暂无商品咨询信息 [发表商品咨询]
机器学习是人工智能的核心,而统计思维则是机器学习方法的核心:从随机性中寻找规律性。例如,利用损失最小化思想制定学习策略,采用概率**化思想估计模型参数,利用方差对不确定性的捕捉构造k维树,采用贝叶斯公式构建分类决策模型,等等。只有树立正确的统计思维,才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角,揭示监督学习中回归和分类模型的核心思想,帮助读者构建理论体系。具体模型包括线性回归模型、K近邻模型、贝叶斯推断、逻辑回归模型、**熵模型、决策树模型、感知机模型、支持向量机、EM算法和提升方法。本书共12章,绪论介绍贯穿本书的两大思维模式,以及关于全书的阅读指南;第1章介绍一些基本术语,并给出监督学习的流程;第2章介绍关于回归问题的机器学习方法;第3~9章介绍关于分类问题的机器学习方法;第10章介绍可应用于具有隐变量模型的参数学习算法——EM算法;第11章简单介绍集成学习,并重点阐述其中的提升(Boosting)方法。为满足个性化学习需求的不同需求,本书从核心思想、方法流程及实际案例应用等不同角度,详细描述各种方法的原理和实用价值,非常适合数据科学、机器学习专业的本科生和研究生学习,也可供相关从业者参考。
绪论
0.1本书讲什么,初衷是什么
0.2贯穿本书的两大思维模式
0.2.1提问的思维方式
0.2.2发散的思维方式
0.3这本书决定它还想要这样
0.3.1第一性原理
0.3.2奥卡姆剃刀原理
0.4如何使用本书
第1章步入监督学习之旅
1.1机器学习从数据开始
1.2监督学习是什么
1.2.1基本术语
1.2.2学习过程如同一场科学推理
1.3如何评价模型的好坏
1.3.1评价模型的量化指标
1.3.2拟合能力
1.3.3泛化能力
……
基本信息 | |
---|---|
出版社 | 清华大学出版社 |
ISBN | 9787302634010 |
条码 | 9787302634010 |
编者 | 董平 |
译者 | -- |
出版年月 | 2023-09-01 00:00:00.0 |
开本 | 16开 |
装帧 | 平装 |
页数 | 364 |
字数 | 576000 |
版次 | 1 |
印次 | 1 |
纸张 | 一般胶版纸 |
暂无商品评论信息 [发表商品评论]
暂无商品咨询信息 [发表商品咨询]