型的参数选择
11.4 线性模型的参数复用
参考文献
第12章 面向类别不平衡数据的分类
12.1 类别不平衡现象与评价指标
12.2 类别不平衡模型初探
12.3 基于采样的“再缩放”方法
12.4 类别不平衡问题的多分类扩展
参考文献
第13章 神经网络的优化与应用
13.1 数值求导和自动求导
13.2 神经网络优化实例
13.3 BP算法的回顾与思考
13.4 SOM神经网络
参考文献
第14章 EM算法及其应用
14.1 数据中的隐变量
14.2 EM算法的迭代优化视角
14.3 EM算法的隐变量视角
14.4 EM算法应用实例——缺失值处理
参考文献
第15章 集成学习的过拟合现象研究
15.1 分布有偏移数据集的构造和划分
15.2 机器学习中的过拟合现象
15.3 AdaBoost的多分类算法实现
15.4 AdaBoost是否会过拟合
参考文献
第16章 度量学习及其应用
16.1 近邻分类器
16.2 降维方法的评价
16.3 度量学习
16.4 度量学习的回顾与思考
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
